CN107392368B - 一种基于气象预报的办公建筑动态热负荷组合预测方法 - Google Patents

Abstract

本发明公开了一种基于气象预报的办公建筑动态热负荷组合预测方法，包括如下步骤：(1)利用敏感性分析方法，确定预测模型输入的气象参数类型；(2)利用相关性分析方法，选择气象参数和历史负荷的输入时刻，确定预测模型的输入参数；(3)利用小波变换方法进行历史负荷的特征提取，得到具有周期性和线性特征的低频分量以及具有随机性和非线性特征的高频分量；(4)建立样本数据，包括训练样本和预测样本，并根据所述历史负荷高低频分量的不同特征，建立不同的预测模型，包括支持向量机模型和偏最小二乘回归模型；(5)利用预测样本及所述支持向量机模型和偏最小二乘回归模型，得到最终负荷预测结果。本发明方法能够显著提高负荷的预测精度。

Description

一种基于气象预报的办公建筑动态热负荷组合预测方法

技术领域

本发明涉及一种基于数据驱动的预测方法，具体涉及一种基于气象预报的办公建筑动态热负荷组合预测方法。

背景技术

目前，在办公建筑中，暖通空调系统的能耗大约占总能耗的40％，暖通空调系统的运行管理技术水平普遍较低，大都凭经验进行调控，出现暖通空调系统的供给能量与需求量相差较大，不能与实时的负荷变化相匹配，从而导致热舒适性降低和能耗的增加。随着暖通空调系统的高能耗问题的日益突出，需要提高暖通空调系统运行效率。然而，精准的建筑动态负荷预测是优化暖通空调系统的基础工作，具有非常重要的研究意义。根据预测出的负荷，可以了解负荷的动态变化，进行实时的调控，以达到降低暖通空调系统能耗和改善室内环境的热舒适性的目的。

建筑负荷影响因素有很多，主要包括各种外扰和内扰因素，具有动态性、时变性、多扰量性、不确定性等特征。预测模型的输入参数对预测精度有着十分重要的影响，需要进行分析来确定。常用的热负荷预测的建模方法主要包括人工智能分析、模拟分析和回归分析方法。对于人工智能方法，预测精度较高，但模型较复杂。对于模拟分析方法，建模需要详尽的建筑信息，比如围护结构、人员、照明等参数，而且预测耗时较长，模型的预测精度受模型的参数设置的影响较大。对于回归分析方法，模型较为简单，但在回归分析过程中，当热负荷和自变量间存在较强的相关性时，各自变量间也可能存在严重的自相关性。当各个自变量中存在多重相关性时，会对模型的精确性、可靠性有着较大的影响。此外，现有的热负荷预测方法中，仍存在着以下不足：

(1)预测模型的输入：通常仅利用历史负荷进行建模，或者考虑了气象参数但未筛选出对负荷影响较大的气象参数，而且这些作为输入的气象参数并未结合气象预报的实际情况。

(2)预测模型的建立：大都缺少对负荷特征的提取。虽然有的提取了负荷的特征，却未针对负荷的不同特征分别建立合适的模型。

(3)预测模型的工程应用：现有的预测方法多种多样，但缺乏对实际应用问题的考虑，比如数据的获取是否容易，因此不具有普遍适用性，其工程应用性较差。

发明内容

本发明的目的是为了克服现有技术中的不足，提供一种基于气象预报的办公建筑动态热负荷组合预测方法，本发明方法根据负荷的复杂性、时变性特征，建立相应的组合预测模型，能够显著提高负荷的预测精度。

