CN110110388A - 基于数据前处理及小波分解的建筑空调负荷预测方法 - Google Patents
基于数据前处理及小波分解的建筑空调负荷预测方法 Download PDFInfo
- Publication number
- CN110110388A CN110110388A CN201910295528.9A CN201910295528A CN110110388A CN 110110388 A CN110110388 A CN 110110388A CN 201910295528 A CN201910295528 A CN 201910295528A CN 110110388 A CN110110388 A CN 110110388A
- Authority
- CN
- China
- Prior art keywords
- variable
- air conditioning
- load
- building air
- data
- 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.)
- Pending
Links
- 238000004378 air conditioning Methods 0.000 title claims abstract description 49
- 238000000354 decomposition reaction Methods 0.000 title claims abstract description 42
- 238000013277 forecasting method Methods 0.000 title claims abstract description 19
- 238000007781 pre-processing Methods 0.000 title claims abstract description 19
- 238000000034 method Methods 0.000 claims abstract description 23
- 238000013480 data collection Methods 0.000 claims abstract description 12
- 238000010219 correlation analysis Methods 0.000 claims abstract description 9
- 238000000513 principal component analysis Methods 0.000 claims abstract description 9
- 238000012545 processing Methods 0.000 claims abstract description 9
- 238000013528 artificial neural network Methods 0.000 claims abstract description 8
- 230000008447 perception Effects 0.000 claims abstract description 5
- 238000010438 heat treatment Methods 0.000 claims description 13
- 238000012360 testing method Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 230000005855 radiation Effects 0.000 claims description 7
- 238000011156 evaluation Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 5
- 210000002569 neuron Anatomy 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 3
- 230000007274 generation of a signal involved in cell-cell signaling Effects 0.000 claims description 2
- 239000004615 ingredient Substances 0.000 claims description 2
- 238000007689 inspection Methods 0.000 claims description 2
- 230000002452 interceptive effect Effects 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract 1
- 238000005265 energy consumption Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 4
