一种近零能耗建筑负荷预测方法、装置、设备及介质与流程

本发明属于建筑负荷预测，具体涉及一种近零能耗建筑负荷预测方法、装置、设备及介质。

背景技术：

1、近零能耗建筑采用了大量保温隔热性能优异的围护结构和被动式技术，其负荷波动主要与建筑用途、人员行为、当地气候条件和激励政策有关，具有很大的随机性、波动性和不确定性，导致近零能耗建筑负荷预测十分复杂。然而，建筑负荷与综合能源系统的优化设计密切相关，准确的负荷预测是实现综合能源系统高效供能的关键。为了保障综合能源系统优化调度，需要对近零能耗建筑负荷预测开展研究。当前，负荷预测方法已有很多，如数据驱动、神经网络法、长短期记忆神经网络算法、支持向量机、随机森林算法等。为了提高负荷预测的精确度，有学者研究了信号处理与机器学习算法相结合的预测模型。

2、经验模态分解（empirical mode decomposition, emd）可将非平稳的负荷数据转化为平稳的模态分量，常用于负荷预测的数据处理，从而创建emd+机器学习的负荷预测模型，大量研究已证实该方法的有效性。然而，在emd分解方面，传统的分解方法未能充分体现负荷数据的时间序列特征，导致近零能耗建筑的预测结果会有偏差。在模型应用方面，很少有学者研究其所提出的预测模型是否适用于多元负荷的预测，且近零能耗建筑负荷具有其特殊性，实现负荷精准预测十分困难，传统的预测方法能否适用于近零能耗建筑仍有待讨论。因此，针对近零能耗建筑多元负荷预测的研究还需要继续开展。

技术实现思路

1、本发明的目的在于提供一种近零能耗建筑负荷预测方法、装置、设备及介质，以解决现有技术中，传统的分解方法未能充分体现负荷数据的时间序列特征，导致近零能耗建筑的预测结果会有偏差的问题。

2、为了实现上述目的，本发明采用如下技术方案：

3、本发明第一方面，提供了一种近零能耗建筑负荷预测方法，包括如下步骤：

4、获取近零能耗建筑的实时气象数据；

5、获取预先训练好的第一预测模型、第二预测模型和第三预测模型；其中，所述第一预测模型由历史气象数据，以及历史气象数据所对应的历史负荷数据的高频imf分量训练得到；所述第二预测模型由历史气象数据，以及历史气象数据所对应的历史负荷数据的中频imf分量训练得到；所述第三预测模型由历史气象数据，以及历史气象数据所对应的历史负荷数据的低频imf分量训练得到；

6、将所述实时气象数据分别输入所述第一预测模型、第二预测模型和第三预测模型，所述第一预测模型、第二预测模型和第三预测模型分别输出高频imf分量预测值、中频imf分量预测值和低频imf分量预测值；

7、对所述高频imf分量预测值、中频imf分量预测值和低频imf分量预测值进行叠加重构，得到近零能耗建筑负荷预测值。

8、进一步的，获取预先训练好的第一预测模型、第二预测模型和第三预测模型的步骤中，所述第一预测模型、第二预测模型和第三预测模型按照如下方式训练：

9、获取近零能耗建筑的历史气象数据，从所述历史气象数据中筛选出相关性满足预设标准的特征参数；

10、获取历史气象数据所对应的历史负荷数据，将所述历史负荷数据进行逐日经验模态分解，得到高频imf分量、中频imf分量和低频imf分量；

11、将所述特征参数与高频imf分量组成第一数据集，利用第一数据集训练第一预测模型；

12、将所述特征参数与中频imf分量组成第二数据集，利用第二数据集训练第二预测模型；

13、将所述特征参数与低频imf分量组成第安数据集，利用第三数据集训练第三预测模型。

14、进一步的，获取历史气象数据所对应的历史负荷数据，将所述历史负荷数据进行逐日经验模态分解，得到高频imf分量、中频imf分量和低频imf分量，包括：

15、步骤1）、获取近零能耗建筑逐时的历史负荷数据，确定历史负荷数据的天数；根据天数逐日截取历史负荷数据，逐日截取的历史负荷数据作为步骤2）的输入数据；

16、步骤2）、确定输入数据的极大值与极小值分布，根据极大值与极小值分布确定上包络线和下包络线；

17、步骤3）、根据上包络线和下包络线确定平均包络线；

18、步骤4）、根据逐日截取的历史负荷数据和平均包络线计算中间信号，并判断中间信号是否满足imf条件；若中间信号满足imf条件，则中间信号作为imf分量，转入步骤5）；若中间信号不满足imf条件，则令中间信号作为输入数据返回步骤2），直到中间信号满足imf条件；

