一种基于异常用能值处理和时序分解的建筑能耗预测方法

本发明涉及建筑能耗预测，尤其涉及一种基于异常用能值处理和时序分解的建筑能耗预测方法。

背景技术：

1、建筑作为重要的能源消耗者与碳排放大户，贡献了近40％的能源与过程相关的排放。因此，建筑部门对于减缓气候变化和降低碳排放至关重要，有必要开发有效的建筑能源系统，以提高建筑能源利用效率。建筑能耗预测在建筑能源系统中起着至关重要的作用。建筑用能数据是典型的一维时间序列数据，其变化受到多方面的影响，如多变的天气状况、不可预估的用户行为和不同的建筑围护结构特性等。建筑能耗预测即预测建筑未来的能耗分布，在建筑节能评估、多能源调度和节能策略制定等方面都起着重要的作用。

2、在日常的工作生活中，建筑存在有异常的用能，即与大多数用能行为或习惯差距较大的情况，而这些行为使得建筑能耗数据中存在有少量的异常点。当预测模型对数据进行学习时，由于这些异常点的存在，使得预测的误差增大。因此，为了提高能耗预测的精度，需要对建筑的异常用能进行识别与处理。异常用能识别是指通过一系列方法挖掘用能数据中与其他观测数据差别很大的数据。综上，能耗数据的预测是一个复杂的过程，影响能耗的因素很多，能耗数据中存在复杂的非线性与不平稳性，且存在一些异常用能数据，给精准的能源预测造成了困扰，难以实现准确的预测。为了应对这些挑战，需要一个准确可靠而又稳定的能耗预测模型。

3、为实现精准的建筑能耗预测工作，多年来，研究者们提出了各种各样的方法。例如以差分自回归移动平均(auto regressive integrated moving average,arima)模型为代表的统计学方法，该类方法的基本思想是：一些时间序列是一组随机变量，它们依赖于时间t，虽然组成时间序列的个体序列值是不确定的，但是整个序列的变化具有一定的规律性，可以用相应的数学模型来近似。近年来，以机器学习为代表的数据驱动的人工智能方法为能耗预测提供了有效的方案，该方法操作简单，并且只依赖于历史数据，在发掘数据潜在的特征关联中具有较强的优势，已在建筑能耗预测领域有了广泛的应用。进一步的，神经网络的引入使得机器学习方法得到完善与优化，该类方法通过构建包含有多个神经元的人工神经网络，从数据中自行发掘有效信息，在前向传播与反向传播的反复迭代中不断优化，找到最优的模型实现精准预测，从而实现从数据到结果(“端到端”)、操作更为简洁的预测。

4、目前，现有技术中的建筑能耗预测方法对能耗数据有着严格的要求，如要求序列平稳、非白噪声等，这样才能做出有意义的预测，而实际应用时建筑能耗数据很难完全符合这些要求。数据驱动的方法取得的预测精度有限，难以对拥有不同用能模式的各类建筑都保持理想的预测效果。现有的建筑能耗预测方法中，很少关注到异常用能数据的检测与处理，这样会限制预测模型的整体性能水平。

技术实现思路

1、本发明的实施例提供了一种基于异常用能值处理和时序分解的建筑能耗预测方法，以有效降低建筑能耗模型的预测误差，提高能源利用率。

2、为了实现上述目的，本发明采取了如下技术方案。

3、一种基于异常用能值处理和时序分解的建筑能耗预测方法，包括：

4、使用dbscan方法对原始的建筑用能数据进行检测，标记出建筑用能数据中的异常用能值，删除所述异常用能值；

5、通过lagrange插值方法对删除异常用能值后的能耗数据进行计算，根据计算结果构建多项式，利用所述多项式填充删除异常用能值后的能耗数据；

6、将填充处理后的建筑用能数据通过ceemdan方法进行分解，得到一组imf分量和一个残余分量；

7、使用机器学习方法对各个分量分别预测，将预测值叠加重构后得到最终的所述原始的建筑用能数据的建筑能耗预测值。

8、优选地，所述的使用dbscan方法对原始的建筑用能数据进行检测，标记出建筑用能数据中的异常用能值，删除所述异常用能值，包括：

9、将原始的建筑用能数据划分为训练集和测试集，对训练集做了dbscan检测，指定两个超参数minpts和eps，其中minpts是形成簇所需的最小核心点数量，eps是同一个簇中两个样本之间的最大距离，找到eps内的所有近邻点，并识别具有超过minpts各近邻的核心点；