- 230000005611 electricity Effects 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000009423 ventilation Methods 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000005057 refrigeration Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Geometry (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Architecture (AREA)
- Civil Engineering (AREA)
- Structural Engineering (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明公开了一种基于数据前处理及小波分解的建筑空调负荷预测方法。可应用于建筑相关领域的科学研究和工程应用。该方法包括：对所有输入模型的数据进行规范化处理，获得原始数据集；对于影响负荷的内部变量和外部变量进行相关性分析，初步提取外部和内部变量之中的建筑空调负荷影响因素获得基础数据集；对基础数据集进行主成分分析，消除多重共线性，构成模型的最终输入；对于建筑空调负荷采用小波分解重构获得多频段负荷信号；采用多层感知神经网络针对不同负荷波段进行负荷预测；最后，将不同波段的负荷值组合，即得到建筑空调负荷的预测结果。本输入参数前处理方法可以增强负荷预测结果的准确性，并减少输入变量，加快预测模型的计算速度。
Description
技术领域
本发明涉及一种建筑空调负荷预测方法，具体涉及一种基于数据前处理及小波分解的建 筑空调负荷预测方法。
背景技术
在目前，建筑能耗是非常值得关注的问题，建筑能耗约占社会总能耗的40％。在建筑物 的生命周期中，采暖，通风和空调系统占建筑总能耗的68％。暖通空调系统的高能耗可归因 于两个主要原因。一个是在部分负载工作条件下机组和泵的运行效率较低。另一个是在空调 系统中，流速过高导致的供应和返回冷冻水之间的温差很小。因此，只有采用合理的控制方 法才能够真正的提高空调系统的运行效率。
当前空调系统大多采用传统的反馈控制方法，基于用户侧的回水温度来调整系统。但是 由于建筑结构复杂，人员行为多变，反馈控制已经不再能满足人们的需求。通过预测未来时 刻的建筑物供暖负荷，可以实时的响应室内情况的变化，因此，建立精度较高的负荷预测模 型可以真正实现能源系统的实施调控，在节能的前提下，保证室内人员的热舒适。对于负荷 预测模型的建立，正确选择模型输入是准确进行预测的先决条件。目前的参数前处理方式仍 有一些缺点。一方面，变量的类型不足而且不全面，其中大多数是室外气象参数。建筑物的 制冷和供暖负荷受室内变量的影响，如人员在室率，也应进行分析和考虑。另一方面，在模 型输入的提取过程中，应强调外部和内部变量的潜在多重共线性。冗余或重复的模型输入参 数将影响预测模型的准确性和计算速度。
因此，采用合理的数据分析方式，对负荷预测模型的输入参数进行选择和筛选，改进目 前的参数处理方式，是提高负荷预测精度和计算速度亟待解决的关键问题。
发明内容
有鉴于此，本发明提供一种建筑空调负荷预测方法的模型输入参数选择及处理方式，以 解决上述至少一项技术问题。
基于以往的发明，本发明进行了以下改进：小波分解和重建算法用于对热负荷样本进行 多频分析；然后，选择影响因素。相关性分析用于初步提取外部和内部变量之间的建筑物加热 负荷的影响因素。主成分分析用于防止影响因素的多重共线性并构成预测模型的输入。考虑 到建筑物供暖负荷具有的非线性和随机性特征，选择多层感知神经网络建立供热负荷预测模 型。短期供热负荷预测模型可以帮助建筑管理人员提前获得每小时供暖需求，并优化安排暖 通空调系统的运行。超短期热负荷预测模型可用于预测可能发生的大负荷波动并用于改善暖 通系统的操作安全性。
本发明提出了一种基于数据前处理及小波分解的建筑空调负荷预测方法，包括以下步骤：
采用天气预报及气象站测试的方法获得影响建筑空调负荷的外部参数，通过测试获得影 响建筑空调负荷的内部因素及负荷历史变化数值，构成原始数据集；
对所有输入的数据进行预处理，使其无量纲化；
对经过预处理之后的建筑空调负荷序列进行离散小波分解；
对经过预处理之后的原始数据集进行相关性分析，剔除相关性较低的变量，得到基础数 据集；
对基础数据集进行主成分分析，融合基础数据集的影响因子，消除多重共线性，将线性 无关的新变量作为输入数据集；
将输入数据集输入多层感知神经网络，对每一个波段的负荷进行负荷预测；
组合不同频段的预测结果，并对数据进行反归一化处理，获取负荷预测值，并采用评价 指标评价预测结果的精度。
进一步的，所述影响因素包括建筑外部影响因素及建筑内部影响因素，外部因素包括室 外干球温度，太阳辐射强度和风速；所述内部因素包括室内空气参数，人员密度及办公设备 的操作。
