工业园区能耗预测方法、装置、设备及存储介质

技术领域

本发明涉及能源技术领域，尤其涉及一种工业园区能耗预测方法、装置、设备及存储介质。

背景技术

随着互联网、物联网的发展，园区综合能源系统的建设、规划调度和经济运行趋向于智慧园区智能化管理。智慧园区可以工业园区内的能耗进行管控，是对园区内碳排放管理的重要策略，但是目前园区的区域面积大且复杂，对于园区的能耗监测的监测效果不佳，无法提高园区的能源利用率。

在能源供应日益紧张、环境污染日益严重的国内外环境下，进行以节能减耗为目的的能耗预测系统的研究，具有重要的意义。工业建筑节能耗也需要进一步对能耗进行管控和调节，对能源使用进行精益化管控，避免不必要的能源浪费。

上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。

发明内容

本发明的主要目的在于提供一种工业园区能耗预测方法、装置、设备及存储介质，旨在解决现有技术工业建筑节能耗没有明确的目标要求和具体规定，导致无法及时根据工业能耗对能源使用进行管控和调节的技术问题。

为实现上述目的，本发明提供了一种工业园区能耗预测方法，所述方法包括以下步骤：

获取目标园区的历史能耗和多个历史初始参数，对各个历史初始参数进行能耗关联度分析，得到历史参考参数；

对所述历史参考参数进行共线性诊断，根据诊断结果剔除所述历史参考参数中的强关联性参数，得到历史目标参数；

根据所述历史目标参数构建基础建筑能耗模型，基于基础建筑能耗模型进行能耗模拟，得到用电能耗系数；

根据所述用电能耗系数预测园区的固定能耗和可变能耗，根据所述固定能耗和可变能耗得到目标园区的预测能耗。

可选地，所述获取目标园区的历史能耗和多个历史初始参数，对各个历史初始参数进行能耗关联度分析，得到历史参考参数，包括：

获取目标园区的历史能耗和多个历史初始参数，所述历史初始参数包括建筑面积、窗户数量、空调数量、人员数量、人居均收入；

根据所述目标园区的历史能耗和多个历史初始参数构建原始序列，对所述原始序列进行无量纲化处理，得到参考序列；

根据预设分辨系数计算所述参考序列中各个历史初始参数与历史能耗之间的关联系数；

根据所述关联系数进行能耗关联度分析，得到历史参考参数。

可选地，所述根据所述关联系数进行能耗关联度分析，得到历史参考参数，包括：

对所述各个历史初始参数与所述历史能耗进行平滑处理，得到平滑处理后的历史初始参数和历史能耗；

根据所述关联系数、平滑处理后的历史初始参数和历史能耗计算所述各个历史初始参数与历史能耗之间的关联度；

根据所述关联度对所述各个历史初始参数进行排序，选取排序后前预设个数的历史初始参数作为历史参考参数。

可选地，所述对所述历史参考参数进行共线性诊断，根据诊断结果剔除所述历史参考参数中的强关联性参数，得到历史目标参数，包括：

根据所述历史参考参数构建白化微分方程，根据所述历史参考参数计算白化参数；

根据白化参数对所述白化微分方程求解，得到预测模型；

根据所述预测模型对所述历史参考参数进行验证，得到验证结果，根据验证结果进行共线性诊断；

根据所述诊断结果得到强关联性参数，剔除所述历史参考参数中的强关联性参数，得到历史目标参数。

可选地，所述根据所述历史目标参数构建基础建筑能耗模型，基于所述基础建筑能耗模型进行能耗模拟，得到用电能耗系数，包括：

获取目标园区的历史气象数据；

根据所述历史气象数据和所述历史目标参数构建多个初始模型，通过对各个初始模型进行模拟，得到各个初始模型对应的模拟能耗；

分别计算各个初始模型对应的模拟能耗与所述历史能耗之间的能耗误差，将最小能耗误差对应的初始模型作为基础建筑能耗模型；

基于所述基础建筑能耗模型进行能耗模拟，得到用电能耗系数。

可选地，所述用电能耗系数包括基础用电能耗系数、变量用电能耗系数以及园区能耗分布因子；

所述基于所述基础建筑能耗模型进行能耗模拟，得到用电能耗系数，包括：

基于所述基础建筑能耗模型进行模拟，得到建筑用电、照明用电、空调用电；

根据所述建筑用电和照明用电计算基础用电能耗系数，根据所述空调用电计算变量用电能耗系数；

根据所述基础用电能耗系数和所述变量用电能耗系数构建园区能耗分布因子。

可选地，所述根据所述用电能耗系数预测园区的固定能耗和可变能耗，根据所述固定能耗和可变能耗得到目标园区的预测能耗，包括：

