基于BP神经网络的建筑能耗分析方法与系统技术方案

本发明专利技术公开了一种基于BP神经网络的建筑能耗分析方法与系统，方法包括以下步骤：根据指定建筑能耗类型确定输入输出向量；根据输入输出向量构造BP神经网络模型；输入训练样本对建立好的BP神经网络模型进行训练；把实际需要进行分析的能耗指标数据输入到经过训练的BP模型进行处理分析；对神经网络的输出数据进行数据还原。系统包括节能潜力量化模块、数据预处理模块、BP网络分析模块、数据还原模块、配置管理模块以及日志记录模块。本发明专利技术可以实现快速精确地对建筑能耗指标数据进行处理分析，从而得到建筑用能过程中的不合理环节，帮助建筑管理者乃至不具备专业知识的普通用户了解建筑能耗现状、明确节能改善措施。

【技术实现步骤摘要】

本专利技术涉及到建筑能耗数据的检测与分类，属于模式分类
范畴，特别涉及一种基于BP神经网络的建筑能耗分析方法与系统。
技术介绍
建筑能耗分析一直是各国学者关注和研究的焦点,通过正确有效的能耗计算与分析,可减少建筑物生命周期内各环节的能耗。目前可采用的建筑物能耗分析方法很多，根据所依据的数学模型，可将计算方法分为两大类：一类是建立在稳定传热理论基础上的静态能耗分析法，另一类是建立在不稳定传热理论基础上的动态能耗模拟法。(1)静态能耗分析法:静态能耗分析法的基本原理是将供暖期或供暖期中的各旬、各月的耗热量按稳态传热理论进行计算,主要包括度BIN法、日数法、当量峰值小时数法等。这种方法的优点是比较简单，易于手算，但是精度稍差，准确率较低，所有的模拟计算都是在设定的理想参数下(气象条件，室内温度等)进行计算，不能反映建筑实际运行状态下的能耗状况；(2)动态模拟法：基于不稳定传热理论，主要是利用计算机技术进行系统的动态分析和动态模拟，这种方法因为要求建立的数学模型系统且精确，并且局限于线性和时间不变系统。另外该方法对专业领域知识有比较高的要求，大多是针对专业人员而设计的，而对于建筑的实际使用者或者业主、物业管理等不具备建筑能源系统相关专业知识的人员，则无法通过这种方式对自己的房屋能耗状况有一个基本的了解，因此实际应用受到很大局限。上述两种传统的建筑能耗分析方法由于其自身的局限性，没有充分利用已有的能耗数据，无法做到对能耗的智能分析，对节能决策的支持十分有限。
技术实现思路
本专利技术的目的在于克服现有技术的缺点与不足，提供了一种基于BP神经网络的建筑能耗分析方法，本方法在对建筑能耗指标数据及其影响因素进行分析和研究的基础上，通过BP神经网络学习技术强大的知识发现和数据分析能力，实现快速精确地对建筑能耗指标数据进行处理分析，从而得到建筑用能过程中的不合理环节，帮助建筑管理者乃至不具备专业知识的普通用户了解建筑能耗现状、明确节能改善措施。本专利技术的另一目的在于，提供一种基于BP神经网络的建筑能耗分析系统。为了到达上述第一目的，本专利技术采用以下技术方案：本专利技术基于BP神经网络的建筑能耗分析方法，其特征在于，包括以下步骤：(1)根据指定建筑能耗类型确定输入输出向量；(2)根据输入输出向量构造BP神经网络模型；(3)输入训练样本对建立好的BP神经网络模型进行训练；(4)把实际需要进行分析的能耗指标数据输入到经过训练的BP模型进行处理分析；(5)对神经网络的输出数据进行数据还原。