进一步的，构成原始数据集的数据为测试得到的所有影响建筑空调负荷的外扰和内扰的 变量。对所有数据进行归一化处理，将各类变量的数值统一集中在[0，1]范围内，降低数值差 异，将有量纲的变量变为无量纲的变量，所采用的方法是
其中：oi表示变量o中一个数据样本原始值；
oi′表示变量o中一个数据样本的归一化值；
omax表示变量o所有数据样本的最大值；
omin表示变量o所有数据样本的最小值。
进一步的，使用Haar小波基函数进行小波分解，归一化的小波滤波器系数为低通滤波器H由构成，高通滤波器G由构成，首先，初始信号S进行第一次 分解，得到一个低频信号a1和一个高频信号d1。其次，高频信号d1不再分解，低频信号a1被 看作是一个新的信号进行第二次分解，得到一个新的低频信号a2和高频信号d2。接着，可对a2进一步执行分解。上述过程一直持续，当有一个新的、足够平滑的低频信号生成，且一系列 随机干扰信号被消除时，分解过程停止。最终，经过j次分解，可得到j+1组分解信号 (aj，d1，d2，…，dj)，其中am体现了初始信号S的变化趋势及变化规律，d1，d2，…，dj体现了初 始信号S中的随机项、噪声项。其中，低频信号a和高频信号d的计算公式为：
其中，aj和dj分别为在分辨率2-j下的低频高频信号。
进一步的，针对原始数据集进行相关性分析，采用Pearson和Spearman相关性系数来 计算各类变量相关性的大小和方向，建筑热负荷和室外干球温度都呈现正态分布，它们之间 的关系使用Pearson相关性系数检验。而室外相对湿度、风速和太阳辐射都为非正态分布， 它们与建筑热负荷之间的关系应该用Spearman相关性系数检验：
式中：pi-变量p的一个样本；
zi-变量z的一个样本；
n-变量p和z的样本个数。
在选择影响因子时遵循以下选择标准，即首先某一变量对建筑冷、热负荷的影响应该是 合理的，即正、负相关性合理，其次要求相关性系数的绝对值应该高于0.2这一限值，当达 到这一限值时，就认为该变量对建筑空调负荷产生影响，而不论其影响程度的大小。最终， 该变量被看作是建筑空调负荷的一个影响因子。
进一步的假设初始变量的个数为r，通过主成分分析，可得到r个新变量，称为主成分， 每个主成分对应一个特征根λi，按照特征根的大小对各主成分进行排序，每个主成分的贡献 率gi计算方式如下。
特征根在某种程度上可以看作是表示主成分影响力度大小的指标，本方法选择特征根大 于1的主成分作为模型的输入参数，且要求累计方差贡献率在80％以上。
进一步的，利用多层感知器神经网络建立预测模型，输入层神经元的个数由模型输入参 数个数决定，输出层神经元为预测时刻的负荷值。采用反向传播算法作为网络算法，并对小 波分解得到的的各个分量进行预测，具体是指将高频分量和低频分量逐一采用输入数据集进 行预测，得到各频段的负荷预测结果。
进一步的，将得到每一频段对应的建筑空调负荷预测值执行小波重构，可获得最终的预 测值，具体是指，高频段上的预测值dm’和低频段上的预测值am’被重构得到am-1’，该过程一 直持续，直到a1’和d1’被重构获得信号的预测值S’。
最后对负荷预测数据进行反归一化处理，将无量纲的参数转化为真实的数值，反归一化 的计算方法如下：
oi＝oi(omax-omin)+omin
式中：oi-变量o中一个数据样本原始值；
oi′-变量o中一个数据样本的归一化值；
omax-变量o所有数据样本的最大值；
omin-变量o所有数据样本的最小值。
负荷预测的结果可通过计算预测算法的误差来评估算法的性能，所考虑的指标包括平均 绝对相对误差(MRE)、平均绝对误差(MAE)、确定性系数(R2)和均方根误差变异系数(CV-RMSE)， 定义如下：
式中：Fi-实测负荷值，kW；Fi′-预测负荷值，kW；n-负荷样本点数量。
本发明的有益效果：
本发明具体通过小波分解对负荷的样本进行多频分析；采用相关性分析初步提取外部和 内部变量之间的建筑加热负荷影响因素；采用主成分分析防止影响因素的多重共线性并最终 构成模型的输入，并编写算法实现以上步骤。在原有的预测模型基础上使用前处理方法对负 荷预测模型的数据进行了处理，可对建筑空调负荷的影响因素进行更全面和细致的选择处理， 进一步提高模型对建筑空调负荷的预测精度，同时提高了模型的计算速度。
附图说明
图1为本发明的流程图；
图2为本发明中小波分解过程的示意图；
图3为本发明中小波重构过程的示意图；
图4为使用db4小波基函数执行2级小波分解得到的热负荷高、低频段曲线图；
图5为热负荷预测模型的预测结果图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图， 对本发明作进一步的详细说明。
如图1所示，本实施例提供一种基于数据前处理及小波分解的建筑空调负荷预测方法， 包括以下步骤：
步骤1：采用天气预报及气象站测试的方法获得影响建筑空调负荷的外部参数，通过测 试获得影响建筑空调负荷的内部因素及负荷历史变化数值，构成原始数据集；
