[发明专利]一种面向企业能源管理系统的混合能耗测算的方法

摘要

一种面向企业能源管理系统的混合能耗测算的方法，该方法通过执行BP神经网络模型训练得到输出模型参数，采用多种类型数据源作为测算因子进行灰色测算(0到多个灰色测算操作)，得到经过灰色测算修正的测算源数据，将其作为BP神经网络算法新的输入条件进行神经网络测算。该方法将灰色测算与BP神经网络测算串联使用，提高了企业自动能耗测算的精度。

主权项

一种面向企业能源管理系统的混合能耗测算的方法，该方法包括如下步骤：步骤1，记录实时能耗数据，根据历史能耗数据标记重点能耗设备和重点用能环节；步骤2，通过循环执行信号的正向传播和误差的反向传播的各层权值不断调整的过程，进行BP神经网络模型训练，如果网络输出误差减少到可接受的程度或进行到预先设定的学习次数，则停止该循环过程；所述BP神经网络模型的输入参数为：动量系数、输入层到隐含层学习率、隐含层到输出层学习率、最大迭代精度、最大迭代次数、隐含层神经元个数、输入输出神经元的上下限值；所述BP神经网络模型的输出参数为：输出神经元的测算值、测算值误差；其中，BP神经网络模型训练具体包括：(1)启动模型训练导向，选择产品产量、能源消耗量、原材料使用量、是否使用灰色算法等数据源类型以及数据采样的时间段；(2)选择数据过滤方式，过滤历史数据中的个性事件，所述个性事件为大量的历史数据中存在的错数据、坏数据或不典型数据；(3)设置隐层神经元个数、收敛精度、最大迭代次数、输入输出限值等神经网络参数，过滤历史数据；(4)执行神经网络训练算法生成训练模型；(5)使用模型参数和数据源执行BP神经网络测算算法对训练模型进行校验；(6)如果用户对得到的训练指标不满意则重新开始训练过程，如果训练指标可以接受则进一步判断是否执行修正过程；(7)若无需修正，结束训练向导；(8)若需修正，设置修正参数，结束训练向导；步骤3，在数据库中保存模型参数，将其作为测算算法的输入数据；保存的所述模型参数为训练模型，其包括：输出层与隐含层的连接矩阵、隐含层与输入层的连接矩阵、隐含层神经元阀值、输出层神经元阀值、输出层与隐含层的连接矩阵增量、隐含层与输入层的连接矩阵增量、隐含层神经元阀值增量、输出层神经元阀值增量、动量系数、输入层到隐含层学习率、隐含层到输出层学习率；步骤4，采用多种类型数据源作为测算因子，对该多种测算因子进行轮询以对不同类型的数据源做出判断来决定是否需要对其进行灰色测算修正；如果需要，则执行步骤5，否则执行步骤7；步骤5，利用灰色测算GM(1，1)模型建模：Y＝uB，其中，Y=x(0)(2)x(0)(3)...x(0)(n),u=ab,B=-z(1)(2)1-z(1)(3)1......-z(1)(n)1,]]>式中，x(0)(k)称为灰导数，α称为发展系数，z(1)(k)称为白化背景值，b称为灰作用量；x(0)＝(x(0)(1)，x(0)(2)，…，x(0)(n))为原始数列，其1次累加生成数列为x(1)＝(x(1)(1)，x(1)(2)，…，x(1)(n))，x(1)(k)=Σi=1kx(0)(i),k=1,2,...,n,]]>令z(1)＝(x(1)(2)，x(1)(3)，…，x(1)(n))为数列x(1)的邻值生成数列，即：z(1)(k)＝αx(1)(k)+(1‑α)x(1)(k‑1)；得到x(0)(k)+az(1)(k)＝b，使用最小二乘法计算得到a，b的值，u^=a^b^=(BTB)-1BTY.,]]>对求解得到的累加序列测算值进行累减还原处理，得到实际测算值即灰色测算的指标；步骤6，保存经过灰色测算算法修正的数据源指标，作为BP神经网络的输入；步骤7，检查是否所有的输入数据源均已轮询完毕，若为否，则转为执行步骤4，若均已轮询完毕，继续执行下面的步骤；步骤8，将经过灰色测算修正后得到的测算源数据作为BP神经网络算法新的输入条件，进行神经网络测算；步骤9，根据训练模型确定的条件确定是否进行BP神经网络纠正。