基于数据前处理及小波分解的建筑空调负荷预测方法与流程
本发明涉及一种建筑空调负荷预测方法，具体涉及一种基于数据前处理及小波分解的建筑空调负荷预测方法。
背景技术：
在目前，建筑能耗是非常值得关注的问题，建筑能耗约占社会总能耗的40％。在建筑物的生命周期中，采暖，通风和空调系统占建筑总能耗的68％。暖通空调系统的高能耗可归因于两个主要原因。一个是在部分负载工作条件下机组和泵的运行效率较低。另一个是在空调系统中，流速过高导致的供应和返回冷冻水之间的温差很小。因此，只有采用合理的控制方法才能够真正的提高空调系统的运行效率。
当前空调系统大多采用传统的反馈控制方法，基于用户侧的回水温度来调整系统。但是由于建筑结构复杂，人员行为多变，反馈控制已经不再能满足人们的需求。通过预测未来时刻的建筑物供暖负荷，可以实时的响应室内情况的变化，因此，建立精度较高的负荷预测模型可以真正实现能源系统的实施调控，在节能的前提下，保证室内人员的热舒适。对于负荷预测模型的建立，正确选择模型输入是准确进行预测的先决条件。目前的参数前处理方式仍有一些缺点。一方面，变量的类型不足而且不全面，其中大多数是室外气象参数。建筑物的制冷和供暖负荷受室内变量的影响，如人员在室率，也应进行分析和考虑。另一方面，在模型输入的提取过程中，应强调外部和内部变量的潜在多重共线性。冗余或重复的模型输入参数将影响预测模型的准确性和计算速度。
因此，采用合理的数据分析方式，对负荷预测模型的输入参数进行选择和筛选，改进目前的参数处理方式，是提高负荷预测精度和计算速度亟待解决的关键问题。
技术实现要素：
有鉴于此，本发明提供一种建筑空调负荷预测方法的模型输入参数选择及处理方式，以解决上述至少一项技术问题。
基于以往的发明，本发明进行了以下改进：小波分解和重建算法用于对热负荷样本进行多频分析；然后，选择影响因素。相关性分析用于初步提取外部和内部变量之间的建筑物加热负荷的影响因素。主成分分析用于防止影响因素的多重共线性并构成预测模型的输入。考虑到建筑物供暖负荷具有的非线性和随机性特征，选择多层感知神经网络建立供热负荷预测模型。短期供热负荷预测模型可以帮助建筑管理人员提前获得每小时供暖需求，并优化安排暖通空调系统的运行。超短期热负荷预测模型可用于预测可能发生的大负荷波动并用于改善暖通系统的操作安全性。
本发明提出了一种基于数据前处理及小波分解的建筑空调负荷预测方法，包括以下步骤：
采用天气预报及气象站测试的方法获得影响建筑空调负荷的外部参数，通过测试获得影响建筑空调负荷的内部因素及负荷历史变化数值，构成原始数据集；
对所有输入的数据进行预处理，使其无量纲化；
对经过预处理之后的建筑空调负荷序列进行离散小波分解；
对经过预处理之后的原始数据集进行相关性分析，剔除相关性较低的变量，得到基础数据集；
对基础数据集进行主成分分析，融合基础数据集的影响因子，消除多重共线性，将线性无关的新变量作为输入数据集；
将输入数据集输入多层感知神经网络，对每一个波段的负荷进行负荷预测；
组合不同频段的预测结果，并对数据进行反归一化处理，获取负荷预测值，并采用评价指标评价预测结果的精度。
进一步的，所述影响因素包括建筑外部影响因素及建筑内部影响因素，外部因素包括室外干球温度，太阳辐射强度和风速；所述内部因素包括室内空气参数，人员密度及办公设备的操作。
进一步的，构成原始数据集的数据为测试得到的所有影响建筑空调负荷的外扰和内扰的变量。对所有数据进行归一化处理，将各类变量的数值统一集中在[0，1]范围内，降低数值差异，将有量纲的变量变为无量纲的变量，所采用的方法是
其中：oi表示变量o中一个数据样本原始值；
oi′表示变量o中一个数据样本的归一化值；
omax表示变量o所有数据样本的最大值；
omin表示变量o所有数据样本的最小值。
进一步的，使用haar小波基函数进行小波分解，归一化的小波滤波器系数为
其中，aj和dj分别为在分辨率2-j下的低频高频信号。
进一步的，针对原始数据集进行相关性分析，采用pearson和spearman相关性系数来计算各类变量相关性的大小和方向，建筑热负荷和室外干球温度都呈现正态分布，它们之间的关系使用pearson相关性系数检验。而室外相对湿度、风速和太阳辐射都为非正态分布，它们与建筑热负荷之间的关系应该用spearman相关性系数检验：
式中：pi-变量p的一个样本；
zi-变量z的一个样本；
n-变量p和z的样本个数。
在选择影响因子时遵循以下选择标准，即首先某一变量对建筑冷、热负荷的影响应该是合理的，即正、负相关性合理，其次要求相关性系数的绝对值应该高于0.2这一限值，当达到这一限值时，就认为该变量对建筑空调负荷产生影响，而不论其影响程度的大小。最终，该变量被看作是建筑空调负荷的一个影响因子。