选择作为案例研究的建筑是位于中国天津的商业办公楼。该建筑由地面上四层和地下一 层组成。其总建筑面积为8677m2。一楼和二楼是前台和展厅。第三和第四层是办公区，一楼 是餐厅和车库区。办公时间为9：00至18：00。用于热负荷预测模型的数据是建筑每小时的热 负荷记录，外部变量包括室外干球温度，室外相对湿度，全球水平太阳辐射和风速，内部变 量包括区域气温，区域相对湿度，照明和办公设备的使用人数和电力消耗。该建筑配备有建 筑能耗监测平台，能够逐时记录建筑内部各分项用电量，如照明插座系统用电、地源热泵机 组用电、负荷侧水泵和地源侧水泵用电等。测试工作分别在供热季和供冷季开展，供热季测 试区间为2017年1月9日至2017年1月19日，供冷季测试区间为2017年7月3日至2017 年8月16日，测试工作仅在工作日进行。测试仪器记录的间隔时间都为1小时。
步骤2：采用式(1)对所有输入的数据进行预处理，使其无量纲化；
其中：oi表示变量o中一个数据样本原始值；
oi′表示变量o中一个数据样本的归一化值；
omax表示变量o所有数据样本的最大值；
omin表示变量o所有数据样本的最小值。
步骤3：对经过预处理之后的建筑空调负荷序列进行离散小波分解；
使用Haar小波基函数进行小波分解，低频信号a和高频信号d的计算公式为：
其中，aj和dj分别为在分辨率2-j下的低频高频信号。图4展示了当使用Haar小波基函 数时，不同分解尺度对应的低频段曲线和初始信号曲线的对比。
在小波分解过程中，小波分解尺度不能太大或太小。当小波分解尺度太小时，无法全面 有效地将初始信号中不同频段的信号提取出来；而当小波分解尺度太大时，又会导致需要建 立更多的模型，每个模型都会引入一定的误差，最终可能使得重构后的结果有更大的误差。 当小波分解尺度设定为1级时，低频段曲线不是足够的平滑。而当小波分解尺度为3级或4 级时，低频段曲线的形状已经被破坏，无法再去执行进一步级别的分解。当小波分解尺度设 定为2级时，低频段曲线能够保留初始信号曲线的周期性，且足够平滑，同时从初始信号中 提取的信息也已十分足够。因此本文对热负荷序列进行小波分解时，将小波分解尺度定为2 级。
本文利用Haar小波基函数对初始热负荷序列进行2级小波分解，高、低频段的信号序列 分别如图4所示。
步骤4对经过预处理之后的原始数据集进行相关性分析，剔除相关性较低的变量，得到 基础数据集；
建筑热负荷和室外干球温度都呈现正态分布，它们之间的关系使用Pearson相关性系数 检验。而室外相对湿度、风速和太阳辐射都为非正态分布，它们与建筑热负荷之间的关系应 该用Spearman相关性系数检验，具体检验公式依据如下：
式中：pi-变量p的一个样本；
zi-变量z的一个样本；
n-变量p和z的样本个数。
对于室外干球温度，时刻T到时刻T-8的室外干球温度可作为影响因子；对于之后的时 刻，因相关性系数的绝对值小于0.2，表明与热负荷没有任何关系；从T-14开始，相关性系 数已变为正值，违反了定性分析，因此这些变量不应被考虑。对于室外相对湿度，相关性系 数是负值的时刻应被舍弃，其余时刻的相关性系数绝对值都在0.2以下，这表明各时刻的室 外相对湿度与热负荷都没有关系。对于太阳辐射，相关性系数为正的时刻应舍弃，对于系数 为负的时刻，时刻T-3到时刻T-8的相关性系数绝对值大于0.2，因此将这些变量作为影响 因子。对于风速，其选择过程同其他三类变量的分析。
通过上述分析，对于短期热负荷预测模型共有25个影响因子被选择出来，组成了基础数 据集，如表1所示。
表1短期热负荷预测模型的基本变量数据集
步骤5对基础数据集进行主成分分析，融合基础数据集的影响因子，消除多重共线性， 将线性无关的新变量作为输入数据集；
多重共线性的判断方法如下：
(1)多个维数的特征值约为0，说明存在多重共线性；
(2)条件索引大于10时，说明存在多重共线性；
(3)方差比例内存在接近1的数，说明存在多重共线性。
表2基本变量数据集中部分影响因子之间的多重共线性
如表2所示，多个维数的特征值接近0，两个条件索引的值大于10，且方差比例中存在 接近1的数，因此表明25个影响因子之间存在多重共线性。
对25个影响因子做主成分分析，消除其多重共线性，共获得三个特征值超过1的主成分， 其对应的特征值和累计方差贡献率如表3所示。
表3三个主成分的特征值和累计方差贡献率
三个主成分的累计方差贡献率几乎达到了85％，这表明三个主成分能够代表原始变量中超 过80％的信息，足以代表基本变量数据集中25个影响因子所包含的信息。因此这三个主成分 被作为短期热负荷预测模型的输入参数。
步骤6将输入数据集输入多层感知神经网络，对每一个波段的负荷进行负荷预测；
采用2017年1月10日至1月17日共6个工作日的数据建立负荷预测模型，预测2017年1月18日和19日两天的负荷。分别在a2、d1和d2三个频段建立神经网络模型，均为三 层网络结构，输入层的神经元数量为模型输入参数个数，输出层神经元数量为三个频段信号 的预测值，隐含层神经元数量的个数分别为2个、1个和2个。进一步在a2、d1和d2三个 频段建立支持向量回归模型，输入、输出参数与神经网络模型一样，利用遗传算法对三个参 数值进行优化，结果如表4所示。