本发明的目的是通过以下技术方案实现的：

一种基于气象预报的办公建筑动态热负荷组合预测方法，包括如下步骤：

(1)利用敏感性分析方法，确定预测模型输入的气象参数类型；

(2)利用相关性分析方法，选择气象参数和历史负荷的输入时刻，进一步确定预测模型的输入参数；

(3)利用小波变换方法进行历史负荷的特征提取，得到具有周期性和线性特征的低频分量以及具有随机性和非线性特征的高频分量；

(4)建立样本数据，包括训练样本和预测样本，并根据所述历史负荷高低频分量的不同特征，建立不同的预测模型，包括支持向量机模型和偏最小二乘回归模型；

(5)利用预测样本及所述支持向量机模型和偏最小二乘回归模型，得到最终负荷预测结果。

进一步的，步骤(1)中所述敏感性分析方法，是通过逐一改变相关的气象参数的大小以解释负荷受这些因素变动影响大小的规律，其敏感性大小可用敏感度系数指标SQ_F进行评价。通过模拟软件实现所述敏感性分析方法，通过修改模拟所需气象文件中相应的气象参数，利用修改的气象文件进行模拟，以计算敏感度系数指标的大小。所述气象参数包括室外干球温度、相对湿度、法向太阳直射、水平面太阳散射、风速及风向。

进一步的，步骤(2)中所述相关性分析方法包括Pearson相关和Spearman相关；在进行相关性分析之前，首先判断样本是否为正态分布，若是，则用Pearson相关，否则用Spearman相关；并选择相关系数大于0.3的气象参数和历史负荷。

进一步的，步骤(3)中所述小波变换方法选择Dmeyer波函数作为小波基函数，其中Dmeyer波函数也记为dmey，包括以下具体流程：

1)利用尺度函数

和小波函数ψ(t)生成函数簇：

ψ_j,k(t)＝2^j/2ψ(2^jt-k)

式中，t为时间序列，j为尺度参数，k为平移参数；

2)根据得到的函数簇，利用如下公式对负荷进行分解：

式中，j₀为预定义的尺度参数，c_j0(k)为低频分量系数，v_j(k)为高频分量系数；其中，对所选择的历史负荷S(t)进行二层分解，得到一个低频分量A₂(t)和两个高频分量D₁(t)，D₂(t)，且满足关系式：S(t)＝A₁(t)+D₁(t)＝A₂(t)+D₂(t)+D₁(t)。

进一步的，步骤(4)中所述训练样本和预测样本的输入向量为所选时刻的历史负荷和气象参数，输出为预测时刻负荷。所述支持向量机模型针对具有随机性和非线性特征的高频分量而建立；所述偏最小二乘回归模型针对具有周期性和线性特征的低频分量而建立。步骤(4)中，所述偏最小二乘回归模型的具体流程如下：

1)数据标准化处理；

2)提取主成分；

3)建立偏最小二乘回归模型。

所述支持向量机模型的具体流程如下：

1)数据归一化处理；

2)根据训练样本建立支持向量机目标函数；

3)根据粒子群优化算法优化支持向量机模型，包括以下步骤：首先将粒子群初始化；然后利用支持向量机进行训练，并计算适应度值，记录粒子个体历史最优值和群体历史最优值；更新粒子的速度和位置，判断判断是否满足终止条件，若满足，则终止搜索，得到支持向量机关键参数的最优组合，否则，进行下一轮的搜索。

4)将最优组合参数代入支持向量机模型，得到其决策回归模型。

进一步的，步骤(5)中将预测样本输入上一步得到的支持向量机模型和偏最小二乘回归模型，并将各个模型的预测结果进行求和，得到最终负荷预测结果。通过对上述模型，进行提前不同时刻的输入，可得到提前不同时刻的负荷预测结果。

与现有技术相比，本发明的技术方案所带来的有益效果是：

本发明构建了一种基于气象预报的办公建筑热负荷预测组合方法，该方法综合利用了小波变换特征提取能力、偏最小二乘的多重共线性处理能力以及支持向量机的非线性处理能力，具有较高的预测精度和较强的泛化能力，能够实现对未来1小时、2小时、3小时等24小时以内的建筑动态热负荷预测。

