一种基于数据驱动的区域建筑空调器短期耗电量预测方法与流程

本发明涉及大数据分析应用、区域能源规划、暖通空调等领域，尤其涉及一种基于数据驱动的区域建筑空调器短期耗电量预测方法。
背景技术：
：近年来，由于可再生能源、分布式能源系统的推广应用，建筑能源供应侧的复杂性和波动性越来越大。对于供应侧采用了多元能源系统的区域建筑而言，区域建筑短期能耗的准确预测，不仅有助于输配电系统的调度控制、削峰填谷等运行管理，还是能源系统故障诊断和智慧运行的重要基础。因此，区域建筑短期能耗预测已经受到极大关注。而在建筑总能耗中，空调用电通常占据最大的比例。建立准确的区域建筑空调器短期耗电量预测方法，对区域建筑空调系统的优化运行以及能源资源节约型社会建设有着重要的意义。区域建筑空调短期能耗预测的时间尺度为未来小时至数天，且受人员在室情况、天气、以及空调使用行为等因素影响显著，这些因素随机性强、时变性强，且与能耗之间存在非线性关系。对于高校教学楼等人员在室情况变化大、空调使用随机的情况，区域建筑空调短期能耗预测更为复杂。现有的空调短期能耗预测方法通常分为物理建模方法与数据驱动方法。物理建模方法根据建筑热过程进行能耗建模和分析，通常根据固定的人员在室时间表和设备使用时间表进行典型气象条件下的冷热负荷计算，并进行各建筑负荷叠加，从而预测区域建筑的中长期能耗（各月或全年能耗）。这种方法通常需要大量的详细数据建立模型，对数据的准确性要求高。但通常因为很难获得未来小时或者数天的人员在室及用能行为的准确数据，因而很难满足建筑群短期能耗预测的精度和泛化能力要求。例如专利cn106524295a中基于物理建模的能耗预测方法，通过设计规范中建议的固定空调使用率计算空调负荷，进而根据空调系统的效率计算能耗情况。这种方法仅将人员作为空调负荷的内扰，未能考虑建筑不同时期空调使用的随机性变化。基于大数据的数据驱动模型通过机器学习方法，学习历史的能耗数据，结合气象、时间等输入参数，对能耗进行预测。由于这种方法是基于历史规律的学习，其在短期能耗的准确预测领域具有明显的优势和极大的应用前景，尤其适用于预测特定情况下的空调能耗等机理清晰但过程复杂、非线性强、时变性强、不确定性强的模型过程。而目前已有的基于数据驱动的区域建筑空调短期能耗预测方法，大多缺乏对建筑内人员使用行为随机性的考虑。现有的预测方法中对于人员的在室情况和空调使用行为，通常通过固定的时间特征参数（例如工作日或非工作日、工作时间或非工作时间）或根据国家节能设计标准中固定的在室时间表或固定的设备使用时间表作为输入来表征，如专利cn111507511a，采用国家标准中的固定时间表进行估算建筑内人员在室情况，输入至数据驱动模型中，而空调使用行为作息没有相应的考虑。这种方法无论是通过时间特征参数或是固定的人员在室或空调使用时间表来进行预测，均难以体现所预测建筑空调使用的独特性以及人员流动性大的情况下空调使用的随机性和时变性特征，进而不能反映随机空调使用对能耗的影响，从而难以精确地预测区域建筑空调器的短期耗电量。技术实现要素：针对现有方法无法反映建筑在室人员空调使用行为的随机性和时变性，从而影响区域建筑空调器短期耗电量的准确预测，本发明从区域建筑空调使用行为入手，得到典型空调使用模式及其占比，表征区域建筑中复杂的空调使用情况。其中，各典型空调使用模式中的逐时空调使用率反映了空调使用的时变性，而整个区域中各典型模式的占比反映了空调使用的随机性；基于此，得到了所预测时刻的区域建筑空调使用率，并进一步建立了基于随机使用行为的区域建筑空调器短期耗电量预测方法。