CN105868887A

CN105868887A - 一种基于分项计量的楼宇综合能效分析方法

Info

Publication number: CN105868887A
Application number: CN201610168903.XA
Authority: CN
Inventors: 林顺富; 郝朝; 汤晓栋; 符杨; 李东东
Original assignee: Shanghai University of Electric Power
Current assignee: Shanghai University of Electric Power; University of Shanghai for Science and Technology
Priority date: 2016-03-23
Filing date: 2016-03-23
Publication date: 2016-08-17

Abstract

本发明涉及一种基于分项计量的楼宇综合能效分析方法，其特征在于，包括以下步骤：1)获取楼宇的日用电量数据，包括日总用电量、用电设备日总用电量、各个用电设备机组日用电量和日气象温度数据，并进行预处理补全缺失数值和损坏数据；2)采用K均值算法对日用电量数据进行泛化处理，得到泛化数据集；3)采用FP增长算法对泛化数据集进行关联规则分析，得到楼宇总能耗与气象温度以及各个用电设备间的关联性。与现有技术相比，本发明具有算法先进、效果明显等优点。

Description

一种基于分项计量的楼宇综合能效分析方法

技术领域

本发明涉及楼宇综合能效分析，尤其是涉及一种基于分项计量的楼宇综合能效分析方法。

背景技术

楼宇建筑能耗占了全球总能源消耗的约40％，是温室气体排放的重要来源之一。我国楼宇耗电量约占全国城镇总耗电量的27％，95％以上建筑属于高耗能建筑，单位建筑能耗是发达国家的1.5～2倍。未来，随着我国经济发展和产业结构调整，楼宇建筑能耗比重将继续上升。为了应对能源危机和环境恶化，楼宇建筑的节能工作受到政府及产学界的重要关注。

楼宇的能效管理系统能对建筑内的各个用能子系统的能耗分项计量数据进行采集分析、评估诊断和优化控制，达到提高能效和减少浪费的目的。分项计量数据的分析评估可提取设备用能特征、识别异常，是建立科学节能模式和优化运行方案的基础，在能效管理系统中具有重要的作用。

传统的能效分析根据既有的指标对楼宇能耗进行评估，并不能挖掘出楼宇能耗深层次的关系和结论。并且受数据质量、执行难易度和经济发展水平限制，传统能效分析评价受到限制。在最近几年，提出一些楼宇能量管理系统中能耗数据的智能分析方法：通过楼宇日负荷曲线特征提取，异常检测，典型变量分析以及简单分类器对楼宇进行能耗异常检测和负荷预测，有效的负荷预测可以节省电力系统的调度开支；量化分析楼宇建筑15分钟间隔电能消耗数据的方法，可以让管理者更好地了解楼宇设备电能消耗，有助于发掘楼宇参与需求响应、降低电能浪费和尖峰负荷管理的机会；为智能楼宇能量管理系统提出一种使用规则集的决策支持模型，可用于控制楼宇运行数据如何偏离设定值，并进行内部状态诊断和楼宇能量运行优化。

以上方法的研究对象大都是整个楼宇的能耗数据，并不能针对各个用电设备提出针对性建议。本发明基于分项计量的能耗分析技术，采用关联分析技术深层次地挖掘用电设备的用电特征。关联分析是一种发现隐藏在大型数据集中有意义的联系的数据挖掘技术，所发现的联系用关联规则或频繁项集的形式表示。关联规则已经大量应用在金融，医疗，电力市场营销以及设备故障检测上，在楼宇能效分析中应用较少。

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基于分项计量的楼宇综合能效分析方法。

本发明的目的可以通过以下技术方案来实现：

与现有技术相比，本发明具有以下优点：

一、算法先进、效果明显：本发明能够分析楼宇总能耗与气象温度间的关联性以及与各个用电设备的关联特征，有针对性地研究用电设备的用电特征，提出有针对性的节能建议。

二、根据聚类后的典型负荷曲线，有针对性地研究用电设备的用电特征，有助于制定分时电价。

三、根据提取出的用电设备的关联特征，为楼宇节能与改善提供依据，有助于楼宇智能用电需求响应机制以及楼宇设备优化运行策略的制定。

附图说明

图1为本发明的方法流程图。

图2为工作日负荷曲线图。

图3为三类工作日负荷曲线图。

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：

研究数据来源于某办公园区7月～9月各个楼宇和空调机组的用电量，分项计量电表主要包括办公楼宇总电表、19楼总表、C楼总表、D楼总表、中央空调总表及4个空调机组分表等，图1为本发明的方法流程图。

