[發明專利]基于數據驅動的混合建筑電耗預測方法及系統

在審

• 申請號: 202010935278.3
• 申請日: 2020-09-08
• 公開（公告）號: CN112257894A
• 公開（公告）日: 2021-01-22
• 發明（設計）人: 陳園園;段培永
• 申請（專利權）人: 山東師范大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06F30/27;G06K9/62;G06Q50/06;G06Q50/08;G06N3/04
• 代理公司: 濟南圣達知識產權代理有限公司 37221
• 代理人: 黃海麗

1.基于數據驅動的混合建筑電耗預測方法，其特征是，包括：

獲取混合建筑電耗數據；

對建筑電耗數據進行預處理；

對預處理后的建筑電耗數據進行聚類處理，得到若干類能耗數據；

對聚類處理后的每一類能耗數據中每個小時能耗數據進行模態分解，基于模態分解結果，實現混合建筑電耗預測。

2.如權利要求1所述的方法，其特征是，獲取混合建筑電耗數據；其中混合建筑電耗數據，包括：

建筑物的電能耗數據和影響建筑物電能耗數據的相關因素數據；

所述影響建筑物電能耗數據的相關因素數據，包括：溫度和濕度。

3.如權利要求1所述的方法，其特征是，對建筑電耗數據進行預處理；具體步驟包括：

對建筑電耗數據進行空值處理；

對建筑電耗數據進行連續重復值處理；

對建筑電耗數據進行離散異常值處理。

4.如權利要求3所述的方法，其特征是，對建筑電耗數據進行空值處理；具體步驟包括：

對空值進行識別；

對空值進行分析，是否是在設定時間范圍內連續出現；

如連續出現，則進行舍棄；

如果離散出現，則代表對于后續的預測不會產生較大影響，使用KNN算法進行填補。

5.如權利要求3所述的方法，其特征是，對建筑電耗數據進行連續重復值處理；具體步驟包括：

對連續重復值進行識別；如果重復值小于等于三個，認為是正常值；如果重復值大于三個，則認為是連續重復值；

將連續重復值的第一個數值保留，將連續重復值中的非第一個數值予以剔除。

6.如權利要求3所述的方法，其特征是，對建筑電耗數據進行離散異常值處理；具體步驟包括：

使用k-means算法對離散異常值進行識別；

不斷的繼續聚類，將每次聚類識別的離散異常值予以刪除處理；直至沒有異常值的出現；

使用KNN算法對刪除的數據進行補足；

或者，

KNN算法輸入為連續若干天相同時刻的能耗值及其影響因素，KNN算法的k值通過對預測結果的準確率比較獲得；不同的k值對應填補后的數據不同，通過使用不同的k值填補，選取預測方法進行預測，計算MSE，比較獲得最佳的k值；

或者，

對預處理后的建筑電耗數據進行聚類處理，得到若干類能耗數據；具體步驟包括：

計算每個聚類中樣本點與樣本中心的距離，取平方值相加，之后將每個聚類相加，得到SSE；

隨著n值增大，SSE呈下降的趨勢，并逐漸趨于平穩；結果呈現肘部的趨勢，取拐角處的n值。

7.如權利要求1所述的方法，其特征是，對聚類處理后的每一類能耗數據中每個小時能耗數據進行模態分解，基于模態分解結果，實現混合建筑電耗預測；具體步驟包括：

對聚類處理后的每一類能耗數據中每個小時能耗數據進行模態分解，得到每個小時能耗數據對應的若干個本征模函數分量IMF和一個殘差項RES；

對一個小時下能耗數據的每個本征模函數分量IMF，選擇對應的第一最佳預測算法；利用所選擇的第一最佳預測算法，輸出每個本征模函數分量IMF的最佳預測值；

對每個小時能耗數據的殘差項，選擇對應的第二最佳預測算法；利用所選擇的第二最佳預測算法，輸出所述殘差項的最佳預測值；

對每個小時下的所有本征模函數分量IMF的最佳預測值與殘差項的最佳預測值，進行求和；得到每個小時下的建筑電耗預測值；進而得到當前類能耗數據中，全天所有小時的建筑能耗預測值；進而得到所有類能耗數據中的建筑能耗預測值。

8.基于數據驅動的混合建筑電耗預測系統，其特征是，包括：

獲取模塊，其被配置為：獲取混合建筑電耗數據；

預處理模塊，其被配置為：對建筑電耗數據進行預處理；

聚類模塊，其被配置為：對預處理后的建筑電耗數據進行聚類處理，得到若干類能耗數據；

預測模塊，其被配置為：對聚類處理后的每一類能耗數據中每個小時能耗數據進行模態分解，基于模態分解結果，實現混合建筑電耗預測。