一种商业综合体空调设备用电负荷预测方法及系统与流程

本发明属于平地机操作技术领域，具体为一种商业综合体空调设备用电负荷预测方法。

背景技术：

高层商业综合体高度大、层数多、功能复杂、人口稠密。高层商业综合体通常包括商业、餐饮、停车、娱乐健身场所、写字楼、酒店、公寓等，常住人口和流动人口数量大。随着人们对室内环境舒适性水平要求不断提高，同时为了满足建筑物内部多样性功能需求，高层商业综合体通常都安装了大量智能电气控制系统，同时集成了供配电系统、消防系统、照明系统、电机拖拽系统、空调系统、以及给排水系统等多个子系统。有些高级的、现代化程度高的高层商业综合体还设有楼宇自动化系统，通信自动化系统，办公、保安、消防自动化系统。各种系统的优良设计方案和控制管理是高层楼宇电气系统智能性、安全性、舒适性、经济性运行管理的基础，同时也是高层商业综合体节能工作的重要组成部分。

大量数据表明，高层商业综合体运行时，其能耗费用主要包括建筑内部各类机电设备、中央空调系统、照明系统、给排水系统、以及电梯系统等能耗费用。其中，空调系统、照明系统、电梯系统等能耗总和大约占整个高层楼宇建筑的2/3以上，特别是空调系统。不同使用功能的综合体能耗分布略有不同。随着城市化的进展，高层商业综合体用电能耗比例预计将进一步提升，特别是在中国。准确预测高层商业综合体用电能耗对于优化建筑物内部能源设备使用的运行经济性至关重要。通过了解高层商业综合体内能源消耗情况，还可为制定合理的节能策略提供支撑。

针对传统商业楼宇的能耗，国内外学者采用不同的数学模型进行了用电负荷的短时预测，包括：基于数理统计理论的预测模型、时间序列模型、kalman滤波预测模型、线性回归预测模型和自回归滑动平均模型等。随着采集设备的更新换代，目前可以较为容易的获得楼宇建筑内人员情况。建筑内部移动人员的数量和负荷用电数据存在一定相关性，有学者探索了移动人流对于商业楼宇能源消耗的影响，基于蒙特卡罗模拟和马尔可夫链模型构建了室内人流数据和设备耗能之间的函数关系，并进行了预测。除上述外，还有多种智能算法应用于用电负荷的预测。例如，采用多层感知机作为模型预测框架，将温度、降雨量和风速等多个外因输入到人工神经网络ann的输入层，最后输出层的数值作为将来时刻的用电能耗，通过粒子群优化pso算法优化神经网络参数；采用bp-adaboost算法进行楼宇用电负荷预测；采用主成分分析方法进行特征选择，并简化预测模式；基于集成学习方法，融合气象数据、楼宇移动人流和智能电表数据进行电力负荷预测。

表1传统商业楼宇电气设备能耗

目前，针对传统楼宇用电负荷已有大量的预测方法。高层商业综合体受到气温、降雨量、天气因素、节假日、社会活动、政策活动、使用者人数等因素影响，具有较强的非线性、随机性的特点。社会经济和政策调整对相应时间段内的负荷也会带来一定的间接影响。

