CN107730006A - 一种基于可再生能源大数据深度学习的建筑近零能耗控制器 - Google Patents

Abstract

本发明公开一种基于可再生能源大数据深度学习的建筑近零能耗控制器。其中，特征学习采取的是深度学习中的堆叠降噪自动编码，无监督的学习原始数据中的深度特征，利用机器学习中的XGboost建立建筑可再生能源预测模型，最后根据可再生能源预测值与运行历史能耗数据分别作为线性回归模型的输出层与输入层，构建线性回归模型，得到运行历史能耗相应的各部分能耗权值，根据此权值控制建筑各耗能设备的能耗，使得运行总能耗趋于可再生能源预测值，从而达到建筑近零能耗的控制目标。

Description

一种基于可再生能源大数据深度学习的建筑近零能耗控制器

技术领域

本发明涉及数据挖掘技术与深度学习方法，属于可再生能源大数据深度学习的建筑近零能耗控制方法，包括基于可再生能源大数据的无监督深度特征学习方法和有监督机器学习预测方法，其中特征学习采取的是深度学习中的堆叠降噪自动编码，无监督的学习原始数据中的深度特征，利用机器学习中的XGboost(eXtreme Gradient Boosting)建立建筑可再生能源预测模型，最后根据可再生能源预测值与运行历史能耗数据分别作为线性回归模型的输出层与输入层，构建线性回归模型，得到运行历史能耗相应的各部分能耗权值，根据此权值控制建筑各耗能设备的能耗，使得运行总能耗趋于可再生能源预测值，从而达到建筑近零能耗的控制目标。

背景技术

近零能耗建筑是主要依靠太阳能、地热能、风能等可再生能源来提供能量供给，而不全依赖消耗常规能源的低能耗建筑群体。在这样的建筑群体中有包含了丰富多维的大量数据，数据包括外界环境数据(光照、天气、温度、湿度、风力、地热能)、实际运行能耗(暖通、空调、照明、插座、电梯)、围护结构数据(外挂真空绝热板导热系数、传热系数、保温系数、气密性、遮阳性和采光性)、使用可再生能源数据(土壤源热泵数据、太阳能光热数据)、人员活动数据(人流密集分布、活动时间、行为数据)。

近年来，近零能耗建筑由于其超低能耗、高舒适等特点，受到了国内外建筑行业的广泛关注，但是对于利用近零能耗建筑系统实际运行过程中的实时数据的建模分析与研究尚处于空白。

发明内容

本发明的目的是解决现有技术中的问题，公开一种基于可再生能源大数据深度学习的建筑近零能耗控制器，其特征在于，包括以下步骤:

1)建立建筑可再生能源大数据训练集

在某一办公建筑内选取m天建筑历史可再生能源数据信息，其中主要包括三大部分：外界环境数据信息、围护结构数据信息和使用可再生能源数据信息。

其中，外界环境数据信息包括：光照、温度、湿度、风力、地热能信息；

围护结构数据信息包括：外挂真空绝热板导热系数、传热系数、保温系数、气密性、遮阳性和采光性信息。

使用可再生能源数据信息包括：土壤源热泵数据、太阳能光热数据信息

建筑可再生能源量大数据训练集C₁中含有m个样本，不同样本是由以上的三大部分数据信息构成的高维数据，为t维数据样本。

2)建筑可再生能源大数据预处理

2-1)把对有单位有要求的数据列信息的单位统一化处理，t表示单位统一化处理后的维度；

2-2)对数据集C₁中各列分别进行归一化处理，使各列的数据都映射到[0,1]之内，归一化结束得到数据集R₁。

3)建筑可再生能源大数据深度特征学习

特征学习模型选用堆叠降噪自动编码算法。

3-1)确定堆叠降噪自动编码算法的网络结构，设定其总共有p层，其中有1个输入层，p-2个隐藏层和1个输出层；

3-2)将步骤2所获取的多维数据样本集R₁当作网络的输入层。

3-3)预先设定该隐藏层的初始权重，采用降噪自动编码算法训练，得到相应的训练结果为H₁。

3-4)把之前的训练结果H₁当作下一层的输入层，并重复上一步骤，得到相应的训练结果H₂。

3-5)重复步骤3-3)，3-4)p-2次，最终得到第p层的输出结果为V，训练结束。

4)建立建筑可再生能源系统的产能预测模型

建立建筑可再生能源系统的产能预测模型采用的是XGboost算法。弱分类器迭代计算完成后，采用投票方式得到每个数据样本的预测值W_C,W_C代表可再生能源系统的产能值。

