CN103853106B - 一种建筑能源供应设备的能耗预测参数优化方法 - Google Patents

Abstract

本发明涉及一种建筑能源供应设备的能耗预测参数优化方法，包括以下步骤：首先对建筑内的能耗供应设备及可能对这些设备能耗产生影响的参数数据进行采集，同时对设备的状态变化及状态变化时间进行采集，并计算状态变化消耗的能耗，将这些数据生成数据集后，可建立设备预测模型；该模型可预测设备在不同情况下状态改变需要的能耗及时间，由此向用户提供设备的最优调度计划及工作顺序，实现最小能耗，最短交货时间或者完工时间。与现有技术相比，本发明能够记录设备能耗，相关影响因素以及设备状态改变的信息，并能够根据建筑特性的不同选择适当的影响设备能耗的参数，同时能够消除使用参数不当对建筑能源供应设备能耗预测的影响。

Description

一种建筑能源供应设备的能耗预测参数优化方法

技术领域

本发明涉及一种预测参数优化方法，尤其是涉及一种建筑能源供应设备的能耗预测参数优化方法。

背景技术

建筑用能巨大，尤其是在大型商场，实验室，写字楼等。目前对于建筑内能源供应设备的能耗数据分项采集是了解建筑能耗大小，寻找能耗浪费点前提。而随着国家节能减排政策的落实，各地区对很多建筑的能耗数据进行了采集，但主要为实现能耗的分项计量和分项能耗数据的统计展示。同时，目前的数据采集方法多集中在对能耗数据本身进行采集，对能耗影响因素数据采集较少。此外，这些能耗数据采集设备多为定时对设备各项数据进行测量，读取，并没有注重某些设备从一个状态过度到另一个状态消耗的时间以及能耗。而了解可这些信息，才能对不同设备的开启时间，开启状态顺序进行规划，寻找最优调度方案。

同时，在大型商场、酒店、写字楼等的全年能耗中,大约50～60％消耗于空调系统,节能潜力巨大。夏季空调冷负荷高峰与城市用电高峰几乎同步,加剧了峰谷供电的不平衡,使峰期供电不足的矛盾更加突出。空调系统能耗的准确预测,对于优化空调系统运行模式,实现空调系统的综合节能运行具有重要理论指导意义和现实意义。目前的空调能耗预测方法以多元回归分析法，时间序列分析法，人工神经网络分析法为主。这些预测方法都需要大量的历史能耗数据作为支撑。若对建筑空调能耗进行预测则需要进一步搜集影响空调能耗的参数数据。因此，确定影响空调能耗的影响参数是准确预测空调能耗的基础。而根据建筑地理位置，结构，使用方式的不同，影响建筑空调能耗的因素也会有所差别。识别及确定影响建筑能耗的关键因素对空调能耗的准确预测影响较大。而盲目搜集较多的影响因素数据不仅会增加大量的工作量，也会使得预测结果失真。目前确定空调能耗影响因素的计算方法主要有以下几种：能耗模拟软件(Dest-h，Doe-2，EnergyPlus等)分析法，正交分析法， 主成分分析法等。这些方法需要多次实验，并对实验结果进行分析对比从而得出结论。这些方法专业性较强，计算量大，对于不同建筑没有通用性，需重新进行模拟计算。而大多数情况下，一些研究人员在确定空调能耗影响因素时会根据经验进行判断，对影响因素考虑的过细过多，使得能耗预测程序输入数据庞大，占用内存较多，计算缓慢。除此之外，影响因素选择不当，也会对预测结果产生不良影响。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种建筑能源供应设备的能耗预测参数优化方法，该方法能够记录设备能耗，相关影响因素以及设备状态改变的信息，并能够根据建筑特性的不同选择适当的影响设备能耗的参数，同时能够消除使用参数不当对建筑能源供应设备能耗预测的影响。

本发明的目的可以通过以下技术方案来实现：

一种建筑能源供应设备的能耗预测参数优化方法，该方法通过由传感器、模式探测器、数据库、SCADA系统、建模器、预测器、分析器、补偿器和搜索引擎组成的系统实现，其特征在于，所述的方法包括以下步骤：

1)SCADA系统从数据库中获取现有的设备预测模型；

2)根据用户指令进行数据采集或数据分析，若进行数据采集，则执行步骤3)，若进行数据分析，则进行步骤7)；

3)通过传感器采集建筑内能源供应设备的基本参数，通过模式探测器检测能源供应设备的状态信息及状态改变时间，进行处理后保存在数据库中；

4)根据用户指令判断是否生成设备运行计划，若为是，则输入设备运行的目标状态，并执行步骤5)；若为否，则返回步骤3)；

5)搜索引擎和预测器根据数据库中数据生成设备状态转移矩阵，结合步骤4)中输入的设备运行的目标状态，计算并输出该设备运行计划及其所需的操作时间、设备能耗和污染排放等信息；