表4支持向量回归超短期热负荷预测模型的参数优化值
步骤7组合不同频段的预测结果，并对数据进行反归一化处理，获取负荷预测值，并采 用评价指标评价预测结果的精度。
将a2、d1和d2三个频段所得的预测值进行反归一化，进而执行小波重构，可得预测时刻 的热负荷值。基于神经网络和支持向量回归的超短期热负荷预测模型的预测结果如图5所示。
负荷预测的结果可通过计算预测算法的误差来评估算法的性能，所考虑的指标包括平均 绝对相对误差(MRE)、平均绝对误差(MAE)、确定性系数(R2)和均方根误差变异系数(CV-RMSE)， 表5给出了采用本发明中的输入参数处理后进行建筑空调负荷预测，得到的预测精度。
表5基于模型输入参数选择方法的模型预测精度
基于本文提到的负荷预测及数据前处理方法，MRE能够达到6.0％，R2能够达到94％，同时 也发现CV-RMSE的值能够满足要求。上述分析表明了本发明所提出的小波分解和重构、相关 性分析和主成分分析的模型输入参数优化方法的优越性。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明， 应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的 精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (12)
1.基于数据前处理及小波分解的建筑空调负荷预测方法，其特征在于，包括以下步骤：
(1)采用天气预报及气象站测试的方法获得影响建筑空调负荷的外部参数，通过测试获得影响建筑空调负荷的内部因素及负荷历史变化数值，构成原始数据集；
(2)对所有输入的数据进行预处理，使其无量纲化；
(3)对步骤(2)得到的经过预处理之后的建筑空调负荷序列进行离散小波分解；
(4)对步骤(2)得到的经过预处理之后的原始数据集进行相关性分析，剔除相关性较低的变量，得到基础数据集；
(5)对步骤(4)得到的基础数据集进行主成分分析，融合基础数据集的影响因子，消除多重共线性，将线性无关的新变量作为输入数据集；
(6)将输入数据集输入多层感知神经网络，对每一个波段的负荷进行负荷预测；
(7)组合不同频段的预测结果，并对数据进行反归一化处理，获取负荷预测值，并采用评价指标评价预测结果的精度。
2.根据权利要求1所述的基于数据前处理及小波分解的建筑空调负荷预测方法，其特征在于，所述影响因素包括建筑外部影响因素及建筑内部影响因素。
3.根据权利要求2所述的基于数据前处理及小波分解的建筑空调负荷预测方法，其特征在于，所述外部因素包括室外干球温度，太阳辐射强度和风速；所述内部因素包括室内空气参数，人员密度及办公设备的操作。
4.根据权利要求1所述的基于数据前处理及小波分解的建筑空调负荷预测方法，其特征在于，所述步骤(1)中构成原始数据集的数据为测试得到的所有影响建筑空调负荷的外扰和内扰的变量。
5.根据权利要求1所述的基于数据前处理及小波分解的建筑空调负荷预测方法，其特征在于，所述步骤(2)中对所有数据进行归一化处理，将各类变量的数值统一集中在[0，1]范围内，降低数值差异，将有量纲的变量变为无量纲的变量，所采用的方法是
其中：oi表示变量o中一个数据样本原始值；
oi′表示变量o中一个数据样本的归一化值；
omax表示变量o所有数据样本的最大值；
omin表示变量o所有数据样本的最小值。
6.根据权利要求1所述的基于数据前处理及小波分解的建筑空调负荷预测方法，其特征在于，所述步骤(3)中使用Haar小波基函数进行小波分解，归一化的小波滤波器系数为低通滤波器H由构成，高通滤波器G由构成，
首先，初始信号S进行第一次分解，得到一个低频信号a1和一个高频信号d1；
其次，高频信号d1不再分解，低频信号al被看作是一个新的信号进行第二次分解，得到一个新的低频信号a2和高频信号d2；
接着，可对a2进一步执行分解；
上述过程一直持续，当有一个新的、足够平滑的低频信号生成，且一系列随机干扰信号被消除时，分解过程停止；
最终，经过j次分解，可得到j+1组分解信号(aj，d1，d2，…，dj)，其中am体现了初始信号S的变化趋势及变化规律，d1，d2，…，dj体现了初始信号S中的随机项、噪声项；
其中，低频信号a和高频信号d的计算公式为：
其中，aj和dj分别为在分辨率2-j下的低频高频信号。
7.根据权利要求1所述的基于数据前处理及小波分解的建筑空调负荷预测方法，其特征在于，所述步骤(4)中，针对原始数据集进行相关性分析，采用Pearson和Spearman相关性系数来计算各类变量相关性的大小和方向，建筑热负荷和室外干球温度都呈现正态分布，它们之间的关系使用Pearson相关性系数检验。而室外相对湿度、风速和太阳辐射都为非正态分布，它们与建筑热负荷之间的关系应该用Spearman相关性系数检验，
式中：pi-变量p的一个样本；
zi-变量z的一个样本；
n-变量p和z的样本个数。