本发明解决其技术问题所采用的技术方案如下：一种基于数据驱动的区域建筑空调器短期耗电量预测方法，所述预测方法具体步骤如下：步骤s1：采集建筑群空调的逐时开关状态、建筑群空调逐时能耗、室外温度、以及使用时间特征数据，建立数据集，并计算得到区域建筑的空调逐时使用率；其中使用时间特征数据包括一周中第几天、是否工作日以及所在小时；步骤s2：构建区域建筑典型空调使用模式挖掘模型；所述区域建筑典型空调使用模式挖掘模型以步骤s1中采集的逐时空调开关状态数据，转换为每天的逐时空调开关序列，建立典型空调使用模式挖掘的样本空间；将其作为挖掘模型的输入，通过基于围绕中心点划分pam的聚类方法，得到建筑群中典型空调使用模式；计算各典型空调使用模式占比；步骤s3：构建区域建筑空调器使用率预测模型；将步骤s1中的区域建筑的空调逐时使用率、室外温度、使用时间特征数据和步骤s2中的区域建筑典型空调使用模式占比作为空调器使用率预测样本空间的解释变量，空调器使用率预测样本空间的因变量为所预测时刻区域建筑的空调使用率；并将样本空间解释变量作为区域建筑空调器使用率预测模型输入，通过回归分析，筛选出空调器使用率预测样本空间中对各季节使用率有相关影响的解释变量；通过k-近邻方法，预测区域建筑的空调器逐时使用率；步骤s4：构建区域建筑空调器短期耗电量预测模型；以步骤s1中建筑群空调逐时能耗数据、步骤s3中区域建筑的空调器逐时使用率以及所在小时作为区域建筑空调器短期耗电量预测样本空间的解释变量，样本空间的因变量为所预测时刻的区域建筑空调器耗电量；将样本空间解释变量作为区域建筑空调器短期耗电量预测模型的输入，使用支持向量回归方法，对区域建筑空调器短期耗电量进行预测。进一步地，根据气象特征和区域建筑空调使用特征进行空调使用阶段的划分，包括夏初、夏末、盛夏、冬初、冬末、严冬和过渡季，分别对每一个使用阶段的区域建筑空调短期耗电量进行预测。进一步地，步骤s2中，建立典型空调使用模式挖掘的样本空间，所述典型空调使用模式挖掘的样本空间的解释变量包括区域建筑群各房间每天的逐时空调开关序列；区域建筑典型空调使用模式挖掘模型对应输出为各典型空调使用模式，所述典型空调使用模式通过pam方法得到，即日内各小时的空调使用概率；在此基础上，进一步计算各典型空调使用模式占比；所述各典型空调使用模式占比，为得出典型空调模式后，建筑群内一天中属于某典型空调使用模式的逐时空调开关序列条数占这一天的逐时空调开关序列总条数的比例。进一步地，步骤s3中，建立空调器使用率预测的样本空间，所述空调器使用率预测的样本空间包括解释变量和因变量，并通过回归分析，对样本空间中解释变量进行筛选；样本空间中因变量为所预测时刻区域建筑的空调逐时使用率；样本空间中解释变量包括室外温度、一周中第几天、当前是否为工作日、所在小时、所预测时刻前一小时区域建筑空调使用率和各典型空调使用模式占比。进一步地，所述区域建筑空调器使用率预测模型，其通过k-近邻方法在样本空间中进行预测；采用十折交叉验证来评估区域建筑空调器使用率预测模型的预测效果。进一步地，步骤s4中，建立空调器短期耗电量预测的样本空间，所述样本空间包括解释变量和因变量；解释变量为：所预测时刻前一小时的能耗e(0,1)、所预测时刻前两小时的能耗e(0,2)、所预测时刻前一天的能耗e(1,0)、所在小时和预测时刻区域建筑的空调使用率；样本空间因变量为所预测时刻区域建筑的空调器耗电量。进一步地，所述区域建筑空调器短期耗电量预测模型以样本空间中解释变量为输入，以样本空间中因变量作为输出，训练支持向量回归模型；支持向量回归模型的核函数为线性核函数；采用十折交叉验证来评估区域建筑空调器短期耗电量预测模型的预测效果。本发明的有益效果：相比于现有的空调器耗电量预测方法，本发明建立了一套完整的区域建筑空调器短期耗电量预测方法，模型涵盖了数据收集、模型构建与优化、模型预测等过程。本发明方法可以准确地表征建筑中在室人员对空调器的随机使用特征，并将之引入区域空调器短期耗电量预测模型。方法具有建模规则简单通用，便于计算实现及优化等优点。