6)根据用户指令选择设备运行计划，选择完毕后执行步骤10)；

7)通过分析器执行数据分析，搜索设备运行计划中可改进的影响参数；

8)根据用户指令选择是否对设备运行计划进行参数改进；若为是，则执行步骤9)，若为否，则执行步骤11)；

9)对设备运行计划的中可改进的影响参数进行参数改进，并执行步骤10)；

10)执行设备运行计划，并执行步骤11)；

11)判断是否完成操作，若为否，则返回步骤2)，若为是，则结束能耗预测参数优化。

步骤1)中所述的设备预测模型包括设备能耗模型，能量流动模型，输出环境模型，由建模器建立，由补偿器进行优化修改。

步骤3)的具体包括以下步骤：

31)传感器测量能源供应设备的基本参数，包括电压、电流、消耗电能、温度、湿度和空调风速；

32)模式探测器计算基本参数测量值的变化量，并将测量值分类为设置值和自由值，所述的设置值是由用户输入的环境或者设备需要达到的设备目标状态，自由值是未达到设置值时的测量值；

33)模式探测器识别当前设备状态；

34)判断当前设备状态是否等于先前设备状态，若为是，保存测量数据后返回步骤31)；若为否，则保存先前设备状态的状态改变时间；

35)模式探测器存储当前设备状态的状态信息及状态开始时间；

36)模式探测器通过建模器建立先前设备状态的设备预测模型；

37)搜索引擎对数据库进行搜索，判断是否存在与先前设备状态相同的状态，若存在，则由补偿器对该状态的设备预测模型进行修改并保存，若不存在，则将步骤36)建立的设备预测模型保存于数据库内；

38)判断是否接收到完成信号，若为否，保存测量数据后，返回步骤31)，若为是，则结束整个步骤3)并继续向下执行。

所述的设备预测模型包括运行状态为连续数据的复杂设备预测模型和运行状态为离散数据的简单设备预测模型，所述的简单设备预测模型通过状态转变的能耗和状态改变所消耗的时间建立模型，所述的复杂设备预测模型通过以下步骤建立模型：

A)从数据库中获取可影响设备能耗的所有影响因素的原始数据，生产数据集D1，然后对数据集D1进行无放回抽样，生成数据集D2；

B)对数据集D2应用二叉树分类预测算法，生成决策树，并对该决策树进行剪枝处理；

C)提取剪枝后的决策树的分类规则，即为实际对设备能耗产生的影响因素；

D)将提取的影响因素应用于数据集D1，删去多余的影响因素，生成数据集D1'，采用前向反馈神经网络可对空调能耗进行预测，该神经网络中间层激活函数采用Sigmoid函数，输入层则包括数据集中的设备能耗数据以及数据集D1'中的影响因素。

与现有技术相比，本发明具有以下优点：

1)该方法不但能够利用各种传感器及能耗采集装置记录设备的运行状态，环境参数，还可同时记录这些环境参数及运行状态改变时间等各种数据。

2)该方法可根据数据库中的记录自动选择不同设备的能耗影响因素，同时预测设备在不同情况下状态改变需要的能耗及时间，由此向用户提供设备的最优调度计划及工作顺序，实现最小能耗，最短交货时间或者完工时间。

3)该方法能够记录设备状态改变的信息，并能够根据建筑特性的不同选择适当的影响设备能耗的参数，同时能够消除使用参数不当对建筑动力设备能耗预测的影响。而建筑能耗监控仅为记录信息，对于状态何时改变没有记录。

附图说明

图1为本发明所采用的系统结构图；

图2为本发明的总体流程图；

图3为本发明中数据获取过程的流程图；

图4为本发明针对空调设备能耗建模的流程图。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。

实施例

如图1所示，在某建筑10中有一些能源供应设备20，整个系统包括SCADA(监督控制和数据采集)系统100、电流表120、电压表130、温度传感器140、湿度传感器150、速度计160和其他传感器170在内的多种用于设备基本数据的传感器110。这些传感器采集测量值并传回SCADA系统100中，并保存在数据库300内。I/O设备180用来从外部系统输入数据，同时向外部系统传送SCADA系统的数据，模式探测器200用来监测设备状态改变并且存储状态信息至数据库300中，数据库300记录基本数据的测量值、设备预测模型310等数据等。建模器400用于 建立设备预测模型，搜索引擎500在数据库300中搜索数据，预测器600利用设备预测模型模拟未知状态，对未采集到的设备预测模型参数进行模拟补充，补偿器700用来对已有的设备预测模型进行修改，调度程序800能够产生可供选择的操作程序，分析器900则用于在测量数据和模拟数据的基础上，结合设备预测模型确定可以改进的数据点。

