一種建筑物周邊氣溫預(yù)測方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及氣溫預(yù)測領(lǐng)域，特別涉及一種建筑物周邊氣溫預(yù)測方法。
【背景技術(shù)】
[0002] 現(xiàn)有的氣溫預(yù)測系統(tǒng)（或模型）中，一般研究對象是針對某一片大區(qū)域（如城 市），基于對該區(qū)域歷史統(tǒng)計數(shù)據(jù)得出一個統(tǒng)計模型，再利用某些算法進(jìn)行修正。較常采用 的是連續(xù)算法或者離散算法，如人工神經(jīng)網(wǎng)絡(luò)模型、指數(shù)平滑模型等，或由連續(xù)算法和離散 算法相結(jié)合衍生出新型神經(jīng)網(wǎng)絡(luò)算法模型。
[0003] 具體地，傳統(tǒng)氣溫預(yù)測模型主要存在以下缺點：
[0004] -、主要針對的是大片區(qū)域，體現(xiàn)的是一個相對宏觀的區(qū)域溫度值，一般無法精確 到某一建筑物，其對于具體到該建筑物內(nèi)的相關(guān)內(nèi)容，如空調(diào)溫度設(shè)定、能耗情況分析等， 是沒有任何指導(dǎo)意義的。現(xiàn)實中的氣溫數(shù)據(jù)都是非平穩(wěn)的，其變化受許多相關(guān)參數(shù)的影響， 如濕度、照度、風(fēng)速、風(fēng)向等等，有些起著長期的、決定性的作用，使氣溫的變化呈現(xiàn)某種趨 勢和一定的規(guī)律性；有些則起著短期的、非決定性的作用，使氣溫的變化呈現(xiàn)出某種不規(guī) 則性。這些因素與實際氣溫的相關(guān)性是不一樣的。
[0005] 二、不能有效地給出這些因素與實際氣溫相關(guān)性的解決方案，導(dǎo)致氣溫預(yù)測結(jié)果 出現(xiàn)較大偏差。
[0006] 三、沒有考慮地形、地貌等對氣溫可能造成的影響。比如，處在山坡下和處于河流 邊的建筑物的氣溫變化情況肯定不同。比如，建筑物處于北部則會比處于南部的建筑物，會 更早受到寒流的影響。這些因素，對建筑物室外的氣溫預(yù)測勢必造成極大的影響，若預(yù)測模 型對此不進(jìn)行考慮，則預(yù)測結(jié)果會產(chǎn)生較大誤差。
[0007] 四、由于算法復(fù)雜，系統(tǒng)運行效率低下，很難做到實時、連續(xù)地對溫度進(jìn)行預(yù)測。

【發(fā)明內(nèi)容】

[0008] 本發(fā)明的目的在于克服現(xiàn)有技術(shù)的缺點與不足，提供一種建筑物周邊氣溫預(yù)測方 法，通過建立建筑物室外氣溫預(yù)測模型，對未來一定時間內(nèi)的建筑物室外氣溫進(jìn)行預(yù)測。
[0009] 本發(fā)明的目的通過以下的技術(shù)方案實現(xiàn)：
[0010] 一種建筑物周邊氣溫預(yù)測方法，包含以下順序的步驟：
[0011] 將每日的室外氣溫和城市氣溫的數(shù)值分別記錄為一維時間序列，得到準(zhǔn)備訓(xùn)練序 列；
[0012] 計算預(yù)測系數(shù)；
[0013] 進(jìn)行局部線性預(yù)測；
[0014] 進(jìn)行連續(xù)性預(yù)測。
[0015] 所述建筑物周邊氣溫預(yù)測方法，具體包含以下順序的步驟：
[0016] SI.準(zhǔn)備訓(xùn)練序列：
[0017] 將每日的室外氣溫和城市氣溫的數(shù)值分別記錄為一維時間序列：
[0018] x(l)，x(2)，x(3)，......，
[0019] x，（l)，x，（2)，x，（3)，......