能够根据空调的实际使用情况准确预测区域建筑中的空调器短期耗电量，尤其适用于人员在室情况变化大、空调使用随机性强的建筑群中空调器短期耗电量预测。附图说明图1是本发明提供的基于数据驱动的区域建筑空调器短期耗电量预测方法流程图；图2是本发明实施例中高校教学建筑群的典型空调使用模式图；图3是本发明实施例中高校教学建筑群空调器逐时使用率的预测效果图；图4是本发明实施例中高校教学建筑群空调器短期耗电量的预测效果图。具体实施方式为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。本发明提供了一种基于数据驱动的区域建筑空调器短期耗电量预测方法，其包括：步骤s1：收集并记录逐时的空调使用情况，通过建筑中所部署的物联网平台逐小时采集数据，将其采集的数据进行处理，构建数据集并储存。所述数据集包括室外温度、一周中第几天、是否工作日、所在小时、各房间的空调开关情况、建筑群的空调使用率(u(0,0))、建筑群中各空调器能耗(e(0,0))。所述数据逐小时收集，所述数据集由表1所示。表1空调使用情况数据集所在小时一周中第几天是否工作日室外温度建筑群空调使用率各房间的空调开关情况建筑群中各空调器能耗hdisbizdaytoutu(0,0)se(0,0)………………步骤s2：建立典型空调使用模式挖掘的样本空间，所述样本空间包括解释变量；所述样本空间中解释变量包括各房间每天的逐时空调开关序列，其通过将物联网平台采集的各房间空调逐时开关状态转换而来（如开为1，关为0）。对应样本空间为duse：其中，xn,m为典型空调使用模式挖掘模型样本空间的解释变量取值，m为变量数，n为样本数量。步骤s3：使用pam（partitioningaroundmedoid）算法对区域建筑典型空调使用模式进行挖掘，得到典型空调使用模式。在pam算法中，模型所需的典型空调使用模式即该算法得到的类，基于所有样本与对应代表样本之间差异度最小的原则进行聚类划分，距离计算采用欧几里德距离：其中，是有着m个属性的变量，即，，为其两者之间的欧几里德距离。e是数据集中所有对象中任意一样本p与每个类cj的代表样本oi的绝对误差值和，通过最小化e，将所有样本划分到k个类中。步骤s4：建立区域建筑空调使用率预测的样本空间，所述样本空间中包括空调使用率预测的解释变量和因变量。所述解释变量包括：室外温度、一周中第几天、当前为是否工作日、当前时刻所在小时、所预测时刻前一小时区域建筑空调使用率（u(0,1)）、所预测时刻前一天区域建筑空调使用率（u(1,0)）、步骤s3中所得到的前一天与前七天中各典型空调使用模式占比。所述因变量为该时刻建筑群的空调使用率。对应样本空间为docc：其中，是样本空间解释变量的取值，为区域建筑空调使用率预测样本空间的因变量取值，为变量数，为样本数量。步骤s5：采用回归分析方法对区域建筑空调使用率预测的样本空间中的解释变量进行筛选。对于室外温度、一周中第几天、当前是否为工作日等参数，选用logistics回归进行筛选；对于u(0,1)、u(1,0)、步骤s3中所得的前一天与前七天中各典型空调使用模式占比等参数，选用线性回归方法进行筛选；均以区域建筑空调使用率作为模型因变量。建立回归模型，评估各变量在区域建筑空调器逐时使用率预测模型中的显著性。步骤s6：采用k-近邻方法对所述区域建筑空调使用率进行预测，得到所预测时刻的区域建筑空调使用率。对于所预测的时刻，根据步骤s5筛选后的数据作为输入，放置于样本空间中，分别计算样本空间中已包含的条数据中任意两条数据和的欧几里德距离，其计算如下：其中，是有着个属性的变量，，，为其两者之间的欧几里德距离。进一步，通过上述得到最近的k’个记录，其空调使用率的平均值，即，即为所预测时刻区域建筑空调使用率预测值。