在选择影响因子时遵循以下选择标准，即首先某一变量对建筑冷、热负荷的影响应该是合理的，即正、负相关性合理，其次要求相关性系数的绝对值应该高于0.2这一限值，当达到这一限值时，就认为该变量对建筑空调负荷产生影响，而不论其影响程度的大小，最终，该变量被看作是建筑空调负荷的一个影响因子。
8.根据权利要求1所述的基于数据前处理及小波分解的建筑空调负荷预测方法，其特征在于，所述步骤(5)中，假设初始变量的个数为r，通过主成分分析，可得到r个新变量，称为主成分，每个主成分对应一个特征根λi，按照特征根的大小对各主成分进行排序，每个主成分的贡献率gi计算方法如下。
特征根在某种程度上可以看作是表示主成分影响力度大小的指标，本方法选择特征根大于1的主成分作为模型的输入参数，且要求累计方差贡献率在80％以上。
9.根据权利要求1所述的基于数据前处理及小波分解的建筑空调负荷预测方法，其特征在于，所述步骤(6)中，利用多层感知器神经网络建立预测模型，输入层神经元的个数由模型输入参数个数决定，输出层神经元为预测时刻的负荷值。采用反向传播算法作为网络算法，并对所述步骤(3)得到的小波分解的各个分量进行预测，具体是指将高频分量和低频分量逐一采用步骤(5)中得到的输入数据集进行预测，得到各频段的负荷预测结果。
10.根据权利要求1所述的基于数据前处理及小波分解的建筑空调负荷预测方法，其特征在于，所述步骤(7)中，将步骤(6)得到每一频段对应的建筑空调负荷预测值执行小波重构，可获得最终的预测值，具体是指，高频段上的预测值dm’和低频段上的预测值am’被重构得到am-1’，该过程一直持续，直到a1’和d1’被重构获得信号的预测值S’。
11.根据权利要求1所述的基于数据前处理及小波分解的建筑空调负荷预测方法，其特征在于，所述步骤(7)中，对数据进行反归一化处理，将无量纲的参数转化为真实的数值，反归一化的公式定义如下：
oi＝oi′(omax-omin)+omin
式中：oi-变量o中一个数据样本原始值；
oi′-变量o中一个数据样本的归一化值；
omax-变量o所有数据样本的最大值；
omin-变量o所有数据样本的最小值。
12.根据权利要求1所述的基于数据前处理及小波分解的建筑空调负荷预测方法，其特征在于，所述步骤(7)中可通过计算预测算法的误差来评估算法的性能，所考虑的指标包括平均绝对相对误差(MRE)、平均绝对误差(MAE)、确定性系数(R2)和均方根误差变异系数(CV-RMSE)，计算方法定义如下：
式中：Fi-实测负荷值，kW；Fi′-预测负荷值，kW；n-负荷样本点数量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910295528.9A CN110110388A (zh) | 2019-04-12 | 2019-04-12 | 基于数据前处理及小波分解的建筑空调负荷预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910295528.9A CN110110388A (zh) | 2019-04-12 | 2019-04-12 | 基于数据前处理及小波分解的建筑空调负荷预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110110388A true CN110110388A (zh) | 2019-08-09 |
Family
ID=67483870
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910295528.9A Pending CN110110388A (zh) | 2019-04-12 | 2019-04-12 | 基于数据前处理及小波分解的建筑空调负荷预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110110388A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111626003A (zh) * | 2020-05-19 | 2020-09-04 | 西安建筑科技大学 | 一种供暖系统热负荷分层预测方法、存储介质及预测设备 |
| CN112001439A (zh) * | 2020-08-19 | 2020-11-27 | 西安建筑科技大学 | 基于gbdt的商场建筑空调冷负荷预测方法、存储介质及设备 |
| CN114509637A (zh) * | 2022-04-19 | 2022-05-17 | 深圳市森树强电子科技有限公司 | 一种充电器充放电评估方法 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006078009A (ja) * | 2004-09-07 | 2006-03-23 | Shimizu Corp | 空調負荷予測方法 |
| CN103345660A (zh) * | 2013-06-28 | 2013-10-09 | 广东工业大学 | 一种基于猫群算法优化支持向量机参数的冷负荷预测方法 |
