CN110096793B - 一种基于居住用户活动模式的住宅能耗预测方法 - Google Patents
一种基于居住用户活动模式的住宅能耗预测方法 Download PDFInfo
- Publication number
- CN110096793B CN110096793B CN201910354061.0A CN201910354061A CN110096793B CN 110096793 B CN110096793 B CN 110096793B CN 201910354061 A CN201910354061 A CN 201910354061A CN 110096793 B CN110096793 B CN 110096793B
- Authority
- CN
- China
- Prior art keywords
- energy consumption
- activity
- gain
- building
- mode
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000005265 energy consumption Methods 0.000 title claims abstract description 199
- 230000000694 effects Effects 0.000 title claims abstract description 112
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000004364 calculation method Methods 0.000 claims abstract description 59
- 230000006399 behavior Effects 0.000 claims abstract description 31
- 238000005065 mining Methods 0.000 claims abstract description 13
- 238000013507 mapping Methods 0.000 claims abstract description 10
- 238000010438 heat treatment Methods 0.000 claims description 35
- 238000009423 ventilation Methods 0.000 claims description 20
- 230000008569 process Effects 0.000 claims description 19
- 230000005855 radiation Effects 0.000 claims description 14
- 238000001816 cooling Methods 0.000 claims description 13
- 238000005057 refrigeration Methods 0.000 claims description 12
- 238000005286 illumination Methods 0.000 claims description 11
- 230000002093 peripheral effect Effects 0.000 claims description 6
- 238000004088 simulation Methods 0.000 claims description 5
- 238000003066 decision tree Methods 0.000 claims description 4
- 241000282412 Homo Species 0.000 claims description 3
- 238000007619 statistical method Methods 0.000 claims description 3
- 238000000547 structure data Methods 0.000 claims description 3
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 2
- 230000004913 activation Effects 0.000 claims 1
- 239000000284 extract Substances 0.000 abstract description 2
- 230000003993 interaction Effects 0.000 abstract description 2
- 230000000875 corresponding effect Effects 0.000 description 22
- 238000004458 analytical method Methods 0.000 description 9
- 238000010801 machine learning Methods 0.000 description 8
- 230000004927 fusion Effects 0.000 description 7
- 238000004140 cleaning Methods 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 6
- 238000010411 cooking Methods 0.000 description 4