获取园区当前能耗，根据园区当前能耗、园区能耗分布因子以及所述基础用电能耗系数进行预测，得到固定能耗；

根据所述园区当前能耗、所述园区能耗分布因子以及所述变量用电能耗系数进行预测，得到可变能耗；

将所述固定能耗以及所述可变能耗相加得到目标园区的预测能耗。。

此外，为实现上述目的，本发明还提出一种园区能耗预测装置，所述园区能耗预测装置包括：

参数获取模块，用于获取目标园区的历史能耗和多个历史初始参数，对各个历史初始参数进行能耗关联度分析，得到历史参考参数；

所述参数获取模块，还用于对所述历史参考参数进行共线性诊断，根据诊断结果剔除所述历史参考参数中的强关联性参数，得到历史目标参数；

能耗预测模块，用于根据所述历史目标参数构建基础建筑能耗模型，基于基础建筑能耗模型进行能耗模拟，得到用电能耗系数；

所述能耗预测模块，还用于根据所述用电能耗系数预测园区的固定能耗和可变能耗，根据所述固定能耗和可变能耗得到目标园区的预测能耗。

此外，为实现上述目的，本发明还提出一种园区能耗预测设备，所述园区能耗预测设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的园区能耗预测程序，所述园区能耗预测程序配置为实现如上文所述的园区能耗预测方法的步骤。

此外，为实现上述目的，本发明还提出一种存储介质，所述存储介质上存储有园区能耗预测程序，所述园区能耗预测程序被处理器执行时实现如上文所述的园区能耗预测方法的步骤。

本发明通过分析影响工业园区能耗的因素，基于关联度最高的因素从基础用电和变量用电对未来能耗预测，根据预测能耗对工业园区能耗进行管控和调节，预测越准确越能够实现精益化管控，从而避免不必要的能源浪费，实现更加环保的能源使用。

附图说明

图1是本发明实施例方案涉及的硬件运行环境的园区能耗预测设备的结构示意图；

图2为本发明园区能耗预测方法第一实施例的流程示意图；

图3为本发明园区能耗预测方法第二实施例的流程示意图；

图4为本发明园区能耗预测方法第三实施例的流程示意图；

图5为本发明园区能耗预测方法一实施例的气象数据示意图；

图6为本发明园区能耗预测装置第一实施例的结构框图。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

参照图1，图1为本发明实施例方案涉及的硬件运行环境的园区能耗预测设备结构示意图。

如图1所示，该园区能耗预测设备可以包括：处理器1001，例如中央处理器(Central Processing Unit，CPU)，通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(Wireless-Fidelity，Wi-Fi)接口)。存储器1005可以是高速的随机存取存储器(RandomAccess Memory，RAM)存储器，也可以是稳定的非易失性存储器(Non-Volatile Memory，NVM)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。

本领域技术人员可以理解，图1中示出的结构并不构成对园区能耗预测设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

如图1所示，作为一种存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及园区能耗预测程序。

在图1所示的园区能耗预测设备中，网络接口1004主要用于与网络服务器进行数据通信；用户接口1003主要用于与用户进行数据交互；本发明园区能耗预测设备中的处理器1001、存储器1005可以设置在园区能耗预测设备中，所述园区能耗预测设备通过处理器1001调用存储器1005中存储的园区能耗预测程序，并执行本发明实施例提供的园区能耗预测方法。

本发明实施例提供了一种园区能耗预测方法，参照图2，图2为本发明一种园区能耗预测方法第一实施例的流程示意图。

本实施例中，所述园区能耗预测方法包括以下步骤：

步骤S10：获取目标园区的历史能耗和多个历史初始参数，对各个历史初始参数进行能耗关联度分析，得到历史参考参数。

可理解的是，目标园区可以是想要进行能耗预测的园区，其中历史能耗可以是该目标园区在过去每月或者是每周或者是每天的能耗；此处本实施例以每个月的能耗作为历史能耗进行说明。