作为优选的技术方案，所述步骤(1)进一步包括下述步骤：(1-1)将建筑能耗类型分成3类，分别为电耗、水耗以及冷耗空调系统，在分析日前一天对建筑能耗进行测量，获取相应的测量数据作为原始的建筑能耗数据；(1-2)根据原始的建筑能耗数据以及绿色建筑评价指标的计算公式计算得到建筑能耗指标数据值作为模型的输入向量，(1-3)确定对应建筑能耗类型的建筑能耗薄弱环节作为模型的输出向量，3个能耗类型的输出变量；(1-4)对确定的输入向量进行二值化处理；(1-5)对确定的输出向量进行二进制编码，以建筑能耗类型中能耗薄弱环节个数为二进制编码长度，从而对输出向量采用“n中取1”的编码方式；其中，n为编码的长度，即对应能耗类型的能耗薄弱环节总个数，当某建筑薄弱环节确定时，其对应位的编码置为1，其余的n-1位编码都为0。作为优选的技术方案，步骤(1-2)中，3类能耗分项的输入变量如下所示：(1-2-1)电耗部分：包括单位面积空调电耗量、单位面积照明与插座电耗量、单位面积通排风机电耗量、单位面积特殊电耗量，还包括非工作时段与工作时段照明与插座电耗之比、非工作时段与工作时段空调电耗之比、非工作时段与工作时段房间通排风电耗之比、非工作时段与工作时段特殊设备电耗之比；(1-2-2)水耗部分：单位面积水耗量、非工作时段与工作时段水耗之比；(1-2-3)冷耗空调系统部分：单位面积冷耗量、包括空调系统能效比、制冷系统能效比、冷水机组运行效率、冷却水输送系数、冷冻水输送系数、空调末端能效比、冷却泵效率、冷却塔效率、冷冻泵效率、水系统供回水温差以及水系统回水温度一致性。作为优选的技术方案，步骤(1-4)进一步包括下述步骤：(1-4-1)对于输入向量的每一个输入指标数据，其指标数值为Ia，获取其相关的标准指标值In；(1-4-2)根据式(1)计算该输入指标的节能潜力D；D=ΔIIn=Ia-InIn---(1)]]>式中：Ia为建筑计算得到的实际指标值；In为公共建筑参考指标值；(1-4-3)将步骤(1-4-2)计算得到的D按式(2)规则进行取值，即将节能潜力D阀值T进行比较，若D>＝T，该则输入指标的二值化取值f(x)＝1；若D<T，则该输入指标的二值化取值f(x)＝0；f(xi)=0D(xi)≤T1D(xi)>T---(2)]]>式中：xi为二值化之前的第i个指标参数；f(xi)为xi二值化之后的取值；Di为第i个指标参数xi的节能潜力计算值；T为节能潜力阀值。作为优选的技术方案，所述步骤(2)进一步包括下述步骤：(2-1)根据输入向量、输出向量确定输入层以及输出层的神经元数量；(2-2)根据输入层和输出层的神经元数量确定BP神经网络隐藏层神经元数量，其中，BP神经网络的激励函数是sigmoid函数：f(x)=11+e-x---(3)]]>所述步骤(3)，进一步包括下述步骤：设定BP神经网络的训练参数，并对其进行训练，其中训练参数包括：最大训练次数、期望误差、动量项数值以及学习速率。作为优选的技术方案，所述步骤(5)进一步包括下述步骤：对BP神经网络的输出向量进行遍历，将数值最大的一项置为1，其余的置为0，即获得输出向量的二进制编码输出，再根据编码与分析结论内容的对应关系将二进制编码还原为用户可以理解的文字信息；得到反馈的分析结论后，用户即可明确建筑能耗问题之所在，并能够有目的性地进行重点排查与维护，其中的问题包括更换或维修设备、加强设备的维护与保养以及调整设备的运行策略。本专利技术还提供一种基于BP神经网络的建筑能耗分析系统，该系统包括节能潜力量化模块、数据预处理模块、BP网络分析模块、数据还原模块、配置管理模块以及日志记录模块；所述节能潜力量化模块，用于计算每一个建筑能耗指标数据的节能潜力；所述数据预处理模块，用于负责提供建筑能耗分析方法的数据本文档来自技高网...