- 238000005406 washing Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000007637 random forest analysis Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 239000012530 fluid Substances 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000004851 dishwashing Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 239000000295 fuel oil Substances 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 239000003915 liquefied petroleum gas Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/08—Construction
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Evolutionary Computation (AREA)
- Tourism & Hospitality (AREA)
- General Engineering & Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Probability & Statistics with Applications (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Computer Hardware Design (AREA)
- Entrepreneurship & Innovation (AREA)
- Geometry (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Air Conditioning Control Device (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种基于居住用户活动模式的住宅能耗预测方法，包括活动行为和能源消耗模式的识别和分类以及基于居住活动模式进行建筑能耗预测两个步骤，其中活动行为和能源消耗模式的识别和分类提取居住活动数据集和住宅能耗数据集的共同特征社会经济特征，分别针对居住活动数据集和住宅能耗数据集的社会经济特征进行聚类，得到相应的簇、人群之间的对应关系；然后对相应簇中的活动模式与建筑能耗模式进行分析、挖掘互动模式与建筑能耗模式之间的映射；然后通过分类识别出居住用户所属的活动行为模式和能源消耗模式类别；基于居住活动模式进行建筑能耗预测先进行住宅类型的模拟、然后活动模式和住宅类型，再融合气象数据特征，基于工程计算方法进行建筑能耗预测。
Description
技术领域
本发明涉及一种住宅能耗预测方法，具体是一种基于居住用户活动模式的住宅能耗预测方法，属于能耗预测应用技术领域。
背景技术
我国的建筑能耗占全球建筑总能耗的16.2％，仅次于美国，位居全球第二，建筑能耗又大约占国内社会总能耗的30％。建筑能耗因受建筑物结构，室外环境和居住者行为等多种因素的影响，对建筑能耗预测具有一定的难度，在高估的情况下，建设和维护成本不仅会显着增加，而在在低估的情况下，系统可能无法提供足够的能量来满足居民的舒适要求。目前对建筑能耗的预测，通常有以下两种方法：
基于工程的物理建模方法：基于流体力学和传热定律获得室内温度分布的动态，利用热力学第一定律计算建筑物内每个围护结构表面的热工参数和空气状况参数，同时考虑居住者行为，对建筑能耗进行仿真模拟。常用的有DOE-2、Energy Plus、BLAST和ESP-r等建筑能耗模拟软件。
数据驱动的机器学习方法：基于机器学习的方法可利用自变量同因变量间的关系建立预测模型进行预测，利用神经网络、支持向量机、随机森林等机器学习方法建立模型并进行能耗预测。
通过对研究现状的分析，发现存在以下问题：
1.针对一个具体的建筑物，对建筑能耗进行精准预测，需要建筑物结构数据集、居住行为数据集、气象数据集、建筑能耗数据集等，但这些数据集可能分别由多个不同的提供商提供，这些数据从不同的角度提供与建筑能耗相关的信息，单单依靠某一数据集，其所提供的信息却远远不足。因此在对建筑能耗分析和预测的研究中，需要对大规模群体行为的多源数据集进行深度分析和挖掘，通过映射、融合等方法从多个数据集中学习并挖掘所需要的知识；
2面向大规模群体行为的居住用户，需要进行模式识别，识别相应的活动行为模式、能源消耗行为模式，挖掘出它们之间的关系；
3.在对建筑能耗预测的相关研究中，或者根据建筑物结构利用流体力学和传热定律计算能耗，或者只是与建筑能耗相关的部分特征利用机器学习进行回归预测。缺乏综合考虑基于社会经济学特征(年龄、工作、教育、收入、家庭人数)，居住用户的个性化活动行为模式，及其对建筑能耗的影响以及预测的相关研究。
发明内容
针对现有技术的缺陷，本发明提供一种基于居住用户活动模式的住宅能耗预测方法，面向大规模群体行为的居住用户，通过对多源数据集的分析，提取居住用户的社会经济特征、活动行为特征、能源消耗行为特征、建筑物理结构特征，进行数据融合和挖掘，并进行建筑能耗的预测。
为了解决所述技术问题，本发明采用的技术方案是：一种基于居住用户活动模式的住宅能耗预测方法，其特征在于：包括活动行为和能源消耗模式的识别和分类以及基于居住活动模式进行建筑能耗预测两个步骤，其中活动行为和能源消耗模式的识别和分类包括以下子步骤：S11)、提取居住活动数据集和住宅能耗数据集的共同特征社会经济特征，分别针对居住活动数据集和住宅能耗数据集的社会经济特征进行聚类，得到相应的簇，以及人群之间的对应关系；S12)、对相应簇中的活动模式与建筑能耗模式进行分析；S13)、挖掘互动模式与建筑能耗模式之间的映射；S14)、通过分类识别出居住用户所属的活动行为模式和能源消耗模式类别；基于居住活动模式进行建筑能耗预测包括以下子步骤：S21)、住宅类型的模拟：根据住宅结构数据集中的建筑结构特征模拟几种典型的住宅类型；S22)、利用以上得到的活动模式和住宅类型，再融合气象数据特征，基于工程计算方法进行建筑能耗预测。
进一步的，步骤S11中，对住宅能源数据集和居住活动数据集，基于社会经济学特征，利用K-means进行聚类，通过肘部法则和轮廓系数，设置k＝3，对聚类后的簇进行统计分析。