进一步的假设初始变量的个数为r，通过主成分分析，可得到r个新变量，称为主成分，每个主成分对应一个特征根λi，按照特征根的大小对各主成分进行排序，每个主成分的贡献率gi计算方式如下。
特征根在某种程度上可以看作是表示主成分影响力度大小的指标，本方法选择特征根大于1的主成分作为模型的输入参数，且要求累计方差贡献率在80％以上。
进一步的，利用多层感知器神经网络建立预测模型，输入层神经元的个数由模型输入参数个数决定，输出层神经元为预测时刻的负荷值。采用反向传播算法作为网络算法，并对小波分解得到的的各个分量进行预测，具体是指将高频分量和低频分量逐一采用输入数据集进行预测，得到各频段的负荷预测结果。
进一步的，将得到每一频段对应的建筑空调负荷预测值执行小波重构，可获得最终的预测值，具体是指，高频段上的预测值dm’和低频段上的预测值am’被重构得到am-1’，该过程一直持续，直到a1’和d1’被重构获得信号的预测值s’。
最后对负荷预测数据进行反归一化处理，将无量纲的参数转化为真实的数值，反归一化的计算方法如下：
oi＝oi(omax-omin)+omin
式中：oi-变量o中一个数据样本原始值；
oi′-变量o中一个数据样本的归一化值；
omax-变量o所有数据样本的最大值；
omin-变量o所有数据样本的最小值。
负荷预测的结果可通过计算预测算法的误差来评估算法的性能，所考虑的指标包括平均绝对相对误差(mre)、平均绝对误差(mae)、确定性系数(r2)和均方根误差变异系数(cv-rmse)，定义如下：
式中：fi-实测负荷值，kw；fi′-预测负荷值，kw；n-负荷样本点数量。
本发明的有益效果：
本发明具体通过小波分解对负荷的样本进行多频分析；采用相关性分析初步提取外部和内部变量之间的建筑加热负荷影响因素；采用主成分分析防止影响因素的多重共线性并最终构成模型的输入，并编写算法实现以上步骤。在原有的预测模型基础上使用前处理方法对负荷预测模型的数据进行了处理，可对建筑空调负荷的影响因素进行更全面和细致的选择处理，进一步提高模型对建筑空调负荷的预测精度，同时提高了模型的计算速度。
附图说明
图1为本发明的流程图；
图2为本发明中小波分解过程的示意图；
图3为本发明中小波重构过程的示意图；
图4为使用db4小波基函数执行2级小波分解得到的热负荷高、低频段曲线图；
图5为热负荷预测模型的预测结果图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明作进一步的详细说明。
如图1所示，本实施例提供一种基于数据前处理及小波分解的建筑空调负荷预测方法，包括以下步骤：
步骤1：采用天气预报及气象站测试的方法获得影响建筑空调负荷的外部参数，通过测试获得影响建筑空调负荷的内部因素及负荷历史变化数值，构成原始数据集；
选择作为案例研究的建筑是位于中国天津的商业办公楼。该建筑由地面上四层和地下一层组成。其总建筑面积为8677m2。一楼和二楼是前台和展厅。第三和第四层是办公区，一楼是餐厅和车库区。办公时间为9：00至18：00。用于热负荷预测模型的数据是建筑每小时的热负荷记录，外部变量包括室外干球温度，室外相对湿度，全球水平太阳辐射和风速，内部变量包括区域气温，区域相对湿度，照明和办公设备的使用人数和电力消耗。该建筑配备有建筑能耗监测平台，能够逐时记录建筑内部各分项用电量，如照明插座系统用电、地源热泵机组用电、负荷侧水泵和地源侧水泵用电等。测试工作分别在供热季和供冷季开展，供热季测试区间为2017年1月9日至2017年1月19日，供冷季测试区间为2017年7月3日至2017年8月16日，测试工作仅在工作日进行。测试仪器记录的间隔时间都为1小时。
步骤2：采用式(1)对所有输入的数据进行预处理，使其无量纲化；
其中：oi表示变量o中一个数据样本原始值；
oi′表示变量o中一个数据样本的归一化值；
omax表示变量o所有数据样本的最大值；
omin表示变量o所有数据样本的最小值。
步骤3：对经过预处理之后的建筑空调负荷序列进行离散小波分解；
使用haar小波基函数进行小波分解，低频信号a和高频信号d的计算公式为：
其中，aj和dj分别为在分辨率2-j下的低频高频信号。图4展示了当使用haar小波基函数时，不同分解尺度对应的低频段曲线和初始信号曲线的对比。