图2显示了本发明进行能耗参数优化的具体过程：

步骤S120：SCADA系统100从数据库300中装载模型310，包括设备能耗模型，能量流动模型，输出环境模型等。

步骤S130：根据用户指令进行数据采集或数据分析，如果用户选择数据采集，则执行步骤S140实施数据获取操作，此步骤中主要是通过传感器采集建筑内能源供应设备的基本参数，通过模式探测器检测能源供应设备的状态信息及状态改变时间，进行处理后保存在数据库中；如果选择数据分析，则执行步骤S150，进行数据分析。

步骤S160：系统根据用户指令判断是否生成设备运行计划，若为是，则执行步骤S170输入设备运行的目标状态，如设备运行之后环境需要达到的温度，湿度，风速等，如表1所示；若为否，则返回重复执行步骤S140和S160。

步骤S180：搜索引擎500和预测器600根据数据库中的数据生成设备状态转移矩阵，这些状态转换消耗的能耗及时间如表2所示，结合步骤S170中输入的设备运行的目标状态，然后执行步骤S190，计算并输出该设备运行计划及其所需的操作时间、设备能耗和污染排放等信息。如果有四个目标状态，则不同情况下的达到该状态的路径数目为P₄ ²，即12个。若数据库300中存在某个路径的状态变化数据，则由搜索引擎500直接将该数据提取到该状态转移矩阵中。若该路径不存在，则由预测器600根据设备预测模型310自动生成。根据状态转移矩阵，调度程序800输出不同的设备操作运行计划及该计划对应的操作时间，设备能耗，CO₂排放量。而后，用户在步骤S200中选择合适的调度计划，在步骤S210中将执行该计划。

表1

表2

步骤S150：如果用户在步骤S130中选择数据分析，则进入本步骤，分析器900执行数据分析，搜索设备运行计划中可改进的影响参数；

步骤S230：判断是否改进目前的设备操作方式，若为执行，进入步骤S240实施以节能为目标的设备操作方案。若不执行，则进入步骤S220。

步骤S250：判断是否完成操作，若为是，则结束整个能耗参数优化。若为否，则进入步骤S130，重复以上步骤。

步骤S140中的数据采集过程如图3所示，包括了以下几个步骤：

步骤S310：多个传感器110包括电压表120、电流表130、温度传感器140、湿度传感器150和风速计160及其它传感器170等。本步骤中系统读取这些传感器的测量值。

步骤S320：模式探测器200计算电压，电流，温度，湿度，风速等测量值的变化量。

步骤S330：模式探测器200将测量数据分为设置值和自由值两个类型，在相同的条件下，设置值是由用户输入的环境或者设备需要达到的目标状态，是基本恒定的。但是当环境状态需要改变时，设置值可能被用户改变。即使如此，在同一个状态中，即无论是在先前状态或者目前状态中，设置值都温度是恒定的。而此时自由值也有可能是恒定的。例如，分类方法认定输入参数THV为一个阈值。

${\stackrel{\‾}{v}}_{i,t}=\frac{1}{N}\underset{n=t-N+1}{\overset{t}{\Σ}}{v}_{i,n},(n=1,2,\mathrm{...},t;t>N)---\left(1\right)$

${\stackrel{\·}{v}}_{i,t}=\frac{v_{i,t}-v_{i,t-N}}{N}---\left(2\right)$

这里,v_i,n测量值,v_i,1是第一个测量值,为v_i,n在时间t上的平均值,N为v_i,n例子数目，,则为v_i,n在时间t上的的变化率。

如果以下几个条件同时成立：

和

则：j_i,t＝0

否则：j_i,t＝1 (3)

这里j_i,t为参数，代表条件的状态。公式(3)为一个状态的例子。状态不同则公式有可能不同。

而后，模式检测器200计算判定值c及d如公式(4)及公式(5)所示：

$c=\frac{1}{M}\underset{t=1}{\overset{M}{\Σ}}(j_{i,t-1}\⊕j_{i,t}),(j_{i,0}=0)---\left(4\right)$