进一步的，步骤S14中，基于CART决策树，对聚类分析出的活动模式和建筑能耗模式进行分类。
进一步的，步骤S22中，进行建筑能耗预测时计算各分项能耗，包括室内加热的能耗、制冷的能耗、通风的能耗、照明的能耗、其他家用电器的能耗和天气的能耗；
室内加热的能耗计算过程为：
NetHeatLoss＝Lossenvelope+Lossground+Lossv,i-(Gainsolar+Gainactivity) (1)，
NetHeatLoss是补偿热损失所消耗的能量，其中Lossenvelope是建筑外围结构所造成的热量损失，计算公式为：ΔT为室内室外的温差，SurfaceAreai表示建筑物的第i个表面区域，Heatresistance表示建筑表面的耐热性，R-valuei是建筑物第i个表面区域的耐热指标；Lossground表示地面的热量损失，计算公式为：/>ΔT'表示室内与地面的温差，Groundfloor表示地面面积，R-valuefloor表示地面的耐热指标；Lossv,i表示通风和渗透造成的热量损失，将通风和渗透作为整体，其计算公式为：Lossv,i＝V×AirHeatCapacity×AirDensity×ΔT(5)，V表示一小时内的总空气流量，AirHeatCapacity和AirDensity是特定温度和压力下的空气特征值，ΔT为室内室外的温差；Gainsolar表示通过太阳辐射获得的能量，其计算公式为：Gainsolar＝solarRadiation×WindowSize×SHGC(6)，其中SHGC是太阳能热增益系数，SolarRadiation是太阳能辐射系数，WindowSize是窗户的面积；Gainactivtiy表示通过人类活动获得的能量，计算公式为：
Gainactivity＝HumanHeatGainSleep+HumanHeatGainActive(7)，其中
HumanHeatGainSleep和HumanHeatGainActive分别是人类睡觉和活动时的热增量；当公式1的补偿热损失所消耗的能量NetHeatLoss值为正的时候，住宅需要进行供热，使得室内达到人体舒适的一个温度，只有当室外温度低于平衡温度的时候，室内启动加热系统，使用平衡温度BalanceTempheating来确定是否需要供热，加热的平衡温度的计算如公式8所示，只有当室外温度低于平衡温度的时候，供热系统才会启动；
其中，ComfortTempheating表示舒适温度；
室内制冷的能耗计算过程为：
定义基于净损失和增益的冷却能量模型为
NetheatGain＝Gainenvelope-Lossground+Gainv,i+Gainsolar+Gainactivity (9)，
其中Gainenvelope表示建筑外围结构所获得的热量增益，计算公式同(2)；Lossground表示地面的热量损失，计算公式同(4)；Gainv,i表示通风和渗透带来的热量增益，计算公式同(5)；Gainsolar表示通过太阳辐射获得的能量，计算公式同(6)；Gainactivtiy表示通过人类活动获得的能量，计算方法同(7)，制冷的平衡温度的计算如公式(10)所示，只有当室外温度高于平衡温度的时候，制冷系统才会启动。
其中，ComfortTempcooling表示制冷的舒适温度，其余变量前面均有说明；
室内通风的能耗计算过程为：
通风的能耗为Fanefficacy为风扇功效，CFM表示单位时间内过滤器通过的气流量，Ventilationduration表示通风时间；
室内照明的能耗计算过程为：
照明的能耗为其中Minmumluminace为最低亮度值，当室内亮度低于这个值时，开灯照明，Luminanceefficacy为灯的发光效率，LightingArea为灯光的照明面积，LightingDuration为灯光持续时间；
室内家用电器的能耗计算过程为：
其他家用电器的能耗为Eappliance＝∑Pi×Activityduration (13)，
Pi是其他电器中某种电器的等效功率，Activityduration为电器使用时间，通过活动模式获得；与天气相关的能耗计算过程：
用气象数据集提供的每月受到的太阳辐射量除以每月的天数再乘以建筑物的面积作为天气能耗。
本发明的有益效果：针对在当前大数据背景下影响建筑能耗的因素可能分布在很多不同的数据集中的情况，本发明挖掘它们隐含的共同特征，通过潜在的隐式连接，从多个数据提取特征并进行知识融合；基于机器学习方法挖掘得到居住用户个性化活动行为模式，根据建筑物的物理结构特征模拟几种不同的住宅类型，再融合室外天气特征，对建筑能耗进行预测；机器学习和工程计算方法分别使用了数据集中的不同特征，从特征空间的视角来看这些特征有没有重叠，从不同的属性综合反映影响建筑能耗预测的因素；将所有的特征汇总到单个模型中，将产生具有许多参数要学习的大模型，该模型会因为系统庞大、训练数据有限，降低预测的准确率；本发明基于机器学习进行活动挖掘和基于工程进行建筑能耗物理建模，这两种方法考虑的因素不同，具有显著不同的性质，将大模型分解为这有机耦合的小模型，极大地缩小参数空间，因此能更准确的进行预测。
本发明所述方法通过对大规模群体行为的数据进行深度挖掘，利用映射、融合等方法获得所需要的特征，用来补充信息不足的问题，并通过多视角模型的融合，提高预测的准确度。
附图说明
图1为本方法的流程图；
图2为实施例1中活动行为和能耗消耗模式的识别和分类的流程图；
图3为实施例1中住宅能耗数据集中R0、R1和R2三类人群所对应的建筑能耗直方图，3A为R0所对应的建筑能耗直方图，3B为R1所对应的建筑能耗直方图，3C为R2所对应的建筑能耗直方图；
图4为实施例1中建筑能耗预测时制冷分项和加热分项的一年12个月的能耗图，4A为制冷的能耗图，4B为加热的能耗图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步的说明。
实施例1
