[發(fā)明專利]一種商業(yè)建筑冷負(fù)荷預(yù)測方法、系統(tǒng)、設(shè)備及介質(zhì)

在審

• 申請?zhí)枺?/td>: 202211064210.8
• 申請日: 2022-08-31
• 公開（公告）號(hào): CN115409266A
• 公開（公告）日: 2022-11-29
• 發(fā)明（設(shè)計(jì)）人: 于軍琪;田喆;趙安軍;高之坤;薛志璐
• 申請（專利權(quán)）人: 西安建筑科技大學(xué)
• 主分類號(hào): G06Q10/04
• 分類號(hào): G06Q10/04;G06N3/00;G06Q50/06
• 代理公司: 西安通大專利代理有限責(zé)任公司 61200
• 代理人: 陳翠蘭

本發(fā)明公開了一種商業(yè)建筑冷負(fù)荷預(yù)測方法、系統(tǒng)、設(shè)備及介質(zhì)，方法包括：利用隨機(jī)森林算法，對商業(yè)建筑冷負(fù)荷影響因素?cái)?shù)據(jù)集進(jìn)行篩選，確定商業(yè)建筑冷負(fù)荷的主要影響因素?cái)?shù)據(jù)；將商業(yè)建筑冷負(fù)荷的主要影響因素?cái)?shù)據(jù)，作為預(yù)構(gòu)建的商業(yè)建筑冷負(fù)荷預(yù)測模型的輸入，輸出得到商業(yè)建筑冷負(fù)荷預(yù)測結(jié)果；其中，預(yù)構(gòu)建的商業(yè)建筑冷負(fù)荷預(yù)測模型為經(jīng)過改進(jìn)的并行鯨魚優(yōu)化算法優(yōu)化的極限學(xué)習(xí)機(jī)模型；改進(jìn)的并行鯨魚優(yōu)化算法為在并行鯨魚優(yōu)化算法中引入混沌序列機(jī)制、移民算子和自適應(yīng)收斂因子；本發(fā)明確保預(yù)測模型的輸入變量和輸出之間具有較高的相關(guān)性，且冗余度低；滿足對大型商業(yè)建筑冷負(fù)荷的快速預(yù)測，具有較強(qiáng)的泛化能力，預(yù)測結(jié)果精度較高。

技術(shù)領(lǐng)域

本發(fā)明屬于空調(diào)系統(tǒng)冷負(fù)荷預(yù)測技術(shù)領(lǐng)域，特別涉及一種商業(yè)建筑冷負(fù)荷預(yù)測方法、系統(tǒng)、設(shè)備及介質(zhì)。

背景技術(shù)

中央空調(diào)系統(tǒng)作為大型建筑運(yùn)行的主要耗能設(shè)備，約占建筑總能耗的40％左右，其意味著空調(diào)系統(tǒng)的節(jié)能對建筑的能效起著重要作用；而快速準(zhǔn)確的冷負(fù)荷預(yù)測是提高空調(diào)運(yùn)行能效、降低城市高峰用電的關(guān)鍵，也為許多能源管理任務(wù)奠定了必要基礎(chǔ)；其中，所述能源管理任務(wù)包括：故障檢測和診斷策略、需求側(cè)管理和最優(yōu)控制。

針對大型商業(yè)建筑，其與其他常規(guī)建筑類型不同，大型商業(yè)建筑受到人員流動(dòng)、節(jié)假日及室外天氣等諸多因素的影響，使其冷負(fù)荷呈現(xiàn)動(dòng)態(tài)、不確定等非線性特征，準(zhǔn)確和快速預(yù)測的難度比較大；目前，神經(jīng)網(wǎng)絡(luò)預(yù)測模型能夠有效的應(yīng)用于建筑負(fù)荷預(yù)測；但其主要強(qiáng)調(diào)建筑物室外氣象參數(shù)對空調(diào)負(fù)荷的影響，缺乏建筑本體特征、人員流動(dòng)、用電設(shè)備散熱以及歷史負(fù)荷等對建筑冷負(fù)荷的綜合影響性分析，導(dǎo)致預(yù)測模型輸入變量與輸出之間相關(guān)性差、冗余度高，無法很好的適用于大型商業(yè)建筑冷負(fù)荷預(yù)測。