即构建了一个建筑可再生能源系统的产能预测系统。

5)建立建筑运行能耗大数据训练集

建立多维建筑运行能耗量大数据训练集C₂，规定具有相同属性的数据在训练集里为一列，规定不同的样本在训练集里为一行；

其中主要包括两大部分：实际运行能耗信息和人员活动数据信息。

其中，实际运行能耗信息包括：暖通、空调、照明、插座、电梯信息；

人员活动数据信息包括：人流密集分布、活动时间、行为数据信息

建筑可再生能源量大数据训练集C₂中含有m个样本，不同样本是由以上的两大部分数据信息构成的高维数据，为x维数据样本。

6)建筑运行能耗大数据预处理

6-1)把对有单位有要求的数据列信息的单位统一化处理。

6-2)对数据集C₂中各列分别进行归一化处理，使各列的数据都映射到[0,1]之内，归一化结束得到数据集R₂。

7)建立建筑运行能耗线性回归模型

把建筑可再生能源预测值W_C作为线性回归模型的输出层，建筑运行能耗数据集R₂作为线性回归模型的输入层，构建多元线性回归模型，获得线性回归模型的权值H_t。

8)建筑近零能耗控制器

通过线性回归模型训练得到的建筑各部分能耗权值H_t，对建筑实际运行的各能耗设备进行相应的能耗分配，控制建筑各能耗设备，使得建筑实际运行总耗能W_tnew不断趋于可再生能源预测值W_C，即W_C＝W_tnew，最终达到建筑近零能耗的控制目标。

本发明的技术效果是毋庸置疑的：

1)构建了更精确化的可再生能源预测模型，通过将无监督深度特征学习用于建筑可再生能源大数据的预处理，利用一个由多层降噪自动解码器组成的深度神经网络，以无监督方式进行处理，获取可再生能源历史数据中深层次的结构和规律，使得构成的数据表征更易于预测模型的机器学习算法理解，显著改善了XGboost预测模型的预测准确性；

2)结合所预测的可再生能源与运行历史能耗数据进行建筑节能优化分析与决策，通过分析运行历史能耗数据，以预测的可再生能源作为运行总能耗控制结果，得到运行历史能耗相应的各部分能耗权值，根据此权值控制建筑各能耗设备，最终使得建筑运行总能耗不断地趋近于可再生能源预测值，从而达到建筑运行近零能耗的控制目标。

附图说明

图1建筑近零能耗控制的技术总体流程图

图2深度学习算法结构图

图3XGboost构建的可再生能源预测模型

图4建筑历史运行能耗数据表

图5线性回归构建的能耗评估模型。

具体实施方式

下面结合实施例对本发明作进一步说明，但不应该理解为本发明上述主题范围仅限于下述实施例。在不脱离本发明上述技术思想的情况下，根据本领域普通技术知识和惯用手段，做出各种替换和变更，均应包括在本发明的保护范围内。

一种基于可再生能源大数据深度学习的建筑近零能耗控制器，其特征在于，包括以下步骤:

1)建立建筑可再生能源大数据训练集

建立建筑可再生能源大数据得到初始数据集C₁，规定具有相同属性的数据在训练集里为一列，规定不同的样本在训练集里为一行；

在某一办公建筑内选取m天建筑历史可再生能源数据信息，其中主要包括三大部分：外界环境数据信息、围护结构数据信息和使用可再生能源数据信息。

其中，外界环境数据信息包括：光照、温度、湿度、风力、地热能信息；

围护结构数据信息包括：外挂真空绝热板导热系数、传热系数、保温系数、气密性、遮阳性和采光性信息。

使用可再生能源数据信息包括：土壤源热泵数据、太阳能光热数据信息

建筑可再生能源量大数据训练集C₁中含有m个样本，不同样本是由以上的三大部分数据信息构成的高维数据，为t维数据样本。

2)建筑可再生能源大数据预处理

对数据进行预处理，包括归一化等处理，按照数据的相同属性对其归一化；

2-1)把对有单位有要求的数据列信息的单位统一化处理，t表示单位统一化处理后的维度；

2-2)把min-max标准化:(z_i(i＝1,2,3,…,t)成数据集C₁其中一列，max和min分别作为该列里的最大值和最小值，x_i为归一化后的数据列信息，对数据集C₁中各列分别进行归一化处理，使各列的数据都映射到[0,1]之内，归一化结束得到数据集R₁。

3)建筑可再生能源大数据深度特征学习

特征学习模型选用堆叠降噪自动编码算法。具体步骤如下：

3-1)确定堆叠降噪自动编码算法的网络结构，设定其总共有p层，其中有1个输入层，p-2个隐藏层和1个输出层；

3-2)将步骤2所获取的多维数据样本集R₁当作网络的输入层。

3-3)预先设定该隐藏层的初始权重，采用降噪自动编码算法训练，得到相应的训练结果为H₁。

3-4)把之前的训练结果H₁当作下一层的输入层，并重复上一步骤，得到相应的训练结果H₂。

3-5)重复步骤3-3)，3-4)p-2次，最终得到第p层的输出结果为V，训练结束。

降噪自动编码算法利用有噪声的输入数据来训练网络参数，提高了自动编码器的泛化能力，将训练集的数据输入到预先设置好的encoder编码器，得到一个code值，那么code值也可以作为输入的另一种表示，当输出的信息与最开始的输入数据信息很相似，我们可以认为所转化的code值是原始数据的另一种更深层次的抽象表达。同时以反向传播的方式训练网络权值，不断调试encoder与decoder的参数，使得到的重构误差达到最小值，此时就可以得到输入input信号的一种表示。堆叠降噪自动编码器是深度学习领域常用的一个深度学习模型，由多个自动编码器串联堆叠构成，目的是为了逐层提取输入数据的高阶特征，在此过程中逐层降低输入数据的维度，将一个复杂的输入数据转化成了一个系列简单的高阶的特征。如附图2所示

把数据集R₁当作自动编码器的输入训练集，输入训练集R₁先通过自动编码器得到输入层的另一种表示集H₁，其映射关系可以由以下编码表达式确定：

H₁＝R₁C，C表示自动编码器初始转换矩阵。

隐藏层的输出集H₁通过解码的方式再重构一个与R₁同样大小规格信号F。解码表达式：

F＝C^T,T代表矩阵的转置运算

通过自动编码器的转换，得到深度学习提取的特征集V，代入深度学习算法XGboost中进行建筑可再生能源量预测。

4)建立建筑可再生能源系统的产能预测模型

建立建筑可再生能源系统的产能预测模型采用的是XGboost算法。XGboost是一个经过优化的极限梯度提升(Gradient Boosting)算法，具有高效，灵活和高可移植性的特点。基于梯度提升框架，XGBoost实现了并行方式的决策树提升(Tree Boosting)，有高效、准确度、模型的交互性三个显著优点，从而在实际运用中能够快速准确地解决各种数据预测问题。具体实现步骤如下所示：

4-1)初始化，为训练集合中的所有样本数据集赋予相同的初始化权值；

4-2)迭代计算m次，每次迭代采用弱分类器算法进行分类，并计算该弱分类器的错误率：e_m＝∑w_iI(y_i≠G_mx_i)/∑w_iw_i代表第i个样本的权重，G_m代表第m个弱分类器，I代表弱分类器的转换矩阵，x_i代表第i个样本的行向量，y_i代表第i个样本的列向量,e_m代表弱分类器的错误率；

4-3)计算目标函数，并引入正则项，在迭代过程中采用梯度下降法优化损失函数；

4-4)更新弱分类器的权重，第m+1次迭代，将第i个样本的权重更新为w_inew；

4-5)弱分类器迭代计算完成后，采用投票方式得到每个数据样本的预测值W_c,W_C代表可再生能源系统的产能值。

即构建了一个建筑可再生能源系统的产能预测系统，从预测结果可以看到用XGboost预测到的系统产能的准确性较高。如附图4所示

5)建立建筑运行能耗大数据训练集

建立多维建筑运行能耗量大数据训练集C₂，规定具有相同属性的数据在训练集里为一列，规定不同的样本在训练集里为一行；

其中主要包括两大部分：实际运行能耗信息和人员活动数据信息。如附图4所示

其中，实际运行能耗信息包括：暖通、空调、照明、插座、电梯信息；

人员活动数据信息包括：人流密集分布、活动时间、行为数据信息

建筑可再生能源量大数据训练集C₂中含有m个样本，不同样本是由以上的两大部分数据信息构成的高维数据，为x维数据样本。

6)建筑运行能耗大数据预处理

对数据进行预处理，包括归一化等处理，按照数据的相同属性对其归一化；

6-1)把对有单位有要求的数据列信息的单位统一化处理。

6-2)把min-max标准化:(z_i(i＝1,2,3,…,t)成数据集C₂其中一列，max和min分别作为该列里的最大值和最小值，x_i为归一化后的数据列信息，对数据集C₂中各列分别进行归一化处理，使各列的数据都映射到[0,1]之内，归一化结束得到数据集R₂。

7)建立建筑运行能耗线性回归模型

一元线性回归是一个主要影响因素作为自变量来解释因变量的变化，在现实问题研究中，因变量的变化往往受几个重要因素的影响，此时就需要用两个或两个以上的影响因素作为自变量来解释因变量的变化，这就是多元回归。当多个自变量与因变量之间是线性关系时，所进行的回归分析就是多元性回归。把建筑可再生能源预测值W_C作为线性回归模型的输出层，建筑运行能耗数据集R₂作为线性回归模型的输入层，构建多元线性回归模型，获得线性回归模型的权值H_t。构建多元线性回归模型的步骤如下：

7-1)构建模型训练集

按照数据的时序性，相对应地把建筑可再生能源预测值W_C作为线性回归模型的输出值，建筑运行能耗数据集R₂作为线性回归模型的输入集，构建线性回归训练集。

7-2)构建多元回归方程式

根据训练集之间的关系，构建多元回归方程式：

y＝ax₁+bx₂+cx₃+dx₄+ex₅...+fx_m

x₁到x_m表示建筑运行能耗数据集R₂的行向量，a到f表示多元回归方程式相应的对应参数，y表示多元回归方程式的输出值；

7-3)构建代价函数

根据所有建模误差的平方和，构建多元线性回归模型的代价函数，即：

其中：y表示多元回归方程式的输出值，u代表可再生能源预测值，m表示建筑运行能耗数据集R₂的行列数，q₁到q_m表示代价函数的变量值，n表示回归模型代价函数的行列数，J表示回归模型代价函数的输出值。

7-4模型训练

通过梯度下降算法对代价函数进行训练，使得建模误差的平方和能够最小，我们可以得到最终得模型参数，同时对于训练好的网络进行仿真，绘制网络输出曲线，并与原始函数曲线相比较。由此可看出，得到的曲线和原始的能耗数据曲线很接近。这说明经过训练后，线性回归模型对预测结果的逼近效果非常好。如附图5所示

7-5)获得权值

此时可以获得训练过后最优的线性回归模型的权值H_t。

H_t＝[h₁，h₂，h₃...h_m]

h₁到h_m表示运行能耗相对应的各部分权值。

8)建筑近零能耗控制器

通过线性回归模型训练得到的建筑各部分能耗权值H_t，对建筑实际运行的各能耗设备进行相应的能耗分配，控制建筑各能耗设备，使得建筑实际运行总耗能W_tnew不断趋于可再生能源预测值W_c，即W_c＝W_tnew，最终达到建筑近零能耗的控制目标。

本发明的控制器优势在于通过XGboost构建了一种更精确化的可再生能源预测模型，在预测模型前面加上一个由多层降噪自动解码器组成的深度神经网络，以无监督方式进行处理可再生能源大数据，获取数据中更深层次的结构和规律，使得最终构成的数据表征更易于产能预测模型的机器学习算法理解，显著改善了XGboost预测模型的预测准确度，一个高准确的可再生能源预测值对于建筑运行能耗线性回归模型的构建是至关重要的，可再生能源预测值高准确性能够使得能耗相应的权值H_t更趋于最有效的建筑能耗控制策略，更易于达到建筑近零能耗的控制目标

同时，本发明的控制器还创新性地提出以可再生能源预测值作为线性回归网络模型的输出值，建筑历史运行能耗数据作为线性回归网络模型的输入层，构建线性回归模型，得到运行历史能耗相应的各部分能耗权值，根据此权值控制建筑各耗能设备，使得建筑运行总能耗不断地趋近于可再生能源预测值，从而达到建筑运行近零能耗的控制目标。

Claims (1)

1.一种基于可再生能源大数据深度学习的建筑近零能耗控制器，其特征在于，包括以下步骤:

1)建立所述建筑可再生能源大数据训练集

在某一办公建筑内选取m天建筑历史可再生能源数据信息，其中主要包括三大部分：外界环境数据信息、围护结构数据信息和使用可再生能源数据信息。

其中，外界环境数据信息包括：光照、温度、湿度、风力、地热能信息；

围护结构数据信息包括：外挂真空绝热板导热系数、传热系数、保温系数、气密性、遮阳性和采光性信息。

使用可再生能源数据信息包括：土壤源热泵数据、太阳能光热数据信息

建筑可再生能源量大数据训练集C₁中含有m个样本，不同样本是由以上的三大部分数据信息构成的高维数据，为t维数据样本。

2)建筑可再生能源大数据预处理

2-1)把对有单位有要求的数据列信息的单位统一化处理，

2-2)对数据集C₁中各列分别进行归一化处理，使各列的数据都映射到[0,1]之内，归一化结束得到数据集R₁。

3)建筑可再生能源大数据深度特征学习

特征学习模型选用堆叠降噪自动编码算法。

3-1)确定堆叠降噪自动编码算法的网络结构，设定其总共有p层，其中有1个输入层，p-2个隐藏层和1个输出层；

3-2)将步骤2所获取的多维数据样本集R₁当作网络的输入层。

3-3)预先设定该隐藏层的初始权重，采用降噪自动编码算法训练，得到相应的训练结果为H₁。

3-4)把之前的训练结果H₁当作下一层的输入层，并重复上一步骤，得到相应的训练结果H₂。

3-5)重复步骤3-3)，3-4)p-2次，最终得到第p层的输出结果为V，训练结束。

4)建立建筑可再生能源系统的产能预测模型

建立建筑可再生能源系统的产能预测模型采用的是XGboost算法。弱分类器迭代计算完成后，采用投票方式得到每个数据样本的预测值W_C,W_C代表可再生能源系统的产能值。

即构建了一个建筑可再生能源系统的产能预测系统。

5)建立建筑运行能耗大数据训练集

建立多维建筑运行能耗量大数据训练集C₂，规定具有相同属性的数据在训练集里为一列，规定不同的样本在训练集里为一行；

其中主要包括两大部分：实际运行能耗信息和人员活动数据信息。

其中，实际运行能耗信息包括：暖通、空调、照明、插座、电梯信息；

人员活动数据信息包括：人流密集分布、活动时间、行为数据信息

建筑可再生能源量大数据训练集C₂中含有m个样本，不同样本是由以上的两大部分数据信息构成的高维数据，为x维数据样本。

6)建筑运行能耗大数据预处理

6-1)把对有单位有要求的数据列信息的单位统一化处理。

6-2)对数据集C₂中各列分别进行归一化处理，使各列的数据都映射到[0,1]之内，归一化结束得到数据集R₂。

7)建立建筑运行能耗线性回归模型

把建筑可再生能源预测值W_C作为线性回归模型的输出层，建筑运行能耗数据集R₂作为线性回归模型的输入层，构建多元线性回归模型，获得线性回归模型的权值H_t。

8)建筑近零能耗控制器

通过线性回归模型训练得到的建筑各部分能耗权值H_t，对建筑实际运行的各能耗设备进行相应的能耗分配，控制建筑各能耗设备，使得建筑实际运行总耗能W_tnew不断趋于可再生能源预测值W_C，即W_C＝W_tnew，最终达到建筑近零能耗的控制目标。