[發明專利]一種建筑運行能耗預測方法

在審

• 申請號: 202010162519.5
• 申請日: 2020-03-10
• 公開（公告）號: CN111340305A
• 公開（公告）日: 2020-06-26
• 發明（設計）人: 于軍琪;段佳音;趙安軍;井文強;李若琳;高嬌嬌;焦森;劉奇特;田穎
• 申請（專利權）人: 西安建筑科技大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/08;G06N3/04;G06N3/08;G06N20/10
• 代理公司: 西安通大專利代理有限責任公司 61200
• 代理人: 高博

本發明公開了一種建筑運行能耗預測方法，對辦公建筑的運行能耗數據進行預處理并進行特征分析，統一量綱為千克標準煤的形式，得到辦公建筑運行能耗的時間序列；利用C?C相關估計法對辦公建筑運行能耗的時間序列進行相空間重構；利用最大lyapunov指數判斷重構后的辦公建筑運行能耗時間序列是否具備混沌特性；利用Chaos?SVR神經網絡對具備混沌特性的辦公建筑運行能耗時間序列進行短期能耗預測；利用均值?方差法劃分預測結果的誤差區間，構建Markov概率轉移矩陣；對Markov概率轉移矩陣進行Markov鏈誤差修正，根據預測值對辦公建筑的運行能耗進行預測。本發明顯著提高辦公建筑運行能耗預測精度，為辦公建筑的優化運營與節能管理提供決策依據。

技術領域

本發明屬于建筑運行能耗預測技術領域，具體涉及一種建筑運行能耗預測方法。

背景技術

辦公建筑在全生命周期中能耗大、能效低等問題普遍存在，導致嚴重的能源浪費。其節能潛力巨大，降耗幅度可以達到30％～50％。其中，辦公建筑運行能耗占比最大。因此，研究辦公建筑的運行能耗情況具有重要意義，對其進行實時準確的預測可以為優化運行效率提供數據決策，從而實現節能目標。

建筑能耗的預測方法主要分為兩大類：1.正演模型；2.數據驅動模型。機器學習預測方法是最常用的短期能耗預測方法，已經廣泛應用于風速預測、電力需求預測、建筑能耗預測、建筑冷負荷預測等能源領域。

目前國內外建筑能耗時間序列預測方法應用較為廣泛的有：人工神經網絡(Artificial neural network，ANN)、差分整合移動平均自回歸(AutoregressiveIntegrated Moving Average，ARIMA)、支持向量回歸(Support Vector Regression，SVR)、多元線性回歸(Multiple linear regression，MLR)等。除了室外氣象參數和圍護結構等辦公建筑本體能耗外，還有機電設備、節假日、人員占用率等運行能耗造成其能耗時間序列具有非線性特征。為了深入挖掘其時間序列內部的非線性規律，提高預測精度，研究者們將不同的算法與人工神經網絡和支持向量機結合，建立了多種辦公建筑混合預測模型。有根據天氣、人員等多種因素利用MLR方法對辦公建筑的逐日冷負荷進行了回歸預測，與實際負荷相比平均絕對百分誤差小于8％。有利用反饋神經網絡(Back Propagation NeuralNetwork，BPNN)，徑向基函數神經網絡(Radial Basis Function Neural Network，RBFNN)，廣義回歸神經網絡(Generalized Regression Neural Network，GRNN)，支持向量機(Support Vector Machine，SVM)方法分別對辦公建筑的逐時能耗進行分析，取得了較好的預測效果，模型已應用于中國廣州某辦公樓。有建立了小波-支持向量機(Wavelet-SVM)，小波-偏最小二乘-支持向量機(Wavelet-Partial Least Squares-Support VectorMachine，Wavelet-PLS-SVM)模型對辦公建筑的逐時能耗進行了分析，最終得出提前1h，2h，3h和24h的預測結果。在其它應用領域將平均速度、平均占有率和平均交通流時間序列利用貝葉斯理論集成到一個時間序列中，將混沌理論和SVR相結合用于交通流的時間序列預測，達到了較高的預測精度。上述研究都是基于多變量輸入的，相較于單變量時間序列需要考慮的因素復雜，有使用歷史時刻的辦公建筑冷負荷根據貝葉斯理論映射到同一時間維度作為機器學習預測模型的單變量輸入，利用Chaos-SVR和WD-SVR(Wavelet Decomposition-Support Vector Regression)分別對建筑冷負荷時間序列進行預測，結果表明，選擇恰當的預測模型不僅可以避免單變量輸入的局限性，而且會取得較好的預測效果，但由于組合模型在迭代過程中存在誤差累積的問題，導致不能很好滿足實際優化運營的需求。

發明內容

本發明所要解決的技術問題在于針對上述現有技術中的不足，提供一種建筑運行能耗預測方法，根據獲得的辦公建筑歷史能耗數據特點，利用數據驅動模型中的時間序列法進行能耗短期預測。