【技术保护点】
基于BP神经网络的建筑能耗分析方法，其特征在于，包括以下步骤：(1)根据指定建筑能耗类型确定输入输出向量；(2)根据输入输出向量构造BP神经网络模型；(3)输入训练样本对建立好的BP神经网络模型进行训练；(4)把实际需要进行分析的能耗指标数据输入到经过训练的BP模型进行处理分析；(5)对神经网络的输出数据进行数据还原。

【技术特征摘要】
1.基于BP神经网络的建筑能耗分析方法，其特征在于，包括以下步骤：
(1)根据指定建筑能耗类型确定输入输出向量；
(2)根据输入输出向量构造BP神经网络模型；
(3)输入训练样本对建立好的BP神经网络模型进行训练；
(4)把实际需要进行分析的能耗指标数据输入到经过训练的BP模型进行
处理分析；
(5)对神经网络的输出数据进行数据还原。
2.根据权利要求1所述的基于BP神经网络的建筑能耗分析方法，其特征
在于，所述步骤(1)进一步包括下述步骤：
(1-1)将建筑能耗类型分成3类，分别为电耗、水耗以及冷耗空调系统，
在分析日前一天对建筑能耗进行测量，获取相应的测量数据作为原始的建筑能
耗数据；
(1-2)根据原始的建筑能耗数据以及绿色建筑评价指标的计算公式计算得
到建筑能耗指标数据值作为模型的输入向量，
(1-3)确定对应建筑能耗类型的建筑能耗薄弱环节作为模型的输出向量，3
个能耗类型的输出变量；
(1-4)对确定的输入向量进行二值化处理；
(1-5)对确定的输出向量进行二进制编码，以建筑能耗类型中能耗薄弱环
节个数为二进制编码长度，从而对输出向量采用“n中取1”的编码方式；其中，
n为编码的长度，即对应能耗类型的能耗薄弱环节总个数，当某建筑薄弱环节确
定时，其对应位的编码置为1，其余的n-1位编码都为0。
3.根据权利要求2所述的基于BP神经网络的建筑能耗分析方法，其特征
在于，步骤(1-2)中，3类能耗分项的输入变量如下所示：
(1-2-1)电耗部分：包括单位面积空调电耗量、单位面积照明与插座电耗
量、单位面积通排风机电耗量、单位面积特殊电耗量，还包括非工作时段与工
作时段照明与插座电耗之比、非工作时段与工作时段空调电耗之比、非工作时
段与工作时段房间通排风电耗之比、非工作时段与工作时段特殊设备电耗之比；
(1-2-2)水耗部分：单位面积水耗量、非工作时段与工作时段水耗之比；
(1-2-3)冷耗空调系统部分：单位面积冷耗量、包括空调系统能效比、制
冷系统能效比、冷水机组运行效率、冷却水输送系数、冷冻水输送系数、空调
末端能效比、冷却泵效率、冷却塔效率、冷冻泵效率、水系统供回水温差以及
水系统回水温度一致性。
4.根据权利要求2所述的基于BP神经网络的建筑能耗分析方法，其特征
在于，步骤(1-4)进一步包括下述步骤：
(1-4-1)对于输入向量的每一个输入指标数据，其指标数值为Ia，获取其相
关的标准指标值In；
(1-4-2)根据式(1)计算该输入指标的节能潜力D；
D=ΔIIn=Ia-InIn---(1)]]>式中：Ia为建筑计算得到的实际指标值；In为公共建筑参考指标值；
(1-4-3)将步骤(1-4-2)计算得到的D按式(2)规则进行取值，即将节
能潜力D阀值T进行比较，若D>＝T，该则输入指标的二值化取值f(x)＝1；若
D<T，则该输入指标的二值化取值f(x)＝0；
f(xi)=1D(xi)≤T0D(xi)>T---(2)]]>式中：xi为二值化之前的第i个指标参数；f(xi)为xi二值化之后的取值；Di为
第i个指标参数xi的节能潜力计算值；T为节能潜力阀值。
5.根据权利要求1所述的基于BP神经网络的建筑能耗分析方法，其特征
在于，所述步骤(2)进一步包括下述步骤：
(2-1)根据输入向量、输出向量确定输入层以及输出层的神经元数量；
(2-2)根据输入层和输出层的神经元数量确定BP神经网络隐藏层神经元
数量，其中，BP神经网络的激励函数是sigmoid函数：
f(x)=11+e-x---(3)]]>所述步骤(3)，进一步包括下述步骤：
设定BP神经网络的训练参数，并对其进行训练，其中训练参数包括：最大
训练次数、期望误差、动量项数值以及学习速率。
6.根据权利要求1所述的基于BP神经网络的建筑能耗分...

【专利技术属性】
技术研发人员：彭新一，黄志炜，邓钊鹏，谢妍，
申请(专利权)人：华南理工大学，广州市戴为智能科技有限公司，
类型：发明
国别省市：广东;44