一种联合BIM与CIM的城市能耗预测方法

技术领域

本发明涉及能耗预测领域，尤其涉及一种联合BIM与CIM的城市能耗预测方法。

背景技术

能源种类越来越丰富，主要包括风电、天然气、水电等，经济的快速发展建立在对能源快速损耗上。尤其是高能耗行业的迅速衍生导致国家现有能源消耗激增，并且利用率低下，能源供应系统在多个层面均出现了不同层度的能源需求增长问题。能源作为城市运行的关键，随着城市规模的不断扩大，能源传输、消耗、供应成为影响城市环境的主要因素。因此，能耗分析成为智慧城市实现的重点研究内容。

传统的能源预测方法有指数平滑法、部门分析法、回归分析法等，回归分析法、指数平滑法分别具有内插能力和外推能力，因此前者被应用于平稳随机变化序列，后者使用于随时间增长的能耗变化序列。除此之外，情景分析法和周期图法、最小二乘法也被应用于能源需求的预测，选择最小二乘法分两步建模应用于具有确定趋势非平稳时间序列，对模型预测精度以及稳定度进行评估，最后对能源需求进行预测。目前，传统的预测方法仍在能源预测中占据重要地位。但是由于能源系统具有不确定性和复杂线性的特点，后期的科研人员开始对能源系统的模糊性、自组织性的进行了研究，以此引进数据挖掘、人工智能等领域。人工神经网络方法、小波分析方法、模糊预测方法、灰色预测方法在能源损耗预测中发挥着重要作用。

遗传算法能源需求模型的预测精度较高，和资源规划中心预测结果相比预测误差较小，该算法的通用性容易受到参数选取、编码方式的影响。人工神经网络具有同时预测多个变量预测值与训练值之间的非线性关系的特点，利用人工神经网络能够实现对城市电力损耗量进行预测。灰色预测方法的精度提高对单位运行成本的节约起到重要作用。建筑信息模型(Building Information Modeling，BIM)是一个完美的多维信息空间模型，是良好的建筑信息载体，能够整合各种建筑材料、系统的各种信息，实现集中管理，保证信息的完整性、准确性和可控性。城市信息模型(City Information Modeling，CIM)在城市规划、土地资源管理方面承担着越来越重要的角色，能够加载各类城市业务数据资源，开展系统化模拟仿真，实现对城市进行数字化描述管理。

综上所述，联合BIM与CIM，运用大数据、人工智能等新技术，对城市能源消耗进行预测能够实现对城市能源的合理规划，真正实现城市的智慧管理，公共资源智能化分配。

发明内容

本发明旨在至少解决现有技术中存在的技术问题，特别创新地提出了一种联合BIM与CIM的城市能耗预测方法。

为了实现本发明的上述目的，本发明提供了一种联合BIM与CIM的城市能耗预测方法，包括以下步骤：

S1，根据BIM模型获取所需预测建筑能耗检测的静态历史数据，根据CIM模型获取影响建筑能耗因素的特征值；

S2，将获取到的数据进行时序性处理和归一化预处理得到数据集，并将获得的数据集划分为训练集和测试集；

S3，将训练集中经权重排序后的时间序列的特征值作为BP神经网络模型的输入，将预测的能耗作为模型的输出，并通过梯度下降算法对模型参数进行优化；

S4，使用测试集的数据对BP神经网络模型模型的性能进行评估。

进一步地，所述S1的建筑能耗检测的静态历史数据提取方法，包括：将BIM模型用相应的BIM软件导出为IFC格式文件，然后应用建筑能耗检测静态数据提取方法，对导出的IFC文件进行静态数据的提取；

所述S1的影响建筑能耗因素的特征值，包括：电器能耗、动力能耗、天气特征值、人员密度和相关时间的特征值之一或者任意组合。

进一步地，所述S2的时序性处理包括：

建立时序模型，并对获取的静态能耗值和影响因素特征值进行差分运算，使其变成平稳的时间序列D，采用自回归移动平均模型对其进行时序性建模，然后对平稳时间序列{D

Z＝φ×Q，

其中，Z为平稳时序D在某一时刻的值，平稳时序D＝{D

进一步地，所述S2的归一化预处理包括：

将平稳的时间序列抽象为Q个样本

其中，

max

min

x

进一步地，所述S3的BP神经网络包括：

输入层、隐藏层、输出层，

其中，X＝(x

V＝(v

W＝(w

Y

Y

隐藏层和输出层的结果如下：

其中，y

y

v

w

x

m是输入层节点个数，

n是隐藏层节点个数，

l是输出层节点个数，

所述f(·)采用的激励函数是sigmoid函数，函数表达式如下：

进一步地，所述S3包括：

根据期望值和输出层的实际输出计算出的误差值为：

其中，

Y

l是输出层节点个数，

k表示输出层第k个神经元，

(·)