| CN103912966A (zh) * | 2014-03-31 | 2014-07-09 | 武汉科技大学 | 一种地源热泵制冷系统优化控制方法 |
| CN105719028A (zh) * | 2016-03-08 | 2016-06-29 | 北京工业大学 | 一种基于多因素混沌支持向量机的空调负荷动态预测方法 |
| JP2017022895A (ja) * | 2015-07-13 | 2017-01-26 | 三菱電機株式会社 | 負荷推定装置及び負荷推定方法 |
| CN107169606A (zh) * | 2017-05-18 | 2017-09-15 | 天津大学 | 一种办公建筑冷负荷的预测方法 |
| CN107392368A (zh) * | 2017-07-17 | 2017-11-24 | 天津大学 | 一种基于气象预报的办公建筑动态热负荷组合预测方法 |
| CN107818340A (zh) * | 2017-10-25 | 2018-03-20 | 福州大学 | 基于k值小波神经网络的二阶段空调负荷预测方法 |
| CN108647817A (zh) * | 2018-05-07 | 2018-10-12 | 北京工业大学 | 一种能耗负荷的预测方法及预测系统 |
| CN109472404A (zh) * | 2018-10-31 | 2019-03-15 | 山东大学 | 一种电力负荷短期预测方法、模型、装置及系统 |
-
2019
- 2019-04-12 CN CN201910295528.9A patent/CN110110388A/zh active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006078009A (ja) * | 2004-09-07 | 2006-03-23 | Shimizu Corp | 空調負荷予測方法 |
| CN103345660A (zh) * | 2013-06-28 | 2013-10-09 | 广东工业大学 | 一种基于猫群算法优化支持向量机参数的冷负荷预测方法 |
| CN103912966A (zh) * | 2014-03-31 | 2014-07-09 | 武汉科技大学 | 一种地源热泵制冷系统优化控制方法 |
| JP2017022895A (ja) * | 2015-07-13 | 2017-01-26 | 三菱電機株式会社 | 負荷推定装置及び負荷推定方法 |
| CN105719028A (zh) * | 2016-03-08 | 2016-06-29 | 北京工业大学 | 一种基于多因素混沌支持向量机的空调负荷动态预测方法 |
| CN107169606A (zh) * | 2017-05-18 | 2017-09-15 | 天津大学 | 一种办公建筑冷负荷的预测方法 |
| CN107392368A (zh) * | 2017-07-17 | 2017-11-24 | 天津大学 | 一种基于气象预报的办公建筑动态热负荷组合预测方法 |
| CN107818340A (zh) * | 2017-10-25 | 2018-03-20 | 福州大学 | 基于k值小波神经网络的二阶段空调负荷预测方法 |
| CN108647817A (zh) * | 2018-05-07 | 2018-10-12 | 北京工业大学 | 一种能耗负荷的预测方法及预测系统 |
| CN109472404A (zh) * | 2018-10-31 | 2019-03-15 | 山东大学 | 一种电力负荷短期预测方法、模型、装置及系统 |
Non-Patent Citations (6)
| Title |
|---|
| YAN DING ET AL: "Model input selection for building heating load prediction:A case study for an office building in Tianjin" * |
| 吴润泽等: "基于深度学习的电网短期负荷预测方法研究", 《现代电力》 * |
| 孙育英等: "空调运行负荷预测方法的研究综述", 《建筑科学》 * |
| 朱准: "建筑空调负荷预测算法研究" * |
| 朱准: "建筑空调负荷预测算法研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
| 陈柳: "小波网络应用于空调负荷预测", 《建筑科学》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111626003A (zh) * | 2020-05-19 | 2020-09-04 | 西安建筑科技大学 | 一种供暖系统热负荷分层预测方法、存储介质及预测设备 |
| CN111626003B (zh) * | 2020-05-19 | 2023-04-18 | 西安建筑科技大学 | 一种供暖系统热负荷分层预测方法、存储介质及预测设备 |