發(fā)明內(nèi)容

針對現(xiàn)有技術(shù)中存在的技術(shù)問題，本發(fā)明提供了一種商業(yè)建筑冷負(fù)荷預(yù)測方法、系統(tǒng)、設(shè)備及介質(zhì)，以解決現(xiàn)有的建筑冷負(fù)荷預(yù)測中缺乏對建筑冷負(fù)荷的綜合影響性分析，導(dǎo)致預(yù)測模型輸入變量與輸出之間相關(guān)性差、冗余度高，無法很好的適用于大型商業(yè)建筑冷負(fù)荷預(yù)測的技術(shù)問題。

為達(dá)到上述目的，本發(fā)明采用的技術(shù)方案為：

本發(fā)明提供了一種商業(yè)建筑冷負(fù)荷預(yù)測方法，包括：

獲取商業(yè)建筑冷負(fù)荷影響因素?cái)?shù)據(jù)集；

利用隨機(jī)森林算法，對所述商業(yè)建筑冷負(fù)荷影響因素?cái)?shù)據(jù)集進(jìn)行篩選，確定商業(yè)建筑冷負(fù)荷的主要影響因素?cái)?shù)據(jù)；

將所述商業(yè)建筑冷負(fù)荷的主要影響因素?cái)?shù)據(jù)，作為預(yù)構(gòu)建的商業(yè)建筑冷負(fù)荷預(yù)測模型的輸入，輸出得到所述商業(yè)建筑冷負(fù)荷預(yù)測結(jié)果；

其中，所述預(yù)構(gòu)建的商業(yè)建筑冷負(fù)荷預(yù)測模型為經(jīng)過改進(jìn)的并行鯨魚優(yōu)化算法優(yōu)化的極限學(xué)習(xí)機(jī)模型；所述改進(jìn)的并行鯨魚優(yōu)化算法為在并行鯨魚優(yōu)化算法中引入混沌序列機(jī)制、移民算子和自適應(yīng)收斂因子。

進(jìn)一步的，所述商業(yè)建筑冷負(fù)荷的主要影響因素?cái)?shù)據(jù)，包括建筑物理變量、外部環(huán)境擾動(dòng)變量、內(nèi)部環(huán)境擾動(dòng)變量及歷史負(fù)荷；其中，所述建筑物理變量包括體形系數(shù)及窗墻比；所述外部環(huán)境擾動(dòng)變量包括建筑物周圍風(fēng)速、太陽輻照度、前一時(shí)刻太陽輻照度、室外相對濕度及室外干球溫度；內(nèi)部環(huán)境擾動(dòng)變量包括照明使用數(shù)據(jù)及室內(nèi)人員流動(dòng)數(shù)據(jù)；所述歷史負(fù)荷包括前一時(shí)刻的冷負(fù)荷。

進(jìn)一步的，利用隨機(jī)森林算法，對所述商業(yè)建筑冷負(fù)荷影響因素?cái)?shù)據(jù)集進(jìn)行篩選，確定商業(yè)建筑冷負(fù)荷的主要影響因素?cái)?shù)據(jù)的過程，具體如下：

采用bootstrap抽樣方法，從所述商業(yè)建筑冷負(fù)荷影響因素?cái)?shù)據(jù)集中隨機(jī)且有放回地抽取n個(gè)子樣本集；其中，未被抽取的數(shù)據(jù)作為袋外數(shù)據(jù)oob；

為每個(gè)子樣本集建立決策樹，得到n棵決策樹，并得到由n棵決策樹組成的森林；