19、步骤5）、根据历史负荷数据和imf分量计算残差，并判断残差是否满足残差条件；若残差不满足残差条件，令残差作为输入数据返回步骤2）；若残差满足残差条件，则完成所截取历史负荷数据的经验模态分解；

20、步骤6）、确定所截取历史负荷数据的各个imf分量获取的顺序，按照顺序将各个imf分量划分为高频逐日imf分量、中频逐日imf分量和低频逐日imf分量；

21、步骤7）、获取全部天数的高频逐日imf分量、中频逐日imf分量和低频逐日imf分量，分别对高频逐日imf分量、中频逐日imf分量和低频逐日imf分量进行拼接，得到历史负荷数据的高频imf分量、中频imf分量和低频imf分量。

22、进一步的，所述第一预测模型、第二预测模型和第三预测模型训练完成之后，还包括：

23、基于预设的精确度评价指标，对所述第一预测模型、第二预测模型和第三预测模型的预测精度分别进行评价，得到评价结果；

24、依据评价结果，对所述第一预测模型、第二预测模型和第三预测模型的超参数寻优。

25、进一步的，对所述第一预测模型、第二预测模型和第三预测模型的超参数寻优，包括：

26、采用穷举搜索法，对所述第一预测模型、第二预测模型和第三预测模型的超参数寻优。

27、进一步的，从所述历史气象数据中筛选出相关性满足预设标准的特征参数的步骤中，采用皮尔逊相关系数法从所述历史气象数据中筛选出相关性满足预设标准的特征参数。

28、进一步的，所述第一预测模型、第二预测模型和第三预测模型采用如下至少一种：反向传播神经网络模型、随机森林模型和支持向量机模型。

29、本发明第二方面，提供了一种近零能耗建筑负荷预测装置，包括：

30、数据获取模块，用于获取近零能耗建筑的实时气象数据；

31、模型获取模块，用于获取预先训练好的第一预测模型、第二预测模型和第三预测模型；其中，所述第一预测模型由历史气象数据，以及历史气象数据所对应的历史负荷数据的高频imf分量训练得到；所述第二预测模型由历史气象数据，以及历史气象数据所对应的历史负荷数据的中频imf分量训练得到；所述第三预测模型由历史气象数据，以及历史气象数据所对应的历史负荷数据的低频imf分量训练得到；

32、数据预测模块，用于将所述实时气象数据分别输入所述第一预测模型、第二预测模型和第三预测模型，所述第一预测模型、第二预测模型和第三预测模型分别输出高频imf分量预测值、中频imf分量预测值和低频imf分量预测值；

33、数据重构模块，用于对所述高频imf分量预测值、中频imf分量预测值和低频imf分量预测值进行叠加重构，得到近零能耗建筑负荷预测值。

34、本发明第三方面，提供了一种电子设备，包括处理器和存储器，所述处理器用于执行存储器中存储的计算机程序以实现如上述的近零能耗建筑负荷预测方法。

35、本发明第四方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有至少一个指令，所述至少一个指令被处理器执行时实现如上述的近零能耗建筑负荷预测方法。

36、与现有技术相比较，本发明的有益效果如下：

37、1）本方案提供的近零能耗建筑负荷预测方法，将实时气象数据分别输入第一预测模型、第二预测模型和第三预测模型，第一预测模型、第二预测模型和第三预测模型分别输出高频imf分量预测值、中频imf分量预测值和低频imf分量预测值；对高频imf分量预测值、中频imf分量预测值和低频imf分量预测值进行叠加重构，得到近零能耗建筑负荷预测值；其中，第一预测模型由历史气象数据，以及历史气象数据所对应的历史负荷数据的高频imf分量训练得到，第二预测模型由历史气象数据，以及历史气象数据所对应的历史负荷数据的中频imf分量训练得到，第三预测模型由历史气象数据，以及历史气象数据所对应的历史负荷数据的低频imf分量训练得到。本发明改进了传统的emd将全部数据进行分解的方法，对近零能耗建筑的负荷进行逐日分解，考虑了负荷的时序特征，与传统的预测方法相比较，预测精度更高，偏差较小。本发明提供的一种近零能耗建筑负荷预测装置、电子设备和计算机可读存储介质同样解决了背景技术部分提出的问题。

38、2）本方案提供的近零能耗建筑负荷预测方法，采用皮尔逊相关系数法分析了不同特征参数与负荷的相关性，进而确定了用于输入的特征参数，降低了预测维度，提高了运算效率。

39、3）本方案提供的近零能耗建筑负荷预测方法，采用穷举搜索法对模型的超参数寻优，进一步提高了预测精确度。