| CN112001439A (zh) * | 2020-08-19 | 2020-11-27 | 西安建筑科技大学 | 基于gbdt的商场建筑空调冷负荷预测方法、存储介质及设备 |
| CN114509637A (zh) * | 2022-04-19 | 2022-05-17 | 深圳市森树强电子科技有限公司 | 一种充电器充放电评估方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109546659B (zh) | 基于随机矩阵和智能场景匹配的配电网无功优化方法 | |
| CN108320016A (zh) | 一种建筑能耗短期预测方法 | |
| Xikai et al. | Comparison of regression models for estimation of carbon emissions during building's lifecycle using designing factors: a case study of residential buildings in Tianjin, China | |
| CN110110388A (zh) | 基于数据前处理及小波分解的建筑空调负荷预测方法 | |
| CN110490385A (zh) | 一种综合能源系统中电负荷和热负荷的联合预测方法 | |
| CN108388962B (zh) | 一种风电功率预测系统及方法 | |
| CN109959122A (zh) | 一种基于长短期记忆循环神经网络的空调能耗预测方法 | |
| CN107392368A (zh) | 一种基于气象预报的办公建筑动态热负荷组合预测方法 | |
| CN106779129A (zh) | 一种考虑气象因素的短期电力负荷预测方法 | |
| Kim et al. | Sequence-to-sequence deep learning model for building energy consumption prediction with dynamic simulation modeling | |
| Wu et al. | Applying of GA-BP neural network in the land ecological security evaluation | |
| CN104484715A (zh) | 一种基于神经网络和微粒群优化算法的建筑能耗预测方法 | |
| CN107239874A (zh) | 一种面向轨道交通的电能质量及节能分析系统 | |
| CN113554466A (zh) | 一种短期用电量预测模型构建方法、预测方法和装置 | |
| CN106980910A (zh) | 中长期电力负荷测算系统及方法 | |
| Liang et al. | Buildings’ internal heat gains prediction using artificial intelligence methods | |
| CN110880055A (zh) | 楼宇智能电表系统 | |
| CN113988655A (zh) | 一种计及多气象因素的输电线路运行状态评估方法 | |
| CN114200839A (zh) | 一种耦合环境行为动态监测的办公建筑能耗智能控制模型 | |
| Zhang et al. | Ensemble learning-based approach for residential building heating energy prediction and optimization | |
| Hu et al. | Adaptive corrected parameters algorithm applied in cooling load prediction based on black-box model: A case study for subway station | |
| CN117314240A (zh) | 极端天气条件下园区综合能源系统韧性评估方法和系统 | |
| Gu et al. | A Digital Load Forecasting Method Based on Digital Twin and Improved GRU | |
| Hua | Power quality prediction of active distribution network based on CNN-LSTM deep learning model | |
| CN115564139A (zh) | 基于能值评估的能源系统运行状态优化方法及装置 |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190809 |
|
| WD01 | Invention patent application deemed withdrawn after publication |