在小波分解过程中，小波分解尺度不能太大或太小。当小波分解尺度太小时，无法全面有效地将初始信号中不同频段的信号提取出来；而当小波分解尺度太大时，又会导致需要建立更多的模型，每个模型都会引入一定的误差，最终可能使得重构后的结果有更大的误差。当小波分解尺度设定为1级时，低频段曲线不是足够的平滑。而当小波分解尺度为3级或4级时，低频段曲线的形状已经被破坏，无法再去执行进一步级别的分解。当小波分解尺度设定为2级时，低频段曲线能够保留初始信号曲线的周期性，且足够平滑，同时从初始信号中提取的信息也已十分足够。因此本文对热负荷序列进行小波分解时，将小波分解尺度定为2级。
本文利用haar小波基函数对初始热负荷序列进行2级小波分解，高、低频段的信号序列分别如图4所示。
步骤4对经过预处理之后的原始数据集进行相关性分析，剔除相关性较低的变量，得到基础数据集；
建筑热负荷和室外干球温度都呈现正态分布，它们之间的关系使用pearson相关性系数检验。而室外相对湿度、风速和太阳辐射都为非正态分布，它们与建筑热负荷之间的关系应该用spearman相关性系数检验，具体检验公式依据如下：
式中：pi-变量p的一个样本；
zi-变量z的一个样本；
n-变量p和z的样本个数。
对于室外干球温度，时刻t到时刻t-8的室外干球温度可作为影响因子；对于之后的时刻，因相关性系数的绝对值小于0.2，表明与热负荷没有任何关系；从t-14开始，相关性系数已变为正值，违反了定性分析，因此这些变量不应被考虑。对于室外相对湿度，相关性系数是负值的时刻应被舍弃，其余时刻的相关性系数绝对值都在0.2以下，这表明各时刻的室外相对湿度与热负荷都没有关系。对于太阳辐射，相关性系数为正的时刻应舍弃，对于系数为负的时刻，时刻t-3到时刻t-8的相关性系数绝对值大于0.2，因此将这些变量作为影响因子。对于风速，其选择过程同其他三类变量的分析。
通过上述分析，对于短期热负荷预测模型共有25个影响因子被选择出来，组成了基础数据集，如表1所示。
表1短期热负荷预测模型的基本变量数据集
步骤5对基础数据集进行主成分分析，融合基础数据集的影响因子，消除多重共线性，将线性无关的新变量作为输入数据集；
多重共线性的判断方法如下：
(1)多个维数的特征值约为0，说明存在多重共线性；
(2)条件索引大于10时，说明存在多重共线性；
(3)方差比例内存在接近1的数，说明存在多重共线性。
表2基本变量数据集中部分影响因子之间的多重共线性
如表2所示，多个维数的特征值接近0，两个条件索引的值大于10，且方差比例中存在接近1的数，因此表明25个影响因子之间存在多重共线性。
对25个影响因子做主成分分析，消除其多重共线性，共获得三个特征值超过1的主成分，其对应的特征值和累计方差贡献率如表3所示。
表3三个主成分的特征值和累计方差贡献率
三个主成分的累计方差贡献率几乎达到了85％，这表明三个主成分能够代表原始变量中超过80％的信息，足以代表基本变量数据集中25个影响因子所包含的信息。因此这三个主成分被作为短期热负荷预测模型的输入参数。
步骤6将输入数据集输入多层感知神经网络，对每一个波段的负荷进行负荷预测；
采用2017年1月10日至1月17日共6个工作日的数据建立负荷预测模型，预测2017年1月18日和19日两天的负荷。分别在a2、d1和d2三个频段建立神经网络模型，均为三层网络结构，输入层的神经元数量为模型输入参数个数，输出层神经元数量为三个频段信号的预测值，隐含层神经元数量的个数分别为2个、1个和2个。进一步在a2、d1和d2三个频段建立支持向量回归模型，输入、输出参数与神经网络模型一样，利用遗传算法对三个参数值进行优化，结果如表4所示。
表4支持向量回归超短期热负荷预测模型的参数优化值
步骤7组合不同频段的预测结果，并对数据进行反归一化处理，获取负荷预测值，并采用评价指标评价预测结果的精度。
将a2、d1和d2三个频段所得的预测值进行反归一化，进而执行小波重构，可得预测时刻的热负荷值。基于神经网络和支持向量回归的超短期热负荷预测模型的预测结果如图5所示。
负荷预测的结果可通过计算预测算法的误差来评估算法的性能，所考虑的指标包括平均绝对相对误差(mre)、平均绝对误差(mae)、确定性系数(r2)和均方根误差变异系数(cv-rmse)，表5给出了采用本发明中的输入参数处理后进行建筑空调负荷预测，得到的预测精度。
表5基于模型输入参数选择方法的模型预测精度
基于本文提到的负荷预测及数据前处理方法，mre能够达到6.0％，r2能够达到94％，同时也发现cv-rmse的值能够满足要求。上述分析表明了本发明所提出的小波分解和重构、相关性分析和主成分分析的模型输入参数优化方法的优越性。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
- 还没有人留言评论。精彩留言会获得点赞！