应理解的是，历史初始参数可以是会对目标园区的能耗产生影响的因素，例如园区面积、园区人数、园区窗户数量、园区空调数量、园区所在地区天气、甚至是园区产值等均可以作为历史初始参数。

需说明的是，对各个历史初始参数进行能耗关联度分析可以是分析各个历史初始参数对园区能耗的影响程度，例如园区人数与园区能耗的关联度为0.56，园区空调数量与园区能耗的关联度为0.87等。

需强调的是，基于各个历史初始参数与园区能耗关联度分析之后，可以得到各个历史初始参数与园区能耗的关联度，基于关联度的大小，从多个历史初始参数中筛选关联度最大，或者是关联度满足阈值的参数作为历史参考参数。其中关联度满足阈值可以是0.6、0.66等，可以根据实际情况进行调整，本实施例对此不作限定。

需进一步强调的是，对各个历史初始参数进行关联度分析可以是通过主成分分析法、偏相关分析法等，本实施例以灰色关联度分析法为例进行说明。

步骤S20：对所述历史参考参数进行共线性诊断，根据诊断结果剔除所述历史参考参数中的强关联性参数，得到历史目标参数。

可理解的是，共线性诊断可以是对各个历史参考参数之间是否存在相互影响关系的一种诊断方法，简单来说，基于历史参考参数进行园区能耗预测中存在两个或多个历史参考参数之间相互影响，可能会导致园区能耗预测不准确。

需说明的是，共线性诊断可以是采用专门对参数进行分析的软件，例如统计分析软件(spss是，全称Statistical Product and Service Solutions)，也可以是通过构建多元线性回归方程进行参数分析。

值得说明的是，历史目标参数的具体计算步骤可以是根据所述历史参考参数构建白化微分方程，根据所述历史参考参数计算白化参数；根据白化参数对所述白化微分方程求解，得到预测模型；根据所述预测模型对所述历史参考参数进行验证，得到验证结果，根据验证结果进行共线性诊断；根据所述诊断结果得到强关联性参数，剔除所述历史参考参数中的强关联性参数，得到历史目标参数。

其中，根据所述历史参考参数构建白化微分方程，根据所述历史参考参数计算白化参数可以是根据历史参考参数线建立参数序列，参数序列可以参考系列公式：

N

公式中，l为历史参考参数的总种类数，N表示参考序列，n

基于上述参数序列构建白化微分方程可以参考下列公式：

进一步的是，

其中，a～表示白化参数，基于上述历史参考参数带入上述白化微分方程可以进行求解，得到预测模型：

n

其中，k表示预测次数，k+1表示下一次预测结果。

进一步的是，根据所述预测模型对所述历史参考参数进行验证，得到验证结果，根据验证结果进行共线性诊断，可以理解为是基于预测模型对各个历史参考参数进行预测，基于各个预测结果绘制预测结果曲线，基于预测结果曲线进行共线性诊断。

其中，根据所述诊断结果得到强关联性参数，剔除所述历史参考参数中的强关联性参数，得到历史目标参数可以根据诊断结果可以得到历史参考参数中相互强关联的历史参考参数，将相互强关联的历史参考参数中只保留一个具有代表性，或者是关联度最高的历史参考参数，剔除其他强关联的历史参考参数。

步骤S30：根据所述历史目标参数构建基础建筑能耗模型，基于基础建筑能耗模型进行能耗模拟，得到用电能耗系数。

可理解的是，建筑能耗模型可以是根据当前园区建筑以及园区历史目标参数构建的模型，同时为该模型增加目标园区的温度变化，基于园区温度变化进行动态模拟。

应理解的是，基于目标园区的能耗建筑模型可能存在多种不同结构，不能建筑构成，同时不同的结构，不同的建筑在进行能耗模拟的过程中可能存在模拟结果并不相同，基于历史能耗和模拟能耗可以从多个建筑能耗模型中筛选得到更加准确的基础建筑能耗模型。

需说明的是，通过基础建筑能耗模型进行预测，根据预测结果和历史能耗进行计算，从而进一步得到能耗系数。

步骤S40：根据所述用电能耗系数预测园区的固定能耗和可变能耗，根据所述固定能耗和可变能耗得到目标园区的预测能耗。

需说明的是，用电能耗系数包括基础用电能耗系数、变量用电能耗系数以及园区能耗分布因子。

可理解的是，对于园区能耗可以分为固定能耗和可变能耗，其中固定能耗可理解为不因为其他因素发生较大变化的能耗，例如照明能耗、建筑能耗；变量能耗可理解为会因为其他因素发生变化的能耗，例如空调能耗，空调能耗会随温度或者季节发生变化。