附图说明

图1是本发明方法的流程示意图。

图2是两层小波分解树形示意图。

图3是组合预测方法中偏最小二乘回归模型的流程图。

图4是组合预测方法中支持向量机模型的流程图。

具体实施方式

为了使本发明的目的、技术方案和优点更加清楚，下面结合附图对本发明实施方式进一步的详细描述：

图1所示为本发明基于气象预报的办公建筑动态热负荷组合预测方法流程示意图，其中PLS表示偏最小二乘回归模型，SVM表示支持向量机模型，具体包括如下步骤：

1)利用敏感性分析方法，筛选气象参数中对负荷影响较大的因素，确定预测模型中需要考虑的气象参数类型。用于敏感性分析的气象参数主要包括室外干球温度、相对湿度、法向太阳直射、水平面太阳散射、风速、风向等。该方法是通过逐一改变相关气象参数的大小来解释负荷受这些因素变动影响大小的规律，其敏感性大小可以用敏感度系数指标SQ_F进行评价，可以用模拟软件比如DesignBuilder软件实现，通过修改模拟所需气象文件中相应的气象参数，利用修改的气象文件进行模拟，可计算敏感度系数指标SQ_F的大小，得到对热负荷影响较大的气象参数。其中，敏感度系数指标SQ_F＝ΔQ/ΔF，ΔF为不确定性因素F的变化；ΔQ为不确定因素F发生ΔF变化时，评价指标Q的相应变化。

2)利用相关性分析方法，选择气象参数和历史负荷的输入时刻，进一步确定预测模型的输入参数。将历史负荷作为输入，能够降低办公建筑内扰因素对预测模型精度的影响。所采用的相关性分析方法包括Pearson相关和Spearman相关。在进行相关性分析之前，首先需要判断样本是否为正态分布，若是，则用Pearson相关，否则用Spearman相关。选择相关系数大于0.3的气象参数和历史负荷。关于动态负荷的预测模型的最终输入参数还要结合气象预报和实际情况，比如气象预报中不包含太阳辐射参数，仅能输入历史太阳辐射值；对于提前2小时的预测模型，提前1小时的历史负荷不能获得便不能作为输入。

3)利用小波变换方法进行历史负荷的特征提取。采用Dmeyer(dmey)波函数，利用尺度函数

和小波函数ψ(t)生成函数簇：

ψ_j,k(t)＝2^j/2ψ(2^jt-k)

式中，t为时间序列，j为尺度参数，k为平移参数

根据得到的函数簇，得到对历史负荷进行分解的公式为：

式中，S(t)为历史负荷，j₀为预定义的尺度参数，c_j0(k)为低频分量系数，v_j(k)为高频分量系数。

利用上式对所选择的历史负荷进行二层分解，得到一个低频分量和两个高频分量。其中，低频分量具有周期性和线性特征，高频分量具有随机性和非线性特征。图2是两层小波分解树形图，包括如下步骤：

a.对历史负荷进行一层分解，得到一个低频分量A₁(t)和一个高频分量D₁(t)。

b.对高频分量不再进行分解，对低频分量A₁(t)继续进行分解，可以得到一个新的低频分量A₂(t)和一个新的高频分量D₂(t)，最终历史负荷可以表示为：

S(t)＝A₁(t)+D₁(t)＝A₂(t)+D₂(t)+D₁(t)

4)建立样本数据，包括训练样本和预测样本，其中，输入向量为所选时刻的历史负荷和气象参数，输出为预测时刻负荷。根据提取负荷分量的不同特征，建立不同的预测模型。利用偏最小二乘回归、支持向量机分别对低频分量和高频分量进行建模；对于具有周期性和线性特征的低频分量，建立偏最小二乘回归模型，对于具有随机性和非线性特征的高频分量，建立支持向量机模型，并利用训练样本进行模型的训练。其中，偏最小二乘回归的最佳主成分的个数根据交叉有效性进行确定，支持向量机的关键参数采用粒子群优化算法进行确定。

图3是偏最小二乘回归模型的流程图，具体包括如下步骤：

a.数据标准化处理：

利用如下公式对数据进行标准化处理：

式中，n为样本总数，x_ij为第i个样本第j个变量的值，x_ij ^*为x_ij标准化后的数据，

为第j个变量的平均值。

b.主成分的提取：

设F₀是因变量y的标准化变量，E₀是自变量集合X的标准化矩阵。

从F₀中抽取一个成分u₁，u₁＝F₀c₁，其中||c₁||＝1，c₁为F₀的第一个轴；从E₀中抽取一个成分t₁，t₁＝E₀w₁，其中，||w₁||＝1，w₁为E₀的第一个轴。此处有两个要求：t₁对u₁的相关程度达到最大，也就是它们有最强的解释能力；t₁和u₁最大程度上携带原变量组的变异信息。求出w₁与t₁，则F₀，E₀对t₁的回归方程为：

