一种基于典型数据库的低碳园区冷热电气负荷预测方法与流程

本发明涉及负荷预测，具体为一种基于典型数据库的低碳园区冷热电气负荷预测方法。

背景技术：

1、近年来，随着对节能减碳的重视，关于园区和建筑负荷预测方法研究越来越多。低碳园区通过各项节能减排手段降低园区的碳排放，需要通过对园区建筑的各种能源负荷进行动态预测，准确、高效地制定合理的低碳园区技术方案、有效推动项目设计、建设和运行。然而，由于边跨境区域经济和相关节能减碳基础较为落后，针对西南边跨境区域的负荷基础数据研究较少，且该地区多能负荷具有“季节性-迁移性”等特性，为该地区的低碳园区动态负荷预测带来了较大困难。

2、目前关于负荷预测研究主要采用传统的统计回归预测方法、计算软件模拟预测方法和设计指标法等。

3、其中，基于统计回归的负荷动态预测方法是最传统的也是应用最为广泛的方法，该方法是以大量的能耗数据为基础，利用统计学等相关技术手段对数据进行科学分析，得出负荷与影响因素之间的关系，建立负荷预测模型。姚晔等人也曾提出层次分析法(ahp)，即将自回归滑动平均模型(arma)法、非线性回归分析法、灰色预测法和神经网络方法有机结合，结果表明这种方法在预测精度和适用性方面均能得到一定的改善，优于单一的预测模型，但该方法需要大量的园区建筑逐时能耗数据作为基础，而能源审计部门一般仅对能耗总量的统计，很难获得逐时的动态数据，并且统计数据都是单体建筑能耗的数据，而在能源规划阶段需要的是多种类型建筑的负荷预测，这也就对数据的代表性提出了更高的要求。

4、计算软件模拟预测方法是以计算机能耗模拟软件为平台，针对具体项目或某一类建筑，根据典型气象年参数，详细的建筑信息以及设计参数，通过计算机模拟仿真的手段获得建筑的逐时负荷数据，作为冷热电负荷的预测值。t.t.chow等人应用该方法完成某区域供冷系统实际工程的建筑负荷预测，将区域内的建筑分为住宅、办公、商场等功能不同的建筑类型，针对每种类型建筑参照相关设计手册及规范，以典型建筑的标准设定具体建筑信息，包括建筑外形、窗墙比、围护结构材料等。最后利用doe-2模拟软件完成动态负荷的预测计算，指导区域系统方案的确定，取得了较好的效果。但是现有比较成熟的建筑能耗模拟软件都需要比较多的输入参数用以准确的描述建筑信息，而这些信息在城市规划阶段是很少或是根本不可能得到的；另外，这些输入参数专业性比较强，只有具备深厚的理论基础和工作经验的工程师才能熟练掌握，显然这对于一般工程项目规划设计和高校科研人员来说是有难度的，且计算周期较长。

5、目前各工程规划设计单位一般使用设计指标计算方法进行项目负荷预测计算，该方法一般基于标准规范、项目经验提供的冷热电气的单位面积负荷指标值，结合项目面积进行设计负荷的估算，在工程规划和设计中，设计师为保证项目能源供应的安全性，其计算结果多预留较大安全余量。该负荷预测方法准确性较差，预测结果存在较大冗余，造成许多园区和建筑项目的能源负荷需求预测不准确，供能系统配置过大、系统经济性差，部分项目供能系统甚至难以正常运行。

6、综上，通过对现有负荷预测方法研究现状的梳理，发现现有负荷预测方法存在以下问题。一是适用范围局限，现有预测方法通常基于某具体建筑、某一类型或某一地区的项目进行研究，其负荷预测结果具有较强的针对性，无法大规模推广，对其他项目不具有适用性。二是可操作性差，传统方法需要基于大量实际测试的建筑逐时能耗数据进行负荷预测，数据难于获得。三是工作量大，传统软件模拟计算预测方法通常需要对区域内的建筑进行详细的能耗模拟计算，难度大，工作量大，耗时长。四是准确性差，一般工程设计中采用的冷、热、电、气负荷设计指标范围过大，无可靠的理论依据可供参考，准确性差。