由于得到的电量数据是电表每分钟的读数，因此需要先转换为以15分钟为间隔的功率数据。处理方法是将每15分钟电表读数为一组，用第15分钟的电表读数减去第1分钟的读数再除以时间就得到这段时间内的平均负荷数据。为了清晰显示负荷的变化趋势，使用15分钟消耗的电量作为负荷曲线的每一点。经过数据处理得到7月26日～9月5日共42天的负荷数据。只考虑工作日的负荷变化情况，图2是整个园区办公楼宇30天的工作日负荷曲线，每天96个电量数据点。

1、将得到的负荷曲线应用聚类分析进行数据挖掘，得到差异较大的几类曲线。聚类算法如下：

1)对于一个包含n个d维数据点的数据集X＝{x₁,x₂,…,x_i,…,x_n},其中x_i∈R^d，选择数据集中K个点作为初始聚类中心，每个对象代表一个类别的中心μ_k(k＝1,2,...,K)，本实施例中n＝30，d＝96。

2)计算各点到中心μ_k的欧式距离，按距离最近的准则分别将它们分配给与其最相似的聚类中心代表的类，形成K个簇C＝{c_k,k＝1,2,…K}。每个簇c_k代表一个类。计算该类各点到聚类中心μ_k的距离平方和J(c_k)：

J (c_{k}) = \underset{x_{i} &Element; c_{k}}{Σ} | | x_{i} - u_{k} | |^{2}

3)计算各类样本到其所在类别聚类中心μk总的距离平方和J(C)，直至最小。

J (C) = Σ_{k = 1}^{K} J (c_{k}) = Σ_{k = 1}^{K} \underset{x_{i} &Element; c_{k}}{Σ} | | x_{i} - u_{k} | |^{2} = Σ_{k = 1}^{K} Σ_{i = 1}^{n} d_{k i} | | x_{i} - u_{k} | |^{2}

其中，若x_i∈c_i，d_ki＝1；若d_ki＝0。

最后计算类内所有对象的均值作为该类的新聚类中心。

4)判断聚类中心和J(C)值是否发生改变，若发生改变则转步骤2)，若不再改变则聚类结束。

为了确定最佳聚类效果，引入DB(Davies-Bouldin)有效性指标进行评估，DB指标越小聚类效果越佳。表1得到的是k＝2，3，4时DB指标，可以看出k＝3时，DB指标最小。因此将工作日负荷曲线分为三类。图3是当k＝3时，负荷数据归一化后三类工作日负荷曲线。

表1总表聚类有效性评估

2、泛化数据集

泛化数据集是对电量和气温数据从较低的概念层抽象到较高的概念层。这里采用K-means算法对连续数据进行离散化聚类，用类别的标号代替实际的数据值，形成差异分明、层次清晰的离散数据集，构成关联规则分析所直接面向的数据源，从而为数据挖掘准备了必要条件。具体过程如下：

对办公楼宇日用电量、空调日用电量和气温进行聚类分析，并进行有效性评估，可发现在k＝3时聚类效果最佳，分别将其分成三个区间：低水平、中等水平、高水平。为了研究四个空调机组间的相关性，将各空调机组日用电量大于等于100kWh视为空调开，低于100kWh视为空调关。于是得到泛化等级取值范围，如表2。

表2泛化等级取值范围

对原始数据集中的电量数据、气温数据按照各自泛化等级的取值范围进行等级归类，得到如表3所示的泛化数据集。在表3中，楼宇总表的低水平、中等水平、高水平三个等级分别用E1、E2、E3表示，空调日用电总量的三个等级分别用A1、A2、A3表示。温度的三个等级分别用T1、T2、T3表示。四个空调的开关情况分别用a、b、c、d表示，a1表示1#空调开，a0表示1#空调关，依此类推。

表3泛化数据集

3、获取关联规则

在实现办公楼宇用电量关联性分析时，在Visual c++平台上编程实现了FP-Growth算法以寻找所有的频繁项集，然后再生成强关联规则。FP-Growth算法如下：

1)FP-Growth算法的基本步骤

输入为一个数据集(楼宇总用电量、空调用电量、空调开关状态、气象温度等)和一个最小支持度阈值，输出为频繁项集l。

步骤1：构造FP-Tree

(a)第一次扫描数据集，筛选出项支持度大于最小支持度阈值的所有频繁项的集合F，按每个频繁项的支持度降序排列，结果记为频繁项表L。

(b)创建树的根结点，用“null”表示。第二次扫描数据库，对每一条筛选出的频繁项的集合按L中频繁项的次序创建分枝并插入FP-Tree。

步骤2：对FP-Tree进行数据挖掘得到关联规则

(a)若该树只包含单路径，则对该路径中结点的每个组合生成频繁集输出。

(b)若该树含多条路径，则由长度为1的频繁模式(初始后缀模式)开始，收集它的前缀路径(条件模式基)，然后构建条件FP树，并递归地在该树上进行挖掘。通过后缀模式与条件树产生的频繁模式连接实现输出频繁集模式。

2)强关联规则的生成

由FP-Growth算法得到的每个频繁项集l，生成其所蕴含的强关联规则步骤如下：

(a)生成l的所有非空子集；

(b)对于l中每个非空子集s，补集r＝l-s，如果则输出规则s→r。其中min_conf是最小置信度阈值。由于该规则是由满足最小支持度阈值的频繁项集l产生，因此该规则必然是强关联规则。

将以上泛化数据集及最小支持度阈值录入程序中生成频繁集，然后对频繁集进行挖掘产生强关联规则，作为综合能效分析结果，见表4。

表4强关联规则

从表4我们可以得到以下关联规则：

空调对楼宇总电量的影响

对规则1、规则2、规则3进行分析，当空调用电量分别处于高、中、低等水平时，楼宇总的用电量一定也处于相应水平。可见夏季空调负荷对总负荷有着非常重要的影响。

空调机组间的关联性

对规则4、规则5、规则6进行分析，空调4#(d0)对空调3#(c1)的影响程度更大，即空调3#、4#关联性较高。由于处于同一支路的空调受环境、气温影响更为相似，相关性更大。

气温对空调的影响

对规则7、规则12进行分析，规则7表明气温处于27.5～31.5区间时，空调3#一定会开；将规则7和规则12结合起来考虑，规则12比规则7支持度略低，由0.567下降到0.5，这说明气温处于T2的前提下，空调3#处于开状态的时间主要集中在空调4#处于关状态的时间，并且置信度达到1。

气温与楼宇总用电量的关联性

对规则8、规则9、规则10进行分析，温度与楼宇的用电量有着十分密切的关系。由规则9可知大部分时间温度和用电量处于中等水平，即气温处于27.5～31.5区间时，楼宇总的用电量将有76.5％的概率处于12550～15560kWh。；由规则10可知一旦温度达到31.5度以上，用电量一定处于高水平。

Claims

1.一种基于分项计量的楼宇综合能效分析方法，其特征在于，包括以下步骤：

1)获取楼宇的日用电量数据，包括日总用电量、用电设备日总用电量、各个用电设备机组日用电量和日气象温度数据，并进行预处理补全缺失数值和损坏数据；

2)采用K均值算法对日用电量数据进行泛化处理，得到泛化数据集；

3)采用FP增长算法对泛化数据集进行关联规则分析，得到楼宇总能耗与气象温度以及各个用电设备间的关联性。

2.根据权利要求1所述的一种基于分项计量的楼宇综合能效分析方法，其特征在于，所述的步骤2)具体包括以下步骤：

21)采用聚类算法对楼宇日总用电量、用电设备日总用电量和日气象温度数据进行聚类，通过有效性评估获得聚类类别数目，并通过聚类类别数目对聚类后的数据进行区间划分；

22)设定各个用电设备机组日用电量与机组开关的关系；

23)根据划分后的区间以及各个用电设备机组日用电量与机组开关的关系对对楼宇日总用电量、用电设备日总用电量和日气象温度数据进行等级归类，获得泛化数据集。

3.根据权利要求2所述的一种基于分项计量的楼宇综合能效分析方法，其特征在于，所述的步骤3)具体包括以下步骤：

31)根据泛化数据集构建FP树；

32)在FP树中根据路径生成频繁项集；

33)设定最小置信度阈值，并且根据最小置信度阈值在频繁项集中生成强关联规则，即楼宇总能耗与气象温度以及各个用电设备间的关联性。

4.根据权利要求3所述的一种基于分项计量的楼宇综合能效分析方法，其特征在于，所述的步骤31)具体包括以下步骤：

311)设定最小支持度阈值，并扫描泛化数据集，筛选出项支持度大于最小支持度阈值的所有频繁项的集合F，按每个频繁项的支持度降序排列，获得频繁项表L；

312)创建FP树的根结点，并再次扫描泛化数据集，对每一条筛选出的频繁项的集合按L中频繁项的次序创建分枝并插入FP树。

5.根据权利要求4所述的一种基于分项计量的楼宇综合能效分析方法，其特征在于，所述的步骤32)具体包括以下步骤：

321)当FP树只包含单路径，则对该路径中结点的每个组合生成频繁集并输出；

322)当FP树含多条路径，则由长度为1的频繁模式开始，收集它的前缀路径，并构建条件FP树，并递归地在该树上进行挖掘，通过后缀模式与条件FP树产生的频繁模式连接输出频繁集。