本实施例通过对分析影响工业园区能耗的因素，基于关联度最高的因素从基础用电和变量用电对未来能耗预测，根据预测能耗对工业园区能耗进行管控和调节，预测越准确越能够实现精益化管控，从而避免不必要的能源浪费，实现更加环保的能源使用。

参考图3，图3为本发明一种园区能耗预测方法第二实施例的流程示意图。

基于上述第一实施例，本实施例园区能耗预测方法在所述步骤S10，包括：

步骤S11：获取目标园区的历史能耗和多个历史初始参数，所述历史初始参数包括建筑面积、窗户数量、空调数量、人员数量、人居均收入。

可理解的是，多个历史初始参数可以是对园区历史数据进行采集时确定可能影响园区能耗的参数。

应理解的是，历史能耗可以是目标园区在过去每个月的能耗、每年的能耗也可以更具体到是每天、每个小时的能耗，本实施例以每个月和每个小时的能耗为例进行说明。

需说明的是，每个历史能耗存在对应的多个历史初始参数。

步骤S12：根据所述目标园区的历史能耗和多个历史初始参数构建原始序列，对所述原始序列进行无量纲化处理，得到参考序列。

需说明的是，根据所述目标园区的历史能耗和多个历史初始参数构建原始序列可以是历史能耗的原始序列和各个历史能耗对应的历史初始参数的原始序列。

需进一步说明的是，原始序列的构建可参考下列公式：

X(l)＝X(1),X(2)…X(l)

X

其中，l表示l个目标园区的历史能耗；X

值得说明的是，对原始序列进行无量纲化处理可以是归一化、标准化、最小二乘法等，本实施例对此不作限定，可根据实际情况进行调整。

步骤S13：根据预设分辨系数计算所述参考序列中各个历史初始参数与历史能耗之间的关联系数。

可理解的是，预设分辨系数可以是认为根据经验设定的为了便于计算历史能耗的原始序列和各个历史能耗对应的历史初始参数的原始序列之间关系的参数。

需说明的是，根据预设分辨系数计算所述参考序列中各个历史初始参数与历史能耗之间的关联系数可以参考下列公式：

η

+ρmax(i)max(l)|X(l)-X

+ρmax(i)max(l)|X(l)-X

其中，ρ表示预设分辨系数。

步骤S14：根据所述关联系数进行能耗关联度分析，得到历史参考参数。

可理解的是，根据关联系数进行能耗关联度分析可以是根据关联系数计算各个历史初始参数和历史能耗之间的关联度，基于关联度各个历史初始参数进行筛选，得到历史参考参数。

需说明的是，所述根据所述关联系数进行能耗关联度分析，得到历史参考参数，可以是对所述各个历史初始参数与所述历史能耗进行平滑处理，得到平滑处理后的历史初始参数和历史能耗。

其中，可理解的是，平滑处理可以削弱数据序列的波动变化，减少其随机性，调整数据序列的变化态势，从而符合或接近决策的需要，对数据采用平滑的处理后，可以进一步提高模型的拟合精度。

根据所述关联系数、平滑处理后的历史初始参数和历史能耗计算所述各个历史初始参数与历史能耗之间的关联度。

其中，计算所述各个历史初始参数与历史能耗之间的关联度可以参考下列公式：

公式中，γ表示各个历史初始参数与历史能耗之间的关联度。

然后根据所述关联度对所述各个历史初始参数进行排序，选取排序后前预设个数的历史初始参数作为历史参考参数。

本实施例通过灰色关联度算法初步找出了历史能耗与各影响因素间的关系并得到各个历史初始参数与历史能耗之间的关联系数，基于关联系数计算各个历史初始参数与历史能耗的关联度。基于关联度对历史初始参数进行参数筛选有效地判断出对园区能耗影响更加重要的参数，剔除其他因素，减少能耗预测工作量，在后续通过该参数构建预测模型时，能够更准确的模拟园区能耗，得到更准确的能耗预测。