然而，目前的高层商业综合体设备多、结构复杂、人员流动性大、人员繁杂等情况，并无很好的方法对负荷进行预测。

技术实现要素：

针对现有技术存在的问题，本发明提供了一种高层商业综合体的为实现上述目的，能够对复杂情况下的空调负荷进行预测，本发明提供技术方案如下：

第一方面，提供了一种商业综合体空调设备用电负荷预测方法，包括：

对商业综合体用电负荷进行功能区划分；

采集各功能区的用电信息系统数据以及商业综合体数据；

对各功能区原始负荷序列进行分解，将原始负荷序列分解为有限个不同特征的分量；

针对各特征分量分别建立预测模型预测用电负荷。

结合第一方面，进一步的，所述对对商业综合体用电负荷进行功能区划分具体为将商业综合体分为商业、餐饮、娱乐、写字楼、酒店、公寓以及其它。

结合第一方面，进一步的，所述采集各功能区的用电信息系统数据以及商业综合体数据具体为：

以15分钟为间隔采样各功能区的实测负荷，同时采样商业综合体数据，所述商业综合体数据包括气象参数表、室内温度表以及机房参数表的数据。

结合第一方面，进一步的，所述对各功能区原始负荷序列进行分解，将原始负荷序列分解为有限个不同特征的分量具体为：

采用vmd法将各功能区原始负荷序列分解为k个模态分量，分别为imf1、imf2、imf3、...imfk；其中imfk表示第k个模态分量。

结合第一方面，进一步的，k的最优取值确定方法包括：

分别计算k个模态分量的信息熵，采用差异系数c表征vmd分解的信号的各模态分量之间的差异；

式中，为k个模态分量的信息熵均值，s1、s2...sk分别为k个模态分量对应的信息熵；

根据式(2)的的哦原始信号与重构喜好之间的误差：

δ＝sum[abs(y-imf1-imf2-…-imfk)](2)

其中，y为原始输入信号；

根据式(3)得到分解品质因素：

q＝c/δ(3)

其中q为分解品质因素，δ表示原始信号与重构信号之间的误差；

在k的取值范围内选择，最大分解品质因素所对应的k值为最优取值。

结合第一方面，进一步的，所述针对各特征分量分别建立预测模型包括：

采用极限学习机网络构建预测模型，输入层节点设为14，输出层节点设为1，隐含层神经元节点数量范围设为30～40。

结合第一方面，进一步的，所述预测用电负荷具体为：根据所建立的预测模型把分解获得的各个频率序列的预测结果相叠加，将叠加后的结果作为最后的预测结果。

第二方面，提供了一种商业综合体空调设备用电负荷预测系统，包括：

功能划分模块：用于对商业综合体用电负荷进行功能区划分；

采集模块：用于采集各功能区的用电信息系统数据以及商业综合体数据；

分解模块课：用于对各功能区原始负荷序列进行分解，将原始负荷序列分解为有限个不同特征的分量；

预测模块：用于针对各特征分量分别建立预测模型预测用电负荷。

有益效果：本发明纳入了高层商业综合体空调设备用电特性，相对传统方法的预测精度有了进一步提高，同时提高了计算效率。

附图说明

图1为本发明中高层商业综合体电气系统基本组成结构图；

图2为本发明中高层商业综合体空调负荷预测流程图；

图3为高层商业综合体空调负荷预测极限学习机模型图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参阅图1至图3，本发明提供一种技术方案：一种商业综合体空调设备用电负荷预测方法，

1、首先对高层商业综合体负荷进行功能划分，分区为商业、餐饮、娱乐、写字楼、酒店、公寓、其它共计7个部分，基于用电信息采集系统数据，分别进行空调负荷的预测和重构，进而确定整个高层商业综合体空调设备及其负荷的用电信息。

2、基于用电信息采集系统数据，对高层商业综合体7个功能区某日实测负荷值进行采样：数据采样间隔为15min，采样时间为某日0:00至24:00；同时采集高层商业综合体数据，主要包括气象参数表、室内温度表、机房参数表。具体包括：综合室外温度、综合室外湿度、综合室内温度、机房供水温度、回水温度、供回温差、机房瞬时热量、泵功率等。

3、采用vmd方法对各功能区原始负荷序列进行分解，将原始负荷序列分解为有限个不同特征的分量，针对各个特征分量分别建立预测模型，避免负荷序列纯数据化，提高预测精度。将各功能区原始负荷序列分解为k个子模态分量，分别为imf1、imf2、imf3...imfk。其中，k是vmd模态分量imf的个数。k的取值直接影响信号序列的分解效果，其值确定显得尤为重要。若k值偏大会造成信号过分解；若k值偏小会造成欠分解。考虑到高层商业楼宇空调负荷特性情况，将k值的范围限定为区间(3-8)，采用枚举法分别进行计算比较，确定最优值，具体操作步骤如下：

a)采用枚举法，逐次进行分解。分别计算k个分量的信息熵，采用差异系数c表征vmd分解的信号的各imf分量之间的差异。

式中，为k个imf分量的信息熵均值。s1、s2...sk为k个imf对应的信息熵。

b)用δ表示原始信号与重构信号之间的误差，其值越小，代表分解后的信号进行重构与原电压信号越接近。其表达式为

δ＝sum[abs(y-imf1-imf2-…-imfk)](2)

式中，y为原始输入信号。

c)由差异系数及误差系数定义vmd的分解品质因数q。

q＝c/δ(3)