7、目前西南边跨境区域的建筑和能源低碳基础较薄弱，能耗计量相关基础数据极难获取；同时低碳园区属于新兴技术应用集成，针对低碳园区的负荷特性和需求预测基础研究较少；西南边跨境区域存在季节性和迁移性的用能特征，负荷中心在地理上呈现出随机性和迁移性，在时间上呈现季节规律性，还兼具突发性和不可预测性，更加提高了该区域低碳园区动态负荷预测的研究难度。

技术实现思路

1、本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本技术的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

2、鉴于上述存在的问题，提出了本发明。

3、因此，本发明解决的技术问题是：现有的负荷预测方法存在适用范围局限、可操作性差、工作量大以及准确性差等问题，而目前西南边跨境区域的建筑和能源低碳基础较薄弱，针对低碳园区的负荷特性和需求预测基础研究较少、能耗计量相关基础数据极难获取并且负荷中心在地理上还呈现出随机性和迁移性，在时间上呈现季节规律性，兼具突发性和不可预测性特点。

4、功耗耗损较大，负载率奖惩，成本较高，以及如何将任务请求分配到各个主机上实现负载平衡的优化问题。

5、为解决上述技术问题，本发明提供如下技术方案：一种基于典型数据库的低碳园区冷热电气负荷预测方法，包括：

6、西南边跨境地区典型城市中典型建筑负荷模拟仿真；

7、基于低碳园区动态发展目标的典型动态负荷模拟数据低碳特性相似性研究；

8、基于边跨境季节性-迁移性特征的仿真数据学习修正融合；

9、构建典型负荷数据库，并提出一种基于典型数据库提取特性系数的动态负荷预测方法。

10、作为本发明所述的基于典型数据库的低碳园区冷热电气负荷预测方法的一种优选方案，其中：所述建筑负荷模拟仿真包括：基于建筑和能源系统动态模拟仿真软件，针对西南边跨境地区典型城市，建立与当地办公、酒店、住宅、医院建筑形式基本相同的建筑负荷仿真模型，利用西南边跨境城市典型建筑的围护参数及实际负荷系统运行参数，对典型建筑围护结构做法、门窗热工性能、遮阳做法、人员密度、照明和室内设备密度、新风和空调系统、使用时间表进行设置，计算出各典型城市中典型建筑全年逐时冷热电气负荷值，得到了典型建筑基础负荷模拟仿真数据。

11、作为本发明所述的基于典型数据库的低碳园区冷热电气负荷预测方法的一种优选方案，其中：所述低碳特性相似性研究包括：

12、基于不同建设时期、发展水平下的低碳园区减碳目标，完成典型低碳园区典型建筑动态仿真，得到典型低碳建筑的负荷数据h＝(h1，…，hm)与典型建筑负荷模拟数据r＝(r1，…，rn)；

13、通过欧几里得距离计算两个序列元素之间的距离d(i,j)，同时利用这些距离构造一个m×n维的距离矩阵，在此过程中，两个序列元素之间是一对多的非线性对应关系：

14、

15、确定规整路径，h序列和r序列的规整路径whr表示为：

16、whr＝((h1,r1),…,(hi,rj),…,(hm,rn))

17、其中1<i≤m,1<j≤n；

18、计算累积距离，选择累积距离最小的路径作为最优路径，将总累积距离用于分析两个序列的相似度，该相似度与计算的总距离成反比：

19、

20、当从距离矩阵中(i-1,j-1)点去(i-1,j)点或(i,j-1)-到(i,j)点时，设路径方向为横向或竖向的距离为d(i,j)，方向为斜对角线的距离为2d(i,j)；s(i,j)表示两个序列都是从起点依次对齐到序列h的第i个点和序列r的第j个点的累计距离。