$d=\frac{1}{M}\underset{t=1}{\overset{M}{\Σ}}\left(j_{i,t}\right)---\left(5\right)$

这里，M是时间窗口的数目，为或运算的操作符。

如果c≤THV4且d≤THV5，则测量值v_i,n为设置值，否则为自由值。阈值THV1,THV2,THV3，THV4和THV 5对应测量系统输入。如果测量值的类型在执行之前已经被告知，则可以提前设置测量值类型。例如，温度，湿度，风速等。

步骤S340：模式探测器200识别当前设备状态。

步骤S360：判断当前设备状态是否等于先前设备状态，若等于，则执行步骤S370保存测量数据后返回步骤S310；若为否，则模式探测器200保存先前设备状态的状态改变时间。当公式(4)中M等于2且检索时间值时，该操作可以实现，此时c＝0.5。

步骤S380：模式探测器200存储当前设备状态的状态信息及状态开始时间。

步骤S390：模式探测器200建立之前状态的模型。

步骤S400：搜索引擎500在数据库300中搜索与先前设备状态相同的状态，如果有，补偿器700修改之前状态的模型，同时模式探测器200执行步骤S410对此模型进行修改并存储；如果数据库300中没有，则模式探测器200执行步骤S390，存储之前的状态模型在数据库300中。

步骤S430：如果系统收到完成信号，则模式探测器200完成程序。若未收到 完成信号，则执行步骤S370存储测量数据。同时，若目前状态与先前状态不同，则模式探测器200重复步骤S320到S430。

其中，设备预测模型包括运行状态为连续数据的复杂设备预测模型，空调等，以及运行状态为离散数据的简单设备预测模型，如大型风机等。所述的简单设备预测模型通过状态转变的能耗和状态改变所消耗的时间建立模型，所述的复杂设备预测模型如图4所示，通过以下步骤建立模型：

A)从数据库中获取可影响设备能耗的所有影响因素的原始数据，生产数据集D1，然后对数据集D1进行无放回抽样，生成数据集D2；

B)对数据集D2应用二叉树分类预测算法，生成决策树，并对该决策树进行剪枝处理，数据集中所有影响因素参数数据作为二叉树划分依据，使用Gini系数作为最佳划分的度量标准。为防止数据过度拟合，最大程度减少噪声对划分精度的影响，需对该分类树进行剪枝。使用悲观错误剪枝算法，即：对决策树上所有的非叶子结点A进行计算分析。搜索时从决策树的根结点开始，计算每个分枝节点被剪后或者是被子树替换后的期望错误率。同时将数据源作为一个整体，考虑最坏的情况，取置信区间的上限作悲观情况下的错误估计。给定一个置信度c，认为错误总数服从N项贝努利分布，因而有概率等式为：

$P\[\frac{f-q}{\sqrt{\frac{q(1-q)}{N}}}>{\mathrm{\μ}}_{1-c}\]=c$

其中q表示估计的错误率，N表示被修剪的子树下的实例总数，假设E表示修剪后出现的错误实例数，f＝E/N则为实际观测到的错误率。令z＝μ_1-c，，取置信区间的上限作为该结点的悲观错误率估计。则可得该节点的估计悲观错误率q为：

$q=\frac{f+\frac{z^2}{2N}+Z\sqrt{\frac{f}{N}-\frac{f^2}{N}+\frac{z^2}{4N^2}}}{1+\frac{z^2}{N}}$

给定一个期望错误率最高阈值C。当剪去节点A时，如果导致的错误率q不高于给定的阀值c，则剪去节点A下的子树；否则，保留节点A下的子树。

C)提取剪枝后的决策树的分类规则，即为实际对设备能耗产生的影响因素；

D)将提取的影响因素应用于数据集D1，删去多余的影响因素，生成数据集D1'，采用前向反馈神经网络可对空调能耗进行预测，该神经网络中间层激活函数 采用Sigmoid函数，输入层则包括数据集中的设备能耗数据以及数据集D1'中的影响因素。

以某办公建筑内的空调设备为例：

1)采集到该空调的基本参数和状态变化信息，空调能耗数据以及影响因素数据组成数据集D1。其中影响因素数据考虑为：室外温度(T)，室外湿度(H)，风速(Ws)，阳光辐射强度(S)，办公人数(N)，时间类型(Hour)，星期类型(Week)。抽样D1中1/10数据生成数据集D2。