参考图4，图4为本发明一种园区能耗预测方法第二实施例的流程示意图。

基于上述第一实施例，本实施例园区能耗预测方法在所述步骤S30，包括：

步骤S31：获取目标园区的历史气象数据。

可理解的是，目标园区的历史气象数据可以是在历史时间中每天的平均温度、每天最高温度以及每天最低温度。

需说明的是，若需要通过模型动态模拟园区在不同时间的能耗，需要以目标园区的气象数据作为模拟基础，详细气象数据显示可以参考图5。

步骤S32：根据所述历史气象数据和所述历史目标参数构建多个初始模型，通过对各个初始模型进行模拟，得到各个初始模型对应的模拟能耗。

可理解的是，根据所述历史气象数据和所述历史目标参数构建多个初始模型存在多种情况，初始模型中参考的历史气象数据可以包括每天的平均温度、每天最高温度以及每天最低温度，所述历史目标参数可以得到的建筑模型对应有不同的模型结构，不同的建筑构造，从而构成多个初始模型。

应理解的是，不同的模型进行模拟得到的模拟能耗并不相同，基于各个模型通过各个历史能耗对应的历史参考参数进行模拟，得到模拟能耗。

需说明的是，历史参考参数经过模型模拟得到模拟能耗，将模拟能耗和各个历史参考参数对应的历史能耗进行计算可以进一步优化模型或者是对模型进行筛选。

需进一步说明的是，根据多个历史能耗对应的历史参考参数可以对各个模型进行多次能耗模拟。

步骤S33：分别计算各个初始模型对应的模拟能耗与所述历史能耗之间的能耗误差，将最小能耗误差对应的初始模型作为基础建筑能耗模型。

可理解的是，通过各个模型对各个历史能耗对应的参考参数进行模拟可以得到多个模拟能耗，计算各个模拟能耗和历史能耗之间的差值的绝对值，基于该绝对值计算差值均方差。

进一步的，将均能方差最小的模型作为基础建筑能耗模型，从而进行下一步能耗预测。

步骤S34：基于所述基础建筑能耗模型进行能耗模拟，得到用电能耗系数。

可理解的是，根据选定的基础建筑能耗模型，从当月气象数据中以及当月已经消耗的能耗进行能耗预测(能耗模拟)，得到用电能耗系数。

在具体实施中，所述基于所述基础建筑能耗模型进行能耗模拟，得到用电能耗系数，可以是基于所述基础建筑能耗模型进行模拟，得到建筑用电、照明用电、空调用电；根据所述建筑用电和照明用电计算基础用电能耗系数，根据所述空调用电计算变量用电能耗系数；根据所述基础用电能耗系数和所述变量用电能耗系数构建园区能耗分布因子。

其中，模型在进行模拟时可以分别得到建筑用电、照明用电、空调用电，其中建筑用电、照明用电属于较为基础且不会产生太大变化的能耗，进一步可以根据建筑用电、照明用电计算基础用电能耗系数。

进一步，空调用电会根据气象数据(天气、温度)发生较大变化，同时变化也存在一定的干扰因素，可以根据空调用电进行计算，得到变量用电能耗系数。

在具体实施中，基础用电能耗系数、变量用电能耗系数以及园区能耗分布因子的计算公式可以参考下列公式：

B

进一步的，步骤S40：所述根据所述用电能耗系数预测园区的固定能耗和可变能耗，根据所述固定能耗和可变能耗得到目标园区的预测能耗，包括：

获取园区当前能耗，根据园区当前能耗、园区能耗分布因子以及所述基础用电能耗系数进行预测，得到固定能耗；根据所述园区当前能耗、所述园区能耗分布因子以及所述变量用电能耗系数进行预测，得到可变能耗；将所述固定能耗以及所述可变能耗相加得到目标园区的预测能耗。

需说明的是，固定能耗和可变能耗的计算公式可以参考下列公式：

其中，B

可理解的是，将园区能耗分为固定能耗和可变能耗，分别预测固定能耗和可变能耗后，将二者之后作为目标园区的预测能耗。

本实施例通过基础用电能耗系数、变量用电能耗系数以及园区能耗分布因子，结合建筑实际的能耗模型快速准确地预测该类建筑每小时的能耗数据，绘制出能源消耗曲线，为企业监测动态能耗提供依据，指导能源管理，工业建筑节能耗也需要进一步对能耗进行管控和调节，对能源使用进行精益化管控，避免不必要的能源浪费。