选择区间范围内最大品质因素q，确定最优模态分解数k，既包含原始序列的主要细节特征，以抑制信号间的模态混叠。根据分解后的模态分量中心频率，每个模态分量符合分解原则。

4、构建预测极限学习机模型。具体操作步骤如下：a)首先确定网络模型结构，极限学习机网络建立的重点在于确定隐含神经元的数量，到目前为止隐含神经元数目的确定都没有一个固定的方法或公式，采用枚举法，即通过在训练中间隔一定的步长选取不同的节点数，根据预测效果选择合适的隐含神经元数目。选择隐含层神经数目时应注意从小值开始选取，逐渐递增，增加的上限为样本数，根据极限学习机的定理，当样本数等于隐含神经元数时，极限学习机可以近似无误差拟合训练样本，无需再增加节点数。

b)输入层节点的确定：在输入节点的选择上，根据空调负荷具有周期性、以及日类型和气温影响，输入节点包括：自预测日起最近前一周7天同一时刻的负荷值、自预测的时间点起最近的前7个时刻的负荷值；预测日的属性也就是日类型；当日综合室外最高温度、当日综合室外最低温度、综合室外湿度、机房供水温度、回水温度、供回温差、机房瞬时热量、泵功率。输入变量总计14维，这样输入层节点即为14。

c)在输出层节点的选取上，因为每一个时刻对应的最近前7天同一时刻的负荷值并不相同，再者，负荷预测是滚动预测，也就是说利用自预测时间点起最近前7个时刻的负荷值预测出下一时刻的负荷值，而再下一时刻的最近前7个时刻值则包括的是前6个实测负荷值和上一时刻的预测负荷值。所以每个预测点都需要单独建立极限学习机预测，输出层节点即为1。

d)隐含神经元节点数的确定：考虑到输入层的节点数量、计算精度需求和计算能力。将隐含层神经元节点数量范围设定为(30-40)，采用枚举法进行分析比较，确定最优节点数量。控制平均相对误差小于4％，平均绝对误差小于6％。

f)输出层节点取为1。

5、将每个分量预测结果进行合并重构，得到最终的预测结果。

发明原理：

高层商业综合体用电能耗受到气温、降雨量、天气因素、节假日、社会活动、政策活动、使用者人数等因素影响，具有较强的非线性、随机性的特点，此外还具有功能分区较多、结构复杂、人员流动性大、情况繁杂等特点。本专利提出根据用电特性不同，首先对高层商业综合体进行整体功能划分，基于用电信息采集系统数据，对各功能区原始负荷序列进行分解，采用改进变分模态分解算法将原始负荷序列分解为有限个特征不同的分量，针对各个特征分量分别建立预测模型，避免负荷序列纯数据化，同时提高预测精度。其中，变分模态分解是一种信号分解估计方法。该方法在获取分解分量的过程中，通过迭代搜寻变分模型最优解来确定每个分量的频率中心和带宽，从而能够自适应地实现信号的频域剖分及各分量的有效分离。变分模态分解的整体框架是变分问题，使得每个模态的估计带宽之和最小，其中每个“模态”是具有不同中心频率的有限带宽，为解决这一变分问题，采用了交替方向乘子法，不断更新各模态及其中心频率，逐步将各模态解调到相应的基频带，最终各个模态即相应的中心频率被一同提取出来。假设每个子信号主要围绕中心频率，该中心频率将随分解而确定。假设原始输入信号为f(t)，vmd通过自适应的准正交变换将f(t)分解为k个本征模态函数uk(t)，其表达式为：

uk(t)＝ak(t)cos(φk(t))k＝1,2…,k(4)

其中：ak(t)为uk(t)的幅值；φk′(t)＝ωk(t)，ωk(t)是uk(t)的瞬时频率表征。

同时采集高层商业综合体运行环境数据，主要包括气象参数表、室内温度表、机房参数表等。结合温度，时间类型(工作日/节假日/特殊日期)和历史相似时刻负荷值，确定选择合适的输入集合，构建基于极限学习机(elm)的负荷预测模型。其中，极限学习机是基于单隐含层前馈神经网络提出的一种新型学习算法，与其他方法相比，其训练过程简单，随机生成输入权值和阈值，利用广义逆矩阵得到slfns的输出权值便可完成模型训练，大大提高了训练速度和泛化能力。最后，对建立的高层商业综合体空调设备及其用电负荷预测模型进行重构，进而确定预测结果。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。