10、对于尚未分配给簇的每个核心点，创建一个新的簇，通过递归操作确定所有近邻点，并分配与核心点相同的簇；

11、重复以上处理过程，直到所有的核心点都被访问完毕，将所有不属于任何簇的点标记为建筑用能数据中的异常用能值，删除所有异常用能值。

12、优选地，所述的通过lagrange插值方法对删除异常用能值后的能耗数据进行计算，根据计算结果构建多项式，利用所述多项式填充删除异常用能值后的能耗数据，包括：

13、在原始的建筑用能数据中的各个异常用能值之前和之后各取n个取值点，所述异常用能值为空值，在每个空值附近取2n个取值点，分段构建lagrange插值多项式ln(x)，为每个空值都构建一个相应的lagrange插值多项式ln(x)，以分别填充这些空值；

14、抽象为数学问题：对于待插值点(xk，yk)，在该点前取n个值，同时在其后取n个值，即取值点为(xk-n，yk-n)，(xk-n+1，yk-n+1)，...，(xk+n，yk+n)，共有2n个取值点，使用这2n个取值点构建lagrange插值多项式ln(x)，如公式(1)所示：

15、

16、式中，ln(x)为同时经过以上2n个取值点的多项式；

17、式中的lj(x)是lagrange插值基函数，如公式(2)所示：

18、

19、将x＝xk代入所述多项式ln(x)中，计算出相应的y值，使用该值填充待插值点(xk，yk)；

20、重复以上操作，直至所有的空值均被填充完毕。

21、优选地，所述的将填充处理后的建筑用能数据通过ceemdan方法进行分解，得到一组imf分量和一个残余分量，包括：

22、对原始的建筑用能数据添加高斯正负白噪声，采用经验模态分解方法对含噪信号的建筑用能数据进行多次分解，然后集成平均，得到ceemdan方法的imf分量，然后将原始信号与imf分量做差得到残余分量，若该残余分量能够继续被经验模态分解方法分解，则对该残余分量添加白噪声后，采用经验模态分解方法继续分解和集成平均，得到imf分量，再继续得到残余分量，判断该残余分量是否能够继续被经验模态分解方法分解，重复执行上述处理过程，直至残余分量无法被经验模态分解方法分解，输出此时的imf分量与残余分量。

23、优选地，所述的使用机器学习方法对各个分量分别预测，将预测值叠加重构后得到最终的所述原始的建筑用能数据的建筑能耗预测值，包括：

24、对分解得到的各个分量数据，采用滑动窗口的方式，每相邻的24条数据为一个窗口，步长为1，依次向下滑动，直至整个训练集滑动完毕，每个窗口的24条数据作为训练集的一个输入样本，每个窗口下一行的能耗值数据作为训练集的标签，对测试集也按照上述训练集的处理过程，划分为输入样本与标签；

25、对分解后的各分量使用机器学习方法根据各自训练集的输入样本和标签进行学习，在测试集上进行预测，对预测结果进行叠加，作为最终的所述原始的建筑用能数据的建筑能耗预测值。

26、优选地，所述的方法还包括：

27、使用评估指标对所述原始的建筑用能数据的建筑能耗预测值进行评估，对比预测结果与测试集的真实标签，根据评估指标评价模型采用平均绝对误差、均方根误差和平均绝对百分比误差作为评估指标，对预测结果的误差以及预测误差对于全局的影响做出全面的评估。

28、由上述本发明的实施例提供的技术方案可以看出，本发明方法探索了数学方法(lagrange插值法)与机器学习方法(ceemdan方法和dbscan检测方法)在能耗预测方面的优势，使得一些理论知识技术与建筑能耗数据方面更好地结合起来，可以有效减少能耗预测的误差，帮助相关人员提高能源利用率，降低碳排放。

29、本发明附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本发明的实践了解到。