E₀＝t₁p₁ ^T+E₁

F₀＝t₁r₁+F₁

其中p₁，r₁为回归系数，

回归方程的残差矩阵为：

E₁＝E₀-t₁p₁ ^T

F₁＝F₀-t₁r₁

用E₁代替E₀，F₁代替F₀，同样用上述方法求第二主成分t₂,依次类推继续进行主成分的提取。提取的最佳主成分的个数根据交叉有效性Q_h ²进行确定，若Q_h ²≥0.0975，则该主成分的增加能够使预测模型的得到改善，继续提取主成分；否则，停止主成分的提取，且对该主成分不作考虑。

关于交叉有效性Q_h ²的计算如下：

其中，x_i为自变量x的第i个样本,y_i为因变量y的第i个样本，ξ_i和

为松弛变量，C惩罚参数，ω为权值矢量，b为阈值，ε为不敏感损失函数，

为低维空间到高维空间的一种分线性映射关系。

c.偏最小二乘回归模型的建立：

F₀关于t₁，t₂，……,t_h的偏最小二乘回归方程是：

F₀＝r₁t₁+r₂t₂+...+r_ht_h

由于

得到标准变量的偏最小二乘回归方程为：

y^*＝α₁x₁ ^*+α₂x₂ ^*+...+α_mx_m ^*

其中，y^*、x^*分别为因变量和自变量的标准化，

w_hj ^*为w_h ^*的第j个分量，m为自变量个数。

图4是支持向量机模型的流程图，具体包括如下步骤：

a.数据归一化处理

式中，x_ij ^*，x_ij分别为归一化前后的数据,x_j,min,x_j,max分别为x_ij所在列的最小值和最大值。b.根据训练样本建立如下的支持向量机目标函数：

ξ_i≥0,

i＝1,2,…n

其中，x_i为自变量x的第i个样本,y_i为因变量y的第i个样本，ξ_i和

为松弛变量，C惩罚参数，ω为权值矢量，b为阈值，ε为不敏感损失函数，

为低维空间到高维空间的一种分线性映射关系。

c.粒子群优化算法优化支持向量机模型

由于支持向量机模型的关键参数比如惩罚参数C，均直接影响着模型的精度，故采用粒子群优化算法确定这些参数的最优组合，然后将最优组合参数代入支持向量机模型得到其决策回归模型。具体过程如下：

首先将粒子群初始化，产生初始粒子和速度；然后利用支持向量机进行训练，并计算适应度值，记录粒子个体历史最优值和群体历史最优值；根据粒子速度和位置方程更新粒子的速度和位置；用支持向量机训练，并计算适应度值，记录粒子个体历史最优值和群体历史最优值；判断是否满足终止条件，若满足，则终止搜索，得到支持向量机关键参数的最优组合，否则，进行下一轮的搜索。

d.将最优组合参数代入支持向量机模型，得到其决策回归模型

5)将预测样本输入上一步得到的支持向量机模型和偏最小二乘回归模型，并将各个模型的预测结果进行求和，得到最终负荷预测结果。通过对上述模型，进行提前不同时刻的输入，可得到提前不同时刻的负荷预测结果。

本发明并不限于上文描述的实施方式。以上对具体实施方式的描述旨在描述和说明本发明的技术方案，上述的具体实施方式仅仅是示意性的，并不是限制性的。在不脱离本发明宗旨和权利要求所保护的范围情况下，本领域的普通技术人员在本发明的启示下还可做出很多形式的具体变换，这些均属于本发明的保护范围之内。

Claims (9)