2)对数据集D2应用Gini系数分类方法，辅以PEP剪枝算法，生成决策树。

3)对该决策树的分类规则进行研究，选取室外温度(T)，室外湿度(H)，时间类型(Hour)，星期类型(Week)为主要影响因素。据此修改数据集D1为D1’。

4)建立三层BP神经网络模型，具体网络结构如下：输入层28点，包括预测日前一天的24个小时负荷值以及4个影响因素参数变量；中间层选择12个点；输出层为24个点，为预测日当天24个小时的负荷值。根据计算结果可知，简化影响因素数量之后神经网络计算能力增强，计算时间缩短。同时，预测精度提高了2个百分点。

Claims (4)

1.一种建筑能源供应设备的能耗预测参数优化方法，该方法通过由传感器、模式探测器、数据库、SCADA系统、建模器、预测器、分析器、补偿器和搜索引擎组成的系统实现，其特征在于，所述的方法包括以下步骤：

1)SCADA系统从数据库中获取现有的设备预测模型；

2)根据用户指令进行数据采集或数据分析，若进行数据采集，则执行步骤3)，若进行数据分析，则进行步骤7)；

3)通过传感器采集建筑内能源供应设备的基本参数，通过模式探测器检测能源供应设备的状态信息及状态改变时间，进行处理后保存在数据库中；

4)根据用户指令判断是否生成设备运行计划，若为是，则输入设备运行的目标状态，并执行步骤5)；若为否，则返回步骤3)；

5)搜索引擎和预测器根据数据库中数据生成设备状态转移矩阵，结合步骤4)中输入的设备运行的目标状态，计算并输出该设备运行计划及其所需的操作时间、设备能耗和污染排放信息；

6)根据用户指令选择设备运行计划，选择完毕后执行步骤10)；

7)通过分析器执行数据分析，搜索设备运行计划中可改进的影响参数；

8)根据用户指令选择是否对设备运行计划进行参数改进；若为是，则执行步骤9)，若为否，则执行步骤11)；

9)对设备运行计划的中可改进的影响参数进行参数改进，并执行步骤10)；

10)执行设备运行计划，并执行步骤11)；

11)判断是否完成操作，若为否，则返回步骤2)，若为是，则结束能耗预测参数优化。

2.根据权利要求1所述的一种建筑能源供应设备的能耗预测参数优化方法，其特征在于，步骤1)中所述的设备预测模型包括设备能耗模型，能量流动模型，输出环境模型，由建模器建立，由补偿器进行优化修改。

3.根据权利要求1所述的一种建筑能源供应设备的能耗预测参数优化方法，其特征在于，步骤3)的具体包括以下步骤：

31)传感器测量能源供应设备的基本参数，包括电压、电流、消耗电能、温度、湿度和空调风速；

32)模式探测器计算基本参数测量值的变化量，并将测量值分类为设置值和自由值，所述的设置值是由用户输入的环境或者设备需要达到的设备目标状态，自由值是未达到设置值时的测量值；

33)模式探测器识别当前设备状态；

34)判断当前设备状态是否等于先前设备状态，若为是，保存测量数据后返回步骤31)；若为否，则保存先前设备状态的状态改变时间；

35)模式探测器存储当前设备状态的状态信息及状态开始时间；

36)模式探测器通过建模器建立先前设备状态的设备预测模型；

37)搜索引擎对数据库进行搜索，判断是否存在与先前设备状态相同的状态，若存在，则由补偿器对该状态的设备预测模型进行修改并保存，若不存在，则将步骤36)建立的设备预测模型保存于数据库内；

38)判断是否接收到完成信号，若为否，保存测量数据后，返回步骤31)，若为是，则结束整个步骤3)并继续向下执行。

4.根据权利要求1所述的一种建筑能源供应设备的能耗预测参数优化方法，其特征在于，所述的设备预测模型包括运行状态为连续数据的复杂设备预测模型和运行状态为离散数据的简单设备预测模型，所述的简单设备预测模型通过状态转变的能耗和状态改变所消耗的时间建立模型，所述的复杂设备预测模型通过以下步骤建立模型：

A)从数据库中获取可影响设备能耗的所有影响因素的原始数据，生产数据集D1，然后对数据集D1进行无放回抽样，生成数据集D2；

B)对数据集D2应用二叉树分类预测算法，生成决策树，并对该决策树进行剪枝处理；

C)提取剪枝后的决策树的分类规则，即为实际对设备能耗产生的影响因素；

D)将提取的影响因素应用于数据集D1，删去多余的影响因素，生成数据集D1'，采用前向反馈神经网络可对空调能耗进行预测，该神经网络中间层激活函数采用Sigmoid函数，输入层则包括数据集中的设备能耗数据以及数据集D1'中的影响因素。