本实施例公开一种基于居住用户活动模式的住宅能耗预测方法，如图1所示，本方法包括活动行为和能源消耗模式的识别和分类以及基于居住活动模式的建筑能耗预测两个步骤，其中活动行为和能源消耗模式的识别和分类是针对大规模多源数据集，包括居住用户活动数据集和能源消耗数据集，首先分别提取共同的居住用户社会经济特征，并进行非监督学习的聚类；通过对聚类结果的分析和挖掘，发现相应的居住用户的活动行为模式与建筑能耗模式之间的映射关系，获得人工标注的类别，最后通过分类识别出居住用户所属的活动行为模式和能源消耗模式类别。
建筑能耗预测是通过以上得到的居住用户活动模式和能源消耗模式，再模拟不同的住宅类型，同时考虑天气情况，提出一个基于工程计算的方法进行建筑能耗的预测。
下面结合具体数据集对本方法进行详细描述。首先，本实施例所使用的数据集情况为：居住活动数据集记录了居住用户一天24的作息活动，共13134个样本。住宅消耗数据集以家庭为单位，能源种类包括电、天然气、燃料油、煤和液化石油气等，共12083个样本。建筑结构数据集，住宅类型上分为独立式住宅、联排住宅、多户公寓。气象数据集提供了当地全年每月受到的太阳辐射量。
步骤1：活动行为和能源消耗模式的识别和分类；
Step 1：如图2所示，提取居住活动数据集和住宅能耗数据集的共同的特征—社会经济特征，分别针对居住活动数据集和住宅能耗数据集的社会经济特征进行聚类，得到相应的簇，以及人群之间的对应关系；
因为居住者的活动行为对住宅能耗的使用有很大的影响，但这两类特征存在于不同的数据集中，为了研究居住用户的活动模式和能耗模式之间的关系，需要以两个数据集中共同存在的特征为桥梁，建立两者之间的映射，如图2所示，以社会经济学特征(年龄、工作、教育、收入、家庭人数)作为共同的特征。首先分别提取居住活动数据集和建筑能耗数据集中居住者的社会经济学特征，进行非监督学习的聚类。
对住宅能源数据集和居住活动数据集，基于社会经济学特征，利用K-means进行聚类，通过肘部法则和轮廓系数，设置k＝3，对聚类后的簇进行统计分析，结果如表1所示：
表1社会经济学特征的聚类结果分析
通过表1的分析，得出居住活动数据集和住宅能耗数据集的居住人群之间的映射关系，即：R0-A1类属于中青年，就业率高，全职工作较多，受教育程度较高，收入最高，有孩子，家庭人数较多。R1-A0类基本是老年人，大多处于退休或者兼职状态，所受教育程度较低，收入较低，随着孩子的成长，搬离家庭，所以家庭人口数量较少。R2-A2类较年轻，基本是45岁以下，就业率高，大多有全职工作，受教育程度较高，收入中高，有孩子，所以家庭人数较多。
Step 2：对相应簇中的活动模式与建筑能耗模式进行分析；
利用Step 1隐含的共同特征-社会经济学特征，得到居住活动和建筑能耗之间的隐式连接。对住宅能耗数据集中R0、R1和R2三类人群所对应的建筑能耗给出其直方图，横坐标是住宅总能耗值(BTU)，纵坐标是当前能耗的频次。如图3所示，每类大致符合高斯分布。
为了直观表示居住活动数据集中A0、A1和A2三类人群所对应的活动，将与建筑能耗相关的居住活动数据集中的所有活动分为10种活动类型，包括“0-外出”、“1-睡觉”、“2-其他低耗能活动”、“3-洗澡梳妆(吹风机、热水器)”、“4-烹饪(烤面包面机、烤箱、炉子)”、“5-洗碗(洗碗机、加热器)”、“6-清扫(吸尘器、热水器)”、“7-洗衣服(洗衣机、烘干机)”、“8-休闲(电视、计算机、跑步机)”和“9-稳定能耗(冰箱)”，分别由10种颜色表示，建立不同活动数据集对应活动分析图，横坐标是前一天从凌晨4:00到第二天凌晨3:59的24小时，由1440分钟表示，每一行代表一个样本在一天二十四小时中每分钟都在做什么活动，用对应的活动颜色表示。
Step 3:挖掘活动模式与建筑能耗模式之间的映射；
对居住者的活动模式和能耗模式进行挖掘，如表2所示，得出如下结论：
A1-R0，这类学历高，全职工作，收入最高，家庭人较多的中青年人群，在家时间较少，与能耗相关的最多活动是洗澡梳妆和清扫，这部分人群对生活品质的要求较高，住宅面积大，注重舒适度(如空调等)、休闲(如健身器材等)，能耗使用分布集中在20000-60000BTU之间，分布较集中。属于耗能最大的群体。
A0-R1，这类人群属于老年人，基本上处于退休状态，家里人口少，与能耗相关的主要活动包括清扫、烹调、洗碗和洗衣等日常家务，因几乎所有的时间都在家中，能耗使用数据分布集中在10000-40000BTU之间，分布较集中，其能耗属于中等。
A2-R2，这类青年人群就业率高，受教育程度较高，收入中高，家庭人数较多，外出时间最长，与能耗相关的主要活动包括洗澡梳妆、清扫、烹饪。在数据分布集中在5000-40000BTU之间，呈分散分布，能源消耗最少。
表2建筑能耗模式和居住活动模式
Step 4:活动模式和建筑能耗模式的分类；
将A0、A1和A2对应的活动模式以及A0、A1和A2对应的能耗模式，基于CART决策树，对活动模式与建筑能耗模式进行分类。
通过对居住用户的活动模式和能耗模式之间的关系的挖掘，发现它们之间具有匹配关系，在下面步骤2中利用用户的活动模式进行能耗的预测。
步骤2：基于工程计算的建筑能耗预测
如图1下半部分所示，根据步骤1，首先得到了三种典型的居住活动模式，再根据建筑物的物理属性模拟几种典型的住宅类型，进一步融合气象特征后，再分别计算各分项的能耗，最后求和预测得到建筑能耗。
Step 1、住宅类型的模拟
因为住宅结构和类型比较繁多，利用3D建模软件SketchUp，根据内部空间大小、表面积、门窗面积和加热制冷面积等建筑物外形特征(采用了均值计算)，模拟四种典型的住宅类型(见附录1)，包括独立式住宅、联排住宅、公寓(每层2-4套公寓)、公寓(每层5套以上的公寓)。
Step 2、基于居住活动利用工程计算方法进行建筑能耗模拟；
利用步骤1得到A0、A1和A2人群对应的三种典型的居住活动模式，再根据步骤2的step 1得到的四种典型的住宅类型，利用工程计算方法计算分项能耗并汇总，得到三种活动模式四种住宅类型下建筑能耗预测值。
本实施例中，利用工程计算方法计算各分项能耗的过程为：
室内加热的能耗计算过程为：
NetHeatLoss＝Lossenvelope+Lossground+Lossv,i-(Gainsolar+Gainactivity) (1)，