将其反向传播到隐藏层得到：

其中，l是输出层节点个数，

k表示输出层第k个神经元，

n是隐藏层节点个数，

l是输出层节点个数，

(·)

f(·)为sigmoid函数；

将

其中，l是输出层节点个数，

k表示输出层第k个神经元，

n是隐藏层节点个数，

m是输入层节点个数，

x

v

(·)

f(·)为sigmoid函数；

通过调整权值v

V(t+1)＝V(t)+ΔV，

W(t+1)＝W(t)+ΔW，

其中，V(t+1)表示t+1时刻输入层到隐藏层之间的权值向量，

V(t)表示t时刻输入层到隐藏层之间的权值向量，

ΔV表示输入层到隐藏层的权值调整值，

W(t+1)表示t+1时刻输入层到隐藏层之间的权值向量，

W(t)表示t时刻输入层到隐藏层之间的权值向量，

ΔW表示隐藏层到输出层的权值调整值。

进一步地，所述S3还包括：

根据动量梯度下降算法，

其中，

η

E表示误差值，

τ

N表示迭代周期总次数，

m是输入层节点个数，

n是隐藏层节点个数，

l是输出层节点个数，

k表示输出层第k个神经元；

令

其中，

N表示迭代周期总次数，

m是输入层节点个数，

n是隐藏层节点个数，

l是输出层节点个数，

k表示输出层第k个神经元；

则

即

其中，

η

E表示误差值，

期望误差ξ通过总体目标函数求解得到误差值：

其中，T表示训练次数，

Y(i)表示经过归一化后输出层的输出矩阵第i个数值，

Y(i+1)表示经过归一化后输出层的输出矩阵第i+1个数值，

ξ为期望误差，

E为误差值，

α是全局学习率，

l是输出层节点个数，

ε是一个很小的正数；

如果E＜ξ或达到训练次数T则停止训练，得到网络的输出矩阵即输出层的输出向量Y

其中，|·|表示取绝对值，

Y(i)表示经过归一化后输出层的输出矩阵第i个数值，

S表示训练数据总的输出个数。

进一步地，所述S4包括：

S4-1，将测试集的数据输入到训练好的网络模型中进行训练，得出训练结果并计算出均方根误差值；

S4-2，如果输出结果与该建筑物能耗对应的判定边界之间的误差大于所述误差精度，则需重新进行数据预处理以及新模型的训练；

S4-3，如果输出结果与该建筑物能耗对应的判定边界之间的误差小于所述误差精度，则说明该模型的泛化能力满足需求，能够精准进行城市能耗预测。

综上所述，由于采用了上述技术方案，本发明能够基于历史建筑能耗数据和影响因素与时间的相关性建立时间序列模型，然后基于BP算法建立能耗预测模型，进而以两者处理后得到的时间序列作为BP模型的输入获取建筑能耗预测功率，该模型有效减少由于各影响因素与建筑能耗之间的非线性关系带来的预测误差，适于建筑能耗的短期预测，本发明提高了预测精度和数据处理的实时性。

本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：

图1是本发明能耗预测的总体流程图；

图2是本发明BP神经网络模型图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。

在本申请中，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、物品或者设备不仅包括那些要素，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、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

为了更好的建设智慧城市，节约能源，避免能源浪费问题对环境造成污染，本申请提供一种联合BIM与CIM的城市能耗预测方法，准确对城市的能源消耗进行预测，能及时调整能源分析策略，提出节约能源的方法。

为了解决能源数据提取困难以及不完整的问题，本申请利用BIM能整合各种建筑数据并集中管理的特点，对能源初始数据进行提取。传统能源预测方法不能很好的解决不确定性和复杂的线性问题，因此本申请采用BP神经网络来建立能耗分析与预测模型。

参考附图1，示出了发明实施例中联合BIM与CIM的进行城市能耗预测的流程图，包括以下步骤：

步骤S101，开始。

步骤S102，根据BIM模型，用相应的BIM软件导出为建筑工程数据交换标准(Industry Foundation Classes，IFC)格式文件，然后应用建筑能耗检测静态数据提取方法，对导出的IFC文件进行静态数据。根据CIM模型进行影响建筑能耗因素的特征值的提取，其中影响建筑能耗因素包括：电器能耗、动力能耗、天气特征值、人员密度和相关时间的特征值。

步骤S103，对静态能耗数据和影响能耗因素的特征值进行时序性处理。首先建立时序模型，并对所述获取的静态能耗值和影响因素特征值进行时间序列处理，按时间轴的顺序对上述数据进行权重分配处理得到平稳的时间序列。

步骤S104，将时间序列抽象为Q个样本

并将获得的数据集划分为训练集和测试集。

步骤S105，将训练集中的经权重排序后的时间序列的特征值，即X＝(x

其中，BP神经网络模型参加附图2，V＝(v

步骤S106，根据期望值和输出层的实际输出计算出的误差值为：

将其反向传播到隐藏层得到：

将

步骤S107，定义一个期望误差ξ和训练次数T，判断是否|E|＜ξ或达到训练次数T，若是则停止训练，得到网络的输出矩阵Y

若否，则执行步骤S108。

步骤S108，通过调整权值v

V(t+1)＝V(t)+ΔV，

W(t+1)＝W(t)+ΔW，

根据动量梯度下降算法，

其中，

重复以上步骤，将输出层得到的误差进行反向传播。

步骤S109，当误差值小于期望误差或者达到训练次数，模型训练结束，准备输出预测的结果。

步骤S110，将测试集的数据输入到训练好的网络模型中进行训练，得出训练结果并计算出均方根误差值，以此来判断该模型的预测精度。

步骤S111，如果输出结果与该建筑物能耗对应的判定边界之间的误差大于所述误差精度，重新分配数据集进行模型的训练，跳转至步骤S104。如果输出结果与该建筑物能耗对应的判定边界之间的误差小于所述误差精度，得到城市能耗的精准预测结果，执行步骤S112。

步骤S112，结束。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。