[0020] 設(shè)待預(yù)測的值（即期望響應(yīng)）為x(n+l)，局部線性預(yù)測器的階數(shù)為K，則對x(n+l) 的預(yù)測可表示為：
[0021] i(/? + 1) = [λ.'(/? + …人'十 1)]-[(、,(^，..,,(：'人 I
[0022] 其中 X = [X'（n+1), x(n), x(n-l), · · · , x(n-K+l)]T為樣本向量，c = [Cl，c2, . . .，cK]T為系數(shù)向量，稱+1)為預(yù)測值；根據(jù)線性估計的最小均方誤差準(zhǔn)則，c應(yīng)滿 足尤利沃克方程：
[0023] Re = d
[0024] 其中，R = E(XXt)為樣本向量的局部自相關(guān)矩陣（注意不是全局自相關(guān)），d = Ε(χ·χ(η+1))為輸入向量與期望響應(yīng)的局部互相關(guān)向量（注意不是全局互相關(guān)）；Ε(·)表 示取隨機(jī)變量期望的操作；為了得到系數(shù)向量，需要使用一定長度的訓(xùn)練序列來估計自相 關(guān)矩陣和互相關(guān)向量；設(shè)訓(xùn)練序列的長度為Μ，意味著兩組訓(xùn)練數(shù)據(jù)為：
[0025] X (η)，X (η_1)，· · ·，X (η-Μ+1)，
[0026] χ'（η)，χ'（η_1)，· · ·，χ'（η-Μ+1);
[0027] S2.計算預(yù)測系數(shù)：
[0028] 通過SI中兩組長為M的訓(xùn)練序列，可以構(gòu)造 Μ-Κ+1個預(yù)測方程；即可以將訓(xùn)練序 列分成Μ-Κ+1組，其中第i組的樣本向量為=Xi= [X'⑴，x(i-l),. . .，x(i-K+l)] τ，期望響 應(yīng)為：x(i)，構(gòu)造的預(yù)測方程為：到〇 =晃\ η-Μ+Κ彡i彡η ;則自相關(guān)矩陣和互相關(guān)向量可 以按下式進(jìn)行估計：
[0031] 其中，X=IX為為各個樣本向量按列合成的矩陣；然后，即可計算 系數(shù)向量：
[0032] c = R M
[0033] S3.進(jìn)行線性預(yù)測：
[0034] 由估計出的系數(shù)向量，即可對次日室外氣溫進(jìn)行預(yù)測；
[0035] 又-(."十 1) = [τ'(《 十 1),λ-(")，λ-("-1)，…，…^
[0036] 其中，對《+1)為待預(yù)測的次日室外最高氣溫，X'（n+1)為次日城市最高氣溫，它可 以從氣象部門的天氣預(yù)報中獲知；
[0037] S4.連續(xù)性預(yù)測：
[0038] 當(dāng)時間向前推移一天（或一段時間段）后，訓(xùn)練序列和樣本向量會隨之更新，從而 估計出新的預(yù)測系數(shù)，進(jìn)行后面一天（或一段時間段）的室外氣溫預(yù)測。
[0039] 可見，預(yù)測模型是自適應(yīng)的、動態(tài)、可持續(xù)的。
[0040] 本發(fā)明與現(xiàn)有技術(shù)相比，具有如下優(yōu)點和有益效果：
[0041] (1)提出針對建筑物室外的氣溫預(yù)測算法：本發(fā)明提出一種基于MA模型的局部線 性氣溫預(yù)測方法，建立建筑物室外氣溫預(yù)測模型，對未來一定時間內(nèi)的建筑物室外氣溫進(jìn) 行預(yù)測。
[0042] (2)根據(jù)建筑物室外的氣溫預(yù)測值，實現(xiàn)對室內(nèi)設(shè)備的控制：對建筑物室外氣溫 進(jìn)行預(yù)測后，將預(yù)測結(jié)果應(yīng)用于建筑智慧能源管理系統(tǒng)，用于對建筑內(nèi)環(huán)境參數(shù)的預(yù)先設(shè) 定，進(jìn)而實現(xiàn)對制冷（熱）和通風(fēng)設(shè)備的智能控制。
[0043] (3)提高氣溫預(yù)測模型的預(yù)測精度：該建筑物室外氣溫預(yù)測模型，主要為將建筑 物室外氣溫和建筑物所在城市氣溫的歷史數(shù)據(jù)、氣象部門提供的未來城市氣溫的預(yù)測數(shù)據(jù) 都納入預(yù)測模型之中，相對于單一數(shù)據(jù)源的預(yù)測方法，本方法可以顯著提高預(yù)測精度。
[0044] (4)提高氣溫預(yù)測系統(tǒng)的運行效率：該建筑物室外氣溫預(yù)測模型，采用局部線型 預(yù)測方法，線性預(yù)測器的階數(shù)較低，以及訓(xùn)練序列的長度是固定的較短時間長度。通過算法 的遞歸方式，使預(yù)測模型是自適應(yīng)的、動態(tài)、可持續(xù)的。相對與傳統(tǒng)預(yù)測方法，本方法可顯著 提尚系統(tǒng)運彳丁效率。
【附圖說明】
[0045] 圖1為本發(fā)明所述的一種建筑物周邊氣溫預(yù)測方法的流程圖。
[0046] 圖2為圖1所述預(yù)測方法的預(yù)測氣溫與真實氣溫對比圖。
[0047] 圖3為圖1所述預(yù)測方法的預(yù)測氣溫與真實氣溫的誤差分析圖。
【具體實施方式】
[0048] 下面結(jié)合實施例及附圖對本發(fā)明作進(jìn)一步詳細(xì)的描述，但本發(fā)明的實施方式不限 于此。
[0049] 如圖1所示，建筑物周邊氣溫預(yù)測方法，具體包含以下順序的步驟：
[0050]