NetHeatLoss是补偿热损失所消耗的能量，其中Lossenvelope是建筑外围结构所造成的热量损失，计算公式为：ΔT为室内室外的温差，SurfaceAreai表示建筑物的第i个表面区域，Heatresistance表示建筑表面的耐热性，R-valuei是建筑物第i个表面区域的耐热指标；Lossground表示地面的热量损失，计算公式为：/>ΔT'表示室内与地面的温差，Groundfloor表示地面面值，R-valuefloor表示地面的耐热指标；Lossv,i表示通风和渗透造成热量损失，将通风和渗透作为整体，其计算公式为：Lossv,i＝V×AirHeatCapacity×AirDensity×ΔT (5)，V表示一小时内的总空气流量，AirHeatCapacity和AirDensity是特定温度和压力下的空气特征值，ΔT为室内室外的温差；Gainsolar表示通过太阳辐射获得的能量，其计算公式为：Gainsolar＝solarRadiation×WindowSize×SHGC (6)，其中SHGC是太阳能热增益系数，SolarRadiation是太阳能辐射系数，WindowSize是窗户的面积；Gainactivtiy表示通过人类活动获得的能量，计算公式为：
Gainactivity＝HumanHeatGainSleep+HumanHeatGainActive (7)，其中
HumanHeatGainSleep和HumanHeatGainActive分别是人类睡觉和活动时的热增量；当公式1的补偿热损失所消耗的能量NetHeatLoss值为正的时候，住宅需要进行供热，使得室内达到人体舒适的一个温度，只有当室外温度低于平衡温度的时候，室内启动加热系统。使用平衡温度BalanceTempheating来确定是否需要供热，加热的平衡温度的计算如公式8所示，只有当室外温度低于平衡温度的时候，供热系统才会启动。
其中，ComfortTempheating表示舒适温度。
室内制冷的能耗计算过程为：
定义基于净损失和增益的冷却能量模型为
NetheatGain＝Gainenvelope-Lossground+Gainv,i+Gainsolar+Gainactivity (9)，
其中Gainenvelope表示建筑外围结构所获得的热量增益，计算公式同(2)；Lossground表示地面的热量损失，计算公式同(4)；Gainv,i表示通风和渗透带来的热量增益，计算公式同(5)；Gainsolar表示通过太阳辐射获得的能量，计算公式同(6)；Gainactivtiy表示通过人类活动获得的能量，计算方法同(7)。制冷的平衡温度的计算如公式(10)所示，只有当室外温度高于平衡温度的时候，制冷系统才会启动。
其中，ComfortTempcooling表示制冷的舒适温度，其余变量前面均有说明。
室内通风的能耗计算过程为：
通风的能耗为Fanefficacy为风扇功效，CFM表示单位时间内过滤器通过的气流量，Ventilationduration表示通风时间；
室内照明的能耗计算过程为：
照明的能耗为其中Minmumluminace为最低亮度值，当室内亮度低于这个值时，开灯照明，Luminanceefficacy为灯的发光效率，LightingArea为灯光的照明面积，LightingDuration为灯光持续时间；
室内家用电器的能耗计算过程为：
其他家用电器的能耗为Eappliance＝∑Pi×Activityduration (13)，
Pi是其他电器中某种电器的等效功率，Activityduration为电器使用时间(通过活动模式获得)；与天气相关的能耗计算过程：
气象数据集提供了当地每月受到的太阳辐射量(单位是kwh/m2)，除以每月的天数，再乘以建筑物的面积，作为天气对建筑物能耗的影响。
Step 3、基于居住活动利用工程计算方法进行建筑能耗计算；
根据A0-R1，A1-R0，A2-R2之间的映射关系，针对R0、R1和R2三类人群所对应的住宅，根据step 1的四种典型的住宅类型，在住宅能耗数据集中进行筛选，通过对每种类型的每种住宅类型的能耗值取平均值，得到了12个不同的建筑能耗值，该数据作为建筑能耗的真实值，用来与预测值进行评价，如表3所示。另外为了进行比较，使用ASHRAE协会给出的标准上班族的作息活动，即4:00-6:00睡觉，6:00-8:00在家活动，8:00-17:00外出上班，17:00-23:00在家活动23:00-第二天4:00睡觉，计算四种住宅类型下的建筑能耗。
表3基于活动模式挖掘的建筑能耗预测
通过表3，得到以下结论：
本方法所基于个性化活动模式的挖掘，较准确的预测了建筑能耗，四种住宅类型，三种活动模式下的预测值和真实值具有大致相同的趋势。学历高、职工作、收入最、家庭人较多的中青年人群A1，其对应的活动模式，因为对生活品质的要求较高，对能耗的需求也最大。退休、教育程度较低、收入低、家庭人口数量少的老年人群A0，因为其对应的活动基本全天发生在家中，对能耗的需求最大却不是最少的。就业率高，受教育程度较高，收入中高的青年人群A2，因为在家时间较少，能耗最低。
ASHRAE给出的标准作息，因为缺乏个性化的活动模式挖掘，得到的预测值与真实值相比，普遍较高。
从空间体积、面积以及加热制冷区域上来看，独立式别墅的建筑体积最大，所对应的能耗值也最高，其次是联排住宅，每层2-4套公寓较小，每层5套以上公寓因其面积最小，所对应的能耗值最小。
因为加热和制冷在建筑能耗中所占比例较高，针对四类住宅类型中加热和制冷两个能量消耗类型，根据月份进行了具体的分析，如图4A和图4B所示。房子类型1、2、3、4分别指独立式住宅、联排住宅、公寓(每层2-4套公寓)和公寓(每层5套以上公寓)。
通过图4A和图4B，结论如下：
7月、8月和9月，加热能源消耗最低，因为样本所在地这几个月属于夏季，不需要加热；12月、1月和2月的加热能源消耗最高，属于样本所在地的冬季。
在一年的7月、8月和9月，制冷能源消耗最高，因为样本所在地这几个月处于夏季，需要制冷，12月、1月和2月的加热能源消耗最高，属于样本所在地的冬季。
Step 3、性能评价
将基于单源数据集、单种机器学习方法的预测和本文提出的基于多源数据集融合、多种模型融合的方法进行对比，使用下面的3种评价函数作为评价指标进行比较，结果如表4所示。