1.一种基于气象预报的办公建筑动态热负荷组合预测方法，其特征在于，包括如下步骤：

(1)利用敏感性分析方法，确定预测模型输入的气象参数类型；

(2)利用相关性分析方法，选择气象参数和历史负荷的输入时刻，进一步确定预测模型的输入参数；相关性分析方法包括Pearson相关和Spearman相关；在进行相关性分析之前，首先判断样本是否为正态分布，若是，则用Pearson相关，否则用Spearman相关；并选择相关系数大于0.3的气象参数和历史负荷；

(3)利用小波变换方法进行历史负荷的特征提取，得到具有周期性和线性特征的低频分量以及具有随机性和非线性特征的高频分量；

(4)建立样本数据，包括训练样本和预测样本，并根据所述历史负荷高低频分量的不同特征，建立不同的预测模型，包括支持向量机模型和偏最小二乘回归模型；

(5)利用预测样本及所述支持向量机模型和偏最小二乘回归模型，得到最终负荷预测结果。

2.根据权利要求1所述一种基于气象预报的办公建筑动态热负荷组合预测方法，其特征在于，步骤(1)中所述敏感性分析方法，是通过逐一改变相关的气象参数的大小以解释负荷受这些因素变动影响大小的规律，其敏感性大小用敏感度系数指标SQ_F进行评价。

3.根据权利要求1或2所述一种基于气象预报的办公建筑动态热负荷组合预测方法，其特征在于，通过模拟软件实现所述敏感性分析方法，通过修改模拟所需气象文件中相应的气象参数，利用修改的气象文件进行模拟，以计算敏感度系数指标的大小。

4.根据权利要求1或2所述一种基于气象预报的办公建筑动态热负荷组合预测方法，其特征在于，步骤(1)中，所述气象参数包括室外干球温度、相对湿度、法向太阳直射、水平面太阳散射、风速及风向。

5.根据权利要求1所述一种基于气象预报的办公建筑动态热负荷组合预测方法，其特征在于，步骤(3)中所述小波变换方法选择Dmeyer波函数作为小波基函数，其中Dmeyer波函数也记为dmey，包括以下具体流程：

1)利用尺度函数

和小波函数ψ(t)生成函数簇：

ψ_j,k(t)＝2^j/2ψ(2^jt-k)

式中，t为时间序列，j为尺度参数，k为平移参数；

2)根据得到的函数簇，利用如下公式对负荷进行分解：

式中，j₀为预定义的尺度参数，c_j0(k)为低频分量系数，v_j(k)为高频分量系数；其中，对所选择的历史负荷S(t)进行二层分解，得到一个低频分量A₂(t)和两个高频分量D₁(t)，D₂(t)，且满足关系式：S(t)＝A₁(t)+D₁(t)＝A₂(t)+D₂(t)+D₁(t)。

6.根据权利要求1所述一种基于气象预报的办公建筑动态热负荷组合预测方法，其特征在于，步骤(4)中训练样本和预测样本的输入参数为所选时刻的历史负荷和气象参数，输出为预测时刻负荷。

7.根据权利要求1所述一种基于气象预报的办公建筑动态热负荷组合预测方法，其特征在于，所述支持向量机模型针对具有随机性和非线性特征的高频分量而建立；所述偏最小二乘回归模型针对具有周期性和线性特征的低频分量而建立。

8.根据权利要求1或7所述一种基于气象预报的办公建筑动态热负荷组合预测方法，其特征在于，步骤(4)中，所述偏最小二乘回归模型的具体流程如下：

1)数据标准化处理；

2)提取主成分；

3)建立偏最小二乘回归模型。

9.根据权利要求1或7所述一种基于气象预报的办公建筑动态热负荷组合预测方法，其特征在于，步骤(4)中，所述支持向量机模型的具体流程如下：

1)数据归一化处理；

2)根据训练样本建立支持向量机目标函数；

3)根据粒子群优化算法优化支持向量机模型，包括以下步骤：首先将粒子群初始化；然后利用支持向量机进行训练，并计算适应度值，记录粒子个体历史最优值和群体历史最优值；更新粒子的速度和位置，判断是否满足终止条件，若满足，则终止搜索，得到支持向量机关键参数的最优组合，否则，进行下一轮的搜索；

4)将最优组合参数代入支持向量机模型，得到其决策回归模型。

Images