步骤s7：建立空调器短期耗电量预测的样本空间，所述样本空间中包括空调器耗电量的解释变量和因变量。所述空调器耗电量的解释变量包括预测时刻前一小时的能耗（e(0,1)）、所预测时刻前两小时的能耗（e(0,2)）、所预测时刻前一天的能耗（e(1,0)）、所在小时、步骤s3中所得到的预测时刻区域建筑空调使用率。对应样本空间为delec：其中，为空调器短期耗电量预测样本空间解释变量的取值；为空调器短期耗电量预测样本空间的因变量取值；为解释变量的数量；为样本数量。步骤s8：以空调器短期耗电量预测的样本空间中解释变量与因变量训练支持向量回归模型，得到训练完成的支持向量回归模型。通过非线性映射，把原训练数据映射到较高的维度上，得到高维空间对应的样本空间：其中，为对应在高维空间的非线性映射。进一步的，在高维空间进行线性回归，回归函数为其中，w与b为高维空间线性回归模型的参数。在高维空间中进行线性回归，与传统回归不同，其类似于有约束条件的优化问题，允许模型输出与实际值y之间有的误差，其所得的是宽度为的间隔带，即确保，即距离不超过，并对回归训练过程中落在间隔带外的样本点通过惩罚系数c进行惩罚。对于回归问题，期望距离最小化，则最小。支持向量回归问题即转变为优化问题：其中，为松弛变量，c为惩罚系数。步骤s9：将所预测时刻的解释变量作为输入变量，输入训练完成的支持向量回归模型中，得到所预测时刻的区域建筑空调器短期耗电量预测值。本发明基于数据挖掘的相关算法，建立了一套完整的区域建筑空调器短期耗电量预测方法，准确地表征了建筑中在室人员的空调随机使用特征，并将之引入区域建筑空调器短期耗电量预测。该方法能够根据空调的实际使用情况准确预测区域建筑空调器短期耗电量，尤其适用于人员在室情况变化大、空调使用随机性强的区域建筑空调器短期耗电量预测。实施例：本发明通过以杭州市一高校教学建筑群为实例，通过该校建筑节能监管平台对教学建筑群空调使用状态和能耗量的大数据监测，以2017年9月（夏末季节）的监测数据为例，利用本方法进行区域建筑空调器短期耗电量预测，并采用十折交叉验证的方法对本方法的预测效果进行评估。利用本发明所述的区域建筑典型空调使用模式挖掘模型，可得到6种典型空调使用模式如图2。利用本发明所述的区域建筑空调器使用率预测方法进行预测，在夏末季节建筑群空调器使用率的影响因素筛选中，筛选所得重要变量为：室外温度、一周中第几天、当前为是否工作日、该时刻所在小时、u(0,1)、u(1,0)、前一天“后半天使用”模式占比、前一天“上午使用”模式占比、前七天“上午使用”模式占比。在本实施例中，选择的近邻数k=3。结果如图3。图中实际空调器使用率用圆点线条表示，预测空调器使用率以三角形点虚线条表示。在该实施例的空调器使用率预测中，均方根误差rmse=0.02，拟合优度r2=0.94。以该教学建筑群为例的空调器使用率预测结果说明，该方法模型拟合度较高，能较好的反映复杂的人员变化带来的随机的空调使用的现象。进一步的，通过本发明所述建筑群空调器耗电量的预测方法，结合已预测的空调器使用率，对该高校教学建筑群空调器能耗进行预测。在本实施例的支持向量回归模型训练中，不敏感系数为0.001，惩罚系数为15。结果如图4，图中实际空调器能耗值用圆点线条表示，预测空调器能耗值值以三角形点虚线条表示。在该实施例的教学建筑群空调器耗电量预测中，逐时总耗电量的均方根误差rmse=31.09kw⋅h，拟合优度r2=0.94。以该教学建筑群为例的空调器耗电量预测结果说明，对教学建筑人员空调使用随机性强情况下，该方法能较好地对空调器能耗的预测，且不存在多重共线性、过拟合等问题。上述实施例用来解释说明本发明，而不是对本发明进行限制，在本发明的精神和权利要求的保护范围内，对本发明作出的任何修改和改变，都落入本发明的保护范围。当前第1页12