(1)平均绝对误差MAE
(2)平均平方误差MSE
(2)R2系数
表4预测结果评价
| R2系数 | RMSE | MAE | |
| 基于活动模式的预测 | 0.837 | 889 | 726 |
| 基于能耗数据集的线性回归预测 | 0.405 | 5533 | 4007 |
| 基于能耗数据集的决策树的预测 | 0.397 | 5614 | 4000 |
| 基于能耗数据集的随机森林的预测 | 0.470 | 5190 | 3711 |
通过表4，得到结论如下：
基于单源数据集下，随机森林的预测方法，准确率最高，其评价函数R2值为0.47.
本专利提出的基于活动模式的预测，综合考虑了多源数据集，预测结果的评价函数R2值为0.837，比单源数据集在建筑能耗预测的准确度上提高了78％。
附录1：模拟四种典型住宅类型的物理结构
附录2：室外需要加热和制冷温度(摄氏度)
| 居住者状态 | 活动状态 | 睡觉状态 | 离开状态 |
| 加热 | 21℃ | 17℃ | 17℃ |
| 制冷 | 26℃ | 28℃ | 29℃ |
附录3
| 活动状态 | 活动 | 能耗(W) |
| 0 | 离开 | 0 |
| 1 | 睡觉 | 0 |
| 2 | 其它低能耗活动 | 0 |
| 3 | 洗澡梳妆 | 4000 |
| 4 | 烹饪 | 5000 |
| 5 | 洗碗 | 4000 |
| 6 | 清扫 | 1500 |
| 7 | 洗衣服 | 5000 |
| 8 | 休闲 | 500 |
| 9 | 稳定能耗 | 300 |
以上描述的仅是本发明的基本原理和优选实施例，本领域技术人员根据本发明做出的改进和替换，属于本发明的保护范围。
Claims (2)
1.一种基于居住用户活动模式的住宅能耗预测方法，其特征在于：包括活动行为和能源消耗模式的识别和分类以及基于居住活动模式进行建筑能耗预测两个步骤，其中活动行为和能源消耗模式的识别和分类包括以下子步骤：S11)、提取居住活动数据集和住宅能耗数据集的共同特征-社会经济学特征，社会经济学特征包括年龄、工作、教育、收入、家庭人数；分别针对居住活动数据集和住宅能耗数据集的社会经济特征进行聚类，得到相应的簇，以及人群之间的对应关系；S12)、对相应簇中的活动模式与建筑能耗模式进行分析；
S13)、挖掘活动模式与建筑能耗模式之间的映射；S14)、基于CART决策树，对聚类分析出的活动模式和建筑能耗模式进行分类，通过分类识别出居住用户所属的活动行为模式和能源消耗模式类别；基于居住活动模式进行建筑能耗预测包括以下子步骤：S21)、住宅类型的模拟：根据住宅结构数据集中的建筑结构特征模拟四种典型的住宅类型，四种典型的住宅类型包括独立式住宅、联排住宅、每层2-4套的公寓、每层5套以上的公寓；S22)、利用以上得到的活动模式和住宅类型，再融合气象数据特征，基于工程计算方法进行建筑能耗预测；
进行建筑能耗预测时计算各分项能耗，包括室内加热的能耗、制冷的能耗、通风的能耗、照明的能耗、其他家用电器的能耗和天气的能耗；
室内加热的能耗计算过程为：
NetHeatLoss＝Lossenvelope+Lossground+Lossv,i-(Gainsolar+Gainactivity) (1)，
NetHeatLoss是补偿热损失所消耗的能量，其中Lossenvelope是建筑外围结构所造成的热量损失，计算公式为：ΔT为室内室外的温差，SurfaceAreai表示建筑物的第i个表面区域，Heatresistance表示建筑表面的耐热性，R-valuei是建筑物第i个表面区域的耐热指标；Lossground表示地面的热量损失，计算公式为：/>ΔT'表示室内与地面的温差，Groundfloor表示地面面积，R-valuefloor表示地面的耐热指标；Lossv,i表示通风和渗透造成的热量损失，将通风和渗透作为整体，其计算公式为：Lossv,i＝V×AirHeatCapacity×AirDensity×ΔT(5)，V表示一小时内的总空气流量，AirHeatCapacity和AirDensity是特定温度和压力下的空气特征值，ΔT为室内室外的温差；Gainsolar表示通过太阳辐射获得的能量，其计算公式为：Gainsolar＝solarRadiation×WindowSize×SHGC(6)，其中SHGC是太阳能热增益系数，SolarRadiation是太阳能辐射系数，WindowSize是窗户的面积；Gainactivtiy表示通过人类活动获得的能量，计算公式为：Gainactivity＝HumanHeatGainSleep+HumanHeatGainActive(7)，其中HumanHeatGainSleep和HumanHeatGainActive分别是人类睡觉和活动时的热增量；当公式1的补偿热损失所消耗的能量NetHeatLoss值为正的时候，住宅需要进行供热，使得室内达到人体舒适的一个温度，只有当室外温度低于平衡温度的时候，室内启动加热系统；使用平衡温度BalanceTempheating来确定是否需要供热，加热的平衡温度的计算如公式8所示，只有当室外温度低于平衡温度的时候，供热系统才会启动；
其中，ComfortTempheating表示舒适温度；
室内制冷的能耗计算过程为：
定义基于净损失和增益的冷却能量模型为：
NetheatGain＝Gainenvelope-Lossground+Gainv,i+Gainsolar+Gainactivity (9)，
其中Gainenvelope表示建筑外围结构所获得的热量增益，计算公式同(2)；Lossground表示地面的热量损失，计算公式同(4)；Gainv,i表示通风和渗透带来的热量增益，计算公式同(5)；Gainsolar表示通过太阳辐射获得的能量，计算公式同(6)；Gainactivtiy表示通过人类活动获得的能量，计算方法同(7)；制冷的平衡温度的计算如公式(10)所示，只有当室外温度高于平衡温度的时候，制冷系统才会启动；
其中，ComfortTempcooling表示制冷的舒适温度，其余变量前面均有说明；