此外，本发明实施例还提出一种存储介质，所述存储介质上存储有园区能耗预测程序，所述园区能耗预测程序被处理器执行时实现如上文所述的园区能耗预测方法的步骤。

参照图6，图6为本发明园区能耗预测装置第一实施例的结构框图。

如图6所示，本发明实施例提出的园区能耗预测装置包括：

参数获取模块10，用于获取目标园区的历史能耗和多个历史初始参数，对各个历史初始参数进行能耗关联度分析，得到历史参考参数；

所述参数获取模块10，还用于对所述历史参考参数进行共线性诊断，根据诊断结果剔除所述历史参考参数中的强关联性参数，得到历史目标参数；

能耗预测模块20，用于根据所述历史目标参数构建基础建筑能耗模型，基于基础建筑能耗模型进行能耗模拟，得到用电能耗系数；

所述能耗预测模块20，还用于根据所述用电能耗系数预测园区的固定能耗和可变能耗，根据所述固定能耗和可变能耗得到目标园区的预测能耗。

本实施例通过分析影响工业园区能耗的因素，基于关联度最高的因素从基础用电和变量用电对未来能耗预测，根据预测能耗对工业园区能耗进行管控和调节，预测越准确越能够实现精益化管控，从而避免不必要的能源浪费，实现更加环保的能源使用。

在一实施例中，所述参数获取模块10，还用于获取目标园区的历史能耗和多个历史初始参数，所述历史初始参数包括建筑面积、窗户数量、空调数量、人员数量、人居均收入；

根据所述目标园区的历史能耗和多个历史初始参数构建原始序列，对所述原始序列进行无量纲化处理，得到参考序列；

根据预设分辨系数计算所述参考序列中各个历史初始参数与历史能耗之间的关联系数；

根据所述关联系数进行能耗关联度分析，得到历史参考参数。

在一实施例中，所述参数获取模块10，还用于对所述各个历史初始参数与所述历史能耗进行平滑处理，得到平滑处理后的历史初始参数和历史能耗；

根据所述关联系数、平滑处理后的历史初始参数和历史能耗计算所述各个历史初始参数与历史能耗之间的关联度；

根据所述关联度对所述各个历史初始参数进行排序，选取排序后前预设个数的历史初始参数作为历史参考参数。

在一实施例中，所述参数获取模块10，还用于根据所述历史参考参数构建白化微分方程，根据所述历史参考参数计算白化参数；

根据白化参数对所述白化微分方程求解，得到预测模型；

根据所述预测模型对所述历史参考参数进行验证，得到验证结果，根据验证结果进行共线性诊断；

根据所述诊断结果得到强关联性参数，剔除所述历史参考参数中的强关联性参数，得到历史目标参数。

在一实施例中，所述能耗预测模块20，还用于获取目标园区的历史气象数据；

根据所述历史气象数据和所述历史目标参数构建多个初始模型，通过对各个初始模型进行模拟，得到各个初始模型对应的模拟能耗；

分别计算各个初始模型对应的模拟能耗与所述历史能耗之间的能耗误差，将最小能耗误差对应的初始模型作为基础建筑能耗模型；

基于所述基础建筑能耗模型进行能耗模拟，得到用电能耗系数。

在一实施例中，所述能耗预测模块20，还用于基于所述基础建筑能耗模型进行模拟，得到建筑用电、照明用电、空调用电；

根据所述建筑用电和照明用电计算基础用电能耗系数，根据所述空调用电计算变量用电能耗系数；

根据所述基础用电能耗系数和所述变量用电能耗系数构建园区能耗分布因子。

在一实施例中，所述能耗预测模块20，还用于获取园区当前能耗，根据园区当前能耗、园区能耗分布因子以及所述基础用电能耗系数进行预测，得到固定能耗；

根据所述园区当前能耗、所述园区能耗分布因子以及所述变量用电能耗系数进行预测，得到可变能耗；

将所述固定能耗以及所述可变能耗相加得到目标园区的预测能耗。

应当理解的是，以上仅为举例说明，对本发明的技术方案并不构成任何限定，在具体应用中，本领域的技术人员可以根据需要进行设置，本发明对此不做限制。

需要说明的是，以上所描述的工作流程仅仅是示意性的，并不对本发明的保护范围构成限定，在实际应用中，本领域的技术人员可以根据实际的需要选择其中的部分或者全部来实现本实施例方案的目的，此处不做限制。

此外，需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如只读存储器(Read Only Memory，ROM)/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。

以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。