21、作为本发明所述的基于典型数据库的低碳园区冷热电气负荷预测方法的一种优选方案，其中：所述仿真数据学习修正融合方法是：采用动态模拟仿真手段对西南边跨境地区不同季节和区域的负荷进行模拟，引入蒙特卡洛方法完成负边跨境区域人群和产业的季节性和迁移性负荷变化特征影响因子的权重确定，利用负荷迁移动态特性对典型动态负荷模拟数据进行训练和特征融合，得到训练后的计算数据序列p＝(p(1),…,p(m))。

22、作为本发明所述的基于典型数据库的低碳园区冷热电气负荷预测方法的一种优选方案，其中：对季节性-迁移性负荷数据预处理，分为偏自相关函数pacf分析、滑动窗口处理和标准化三步，pacf分析用于确定数据的特征维度，滑动窗口处理用于将数据变为有监督形式，数据处理过程如下：

23、首先，对于计算数据序列p＝(p(1),…,p(m))，开展数据中p(i),p(i-m)的偏自相关关系进行分析，计算数据的自协方差r(m)，

24、

25、其次，计算数据间的自协方差函数ρm，并将第一个超过pacf设定值的样本序号n作为预测数据的长度：

26、

27、然后，利用滑动窗口算法切割季节迁移性负荷数据集，将数据转为由特征和标签组成的有监督形式；设滑动窗口的大小为n(n＝n+1)，即用前n个季节迁移性负荷数据预测第n+1个样本值；经过滑动窗口处理后，数据集数量变为m-n+1，格式为{(x1,…,xn+1),…,(xn+1,…,x2n+1),…}；

28、最后，利用min-max normalization标准化线性函数归一化方法主要对在边缘收集的数据进行标准化，其原理是将数据z中的每个初始值通过线性化均值转换为0到1范围内的值；min-max normalization方法的计算公式如下，其中znorm表示标准线性归一后的数据，zmin表示数据中的最小值，zmax表示数据中的最大值。

29、

30、作为本发明所述的基于典型数据库的低碳园区冷热电气负荷预测方法的一种优选方案，其中：所述利用负荷迁移动态特性对典型动态负荷模拟数据进行训练和特征融合具体过程为：

31、将预处理后的季节迁移性负荷送入神经网络，重置门rt控制前一状态有多少信息被写入到当前的候选集上，用来控制需要保留多少之前的记忆；重置门越小，前一状态的信息被写入的越少，如果rt为0则表示只保留当前序列的输入信息：

32、rt＝σ(wr·[ht-1,xt]+br)

33、其中，ht-1表示上一时刻的输入，xt表示t时刻的输入，σ(·)代表函数运算，wr和br分别代表该运算过程中的权重矩阵和偏置矩阵；

34、

35、其中tan h(·)为函数运算，w和bt为计算过程中的权重矩阵和偏差矩阵；

36、然后，更新门zt用于控制前一时刻的状态信息被带入到当前状态中的程度，更新门的值越大说明前一时刻的状态信息带入越多；更新门的计算如下所示：

37、zt＝σ(wz·[ht-1,xt]+bz)

38、其中，ht-1表示上一时刻的输入，xt表示t时刻的输入，σ(·)代表函数运算，wz和bz分别代表该运算过程中的权重矩阵和偏置矩阵；

39、最后，得到当前序列的输出隐藏层信息ht，而gru是没有输出门的；

40、

41、在训练典型建筑负荷预测模型时，门的值、记忆单元和隐藏状态会循环更新，每个过程的权重矩阵和偏置矩阵都是随机初始化的；采用均方误差ms e作为损失函数来评估网络性能，mse的计算如下：

42、

43、其中，hi是第i个季节迁移性负荷数据，ri是第i个典型建筑负荷模拟数据，m表示训练数据量；

44、在网络训练过程中，选用relu作为全连接层fcl的激活函数，然后采用nadam算法优化网络的训练。

45、作为本发明所述的基于典型数据库的低碳园区冷热电气负荷预测方法的一种优选方案，其中：所述构建典型负荷数据库并提出一种基于典型数据库提取特性系数的动态负荷预测方法是指：基于融合低碳特性和边跨境季节-迁移特性的典型负荷数据，构建西南边跨境区域典型城市中典型建筑负荷数据库；对各城市、各类型的典型建筑的动态负荷模拟数据库的冷热电气8760小时逐时负荷数据进行归一化处理，最大负荷归一为1.0、其余负荷值为相对最大负荷的小数，建立典型建筑全年逐时负荷系数数据库；提炼数据库中冷热电气最大设计负荷指标、设计日冷热电气负荷系数和全年逐时冷热电气负荷系数。

46、作为本发明所述的基于典型数据库的低碳园区冷热电气负荷预测方法的一种优选方案，其中：所述冷热电气设计负荷指标计算公式为：

47、低碳园区总设计冷负荷：cd＝∑ψi×czi×si，

48、低碳园区总设计热负荷：hd＝∑ψi×hzi×si，

49、低碳园区总设计电负荷：ed＝∑ψi×ezi×si，

50、其中，cd为能源站总设计冷负荷，czi为i类建筑的冷负荷设计指标，按数据库选取，hd为能源站总设计热负荷，hzi为i类建筑的热负荷设计指标，按数据库选取，ed为能源站总设计电负荷，ezi为i类建筑的电负荷设计指标，按数据库选取，si为i类建筑的建筑面积，ψi为区域内同类建筑的同时使用率。

51、作为本发明所述的基于典型数据库的低碳园区冷热电气负荷预测方法的一种优选方案，其中：所述能源站设计日总逐时冷、热、电、气负荷计算公式为：

52、能源站设计日j时刻总冷负荷：dcj＝∑ψi×czi×si×ucij，

53、能源站设计日j时刻总热负荷：dhj＝∑ψi×hzi×si×uhij，

54、能源站设计日j时刻总电负荷：dej＝∑ψi×ezi×si×ueij，

55、能源站设计日j时刻总气负荷：dej＝∑ψi×ezi×si×ueij，

56、其中，dcj为能源站设计日j时刻总冷负荷，ucij为j时刻i类建筑冷负荷特性系数，按数据库选取，dhj为能源站设计日j时刻总冷负荷，uhij为j时刻i类建筑热负荷特性系数，按数据库选取，dej为能源站设计日j时刻总电负荷，ueij为j时刻i类建筑电负荷特性系数，按数据库选取。

57、作为本发明所述的基于典型数据库的低碳园区冷热电气负荷预测方法的一种优选方案，其中：所述能源站全年逐时总冷、热、电负荷计算公式为：

58、能源站全年j时刻总冷负荷：ycj＝∑ψi×czi×si×ncij，

59、能源站全年j时刻总热负荷：yhj＝∑ψi×hzi×si×nhij，

60、能源站全年j时刻总电负荷：yej＝∑ψi×ezi×si×neij，

61、其中，ycj为能源站设计日j时刻总冷负荷，ncij为j时刻i类建筑冷负荷特性系数，按数据库选取，yhj为能源站设计日j时刻总冷负荷，nhij为j时刻i类建筑热负荷特性系数，按数据库选取，yej为能源站设计日j时刻总电负荷，neij为j时刻i类建筑电负荷特性系数，按数据库选取。

62、本发明的有益效果：本发明提供的基于典型数据库的低碳园区冷热电气负荷预测方法提出了一种调用负荷数据库中逐时负荷系数进行实际项目负荷动态预测的方法，具有极强的可操作性、可复制推广性、科学准确性，能够适用于西南边跨境地区多个典型城市的多种低碳园区项目。