室内通风的能耗计算过程为：
通风的能耗为Fanefficacy为风扇功效，CFM表示单位时间内过滤器通过的气流量，Ventilationduration表示通风时间；
室内照明的能耗计算过程为：
照明的能耗为其中Minmumluminace为最低亮度值，当室内亮度低于这个值时，开灯照明，Luminanceefficacy为灯的发光效率，LightingArea为灯光的照明面积，LightingDuration为灯光持续时间；
室内家用电器的能耗计算过程为：
其他家用电器的能耗为Eappliance＝∑Pi×Activityduration(13)，Pi是其他电器中某种电器的等效功率，Activityduration为电器使用时间，通过活动模式获得；
与天气相关的能耗计算过程：
用气象数据集提供的每月受到的太阳辐射量除以每月的天数再乘以建筑物的面积作为天气能耗。
2.根据权利要求1所述的基于居住用户活动模式的住宅能耗预测方法，其特征在于：步骤S11中，对住宅能源数据集和居住活动数据集，基于社会经济学特征，利用K-means进行聚类，通过肘部法则和轮廓系数，设置k＝3，对聚类后的簇进行统计分析。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910354061.0A CN110096793B (zh) | 2019-04-28 | 2019-04-28 | 一种基于居住用户活动模式的住宅能耗预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910354061.0A CN110096793B (zh) | 2019-04-28 | 2019-04-28 | 一种基于居住用户活动模式的住宅能耗预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110096793A CN110096793A (zh) | 2019-08-06 |
| CN110096793B true CN110096793B (zh) | 2023-08-04 |
Family
ID=67446307
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910354061.0A Active CN110096793B (zh) | 2019-04-28 | 2019-04-28 | 一种基于居住用户活动模式的住宅能耗预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110096793B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111401431B (zh) * | 2020-03-12 | 2023-07-25 | 成都小步创想慧联科技有限公司 | 群租房识别方法及系统及存储介质 |
| CN112116140B (zh) * | 2020-09-10 | 2022-09-20 | 同济大学 | 一种基于孪生模型的建筑能耗预测方法 |
| CN112634089A (zh) * | 2020-12-30 | 2021-04-09 | 珠海大横琴科技发展有限公司 | 一种物业设施的能耗处理方法和装置 |
| CN113111922B (zh) * | 2021-03-22 | 2024-08-23 | 浙江工业大学 | 一种面向儿童的阶段性身高预测方法 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109242158A (zh) * | 2018-08-17 | 2019-01-18 | 西安建筑科技大学 | 一种寒冷地区的城市居住建筑系统的能耗预测方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150276495A1 (en) * | 2014-03-27 | 2015-10-01 | Palo Alto Research Center Incorporated | Computer-Implemented System And Method For Externally Inferring An Effective Indoor Temperature In A Building |
-
2019
- 2019-04-28 CN CN201910354061.0A patent/CN110096793B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109242158A (zh) * | 2018-08-17 | 2019-01-18 | 西安建筑科技大学 | 一种寒冷地区的城市居住建筑系统的能耗预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 胡燕 ; 朱天柱 ; .国内外低碳城市建设探讨与对策研究.资源开发与市场.2012,(第08期),全文. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110096793A (zh) | 2019-08-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110096793B (zh) | 一种基于居住用户活动模式的住宅能耗预测方法 | |
| Diao et al. | Modeling energy consumption in residential buildings: A bottom-up analysis based on occupant behavior pattern clustering and stochastic simulation | |
| CN110298487B (zh) | 一种用于满足用户个性化需求的室内温度预测方法 | |
| Ren et al. | Data mining of space heating system performance in affordable housing | |
| Lu et al. | The smart thermostat: using occupancy sensors to save energy in homes | |
| Ding et al. | Benchmark analysis of electricity consumption for complex campus buildings in China | |
| Lam | Climatic and economic influences on residential electricity consumption | |
| Liu et al. | Identifying the most significant input parameters for predicting district heating load using an association rule algorithm | |
| Liu et al. | Analysis and modeling of air conditioner usage behavior in residential buildings using monitoring data during hot and humid season | |
| Dai et al. | An artificial neural network model using outdoor environmental parameters and residential building characteristics for predicting the nighttime natural ventilation effect | |
| Baghoolizadeh et al. | A prediction model for CO2 concentration and multi-objective optimization of CO2 concentration and annual electricity consumption cost in residential buildings using ANN and GA | |
| CN112524751B (zh) | 一种动态空调系统能耗预测模型构建、预测方法及装置 | |
| Li et al. | Multi-dimensional analysis of air-conditioning energy use for energy-saving management in university teaching buildings | |
| Zhou et al. | Comparison of different machine learning algorithms for predicting air-conditioning operating behavior in open-plan offices | |
| Niu et al. | Investigation of occupant window opening behaviour during the summer period in a Beijing maternity hospital | |
| CN117043794A (zh) | 基于多元线性回归和聚类分析的建筑能耗预测方法和系统 | |
| Sözer et al. | Predicting the indoor thermal data for heating season based on short-term measurements to calibrate the simulation set-points | |
| Yuan et al. | Space-Level air conditioner electricity consumption and occupant behavior analysis on a university campus | |
| CN116720247B (zh) | 基于随机运行的办公建筑围护结构多目标优化设计方法 | |
| Yu | Mining hidden knowledge from measured data for improving building energy performance | |
| Haldi et al. | The impact of occupants' behaviour on urban energy demand | |
| Sari et al. | Examining the Impact of COVID-19 in Indonesia through Household Electricity Consumption and Modern Lifestyle | |
| Tabatabaei | A data analysis approach for diagnosing malfunctioning in domestic space heating | |
| Ahmad et al. | Performance of Machine Learning Algorithms Considering Spatial Effects Assessment for Indoor Personal Thermal Comfort in Air-Conditioned Workplace | |
| Klingler et al. | Identifying representative types of residential electricity consumers—A cluster analysis of hourly smart meter data |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |