CN110276393A - 一种绿色建筑能耗复合预测方法 - Google Patents

Abstract

本发明公开了一种绿色建筑能耗复合预测方法，涉及电力需求侧能耗分析及预测技术领域，尤其是一种建筑电能耗预测模型，在大数据中心基础采集历史电力消耗数据的基础上，更进一步地对所述人员信息、建筑本体信息、建筑外环境情况等信息加以监控。大数据中心能够对建筑需求侧能源消耗情况进行实时观测，同时通过大数据挖掘对能耗进行评估诊断，在记录气候及电力消耗的前提下采用FCM模糊C均值法对需求侧的电力数据进行数据清洗，采用层次分析法对所采集的建筑物基本信息及影响能耗的主要因素进行数据归约，随后采用群智能算法(PSO‑BP预测模型)提出最优节能策略。

Description

一种绿色建筑能耗复合预测方法

技术领域

本发明属于建筑节能和电力能源分析预测技术领域，特别涉及一种绿色建筑能耗复合 预测方法。

背景技术

随着中国的城市化进程，建筑能耗占全国能源消费总量的比重不断上涨，预计最终 将达到35％左右。据《中国建筑能耗研究报告2018》统计，2016年中国建筑能源消费总量为8.99亿吨标准煤，占全国能源消费总量的20.6％。这一结果较2015年同比上涨0.6％，且电力作为建筑能耗的一大巨头占比达46％，公共建筑作为能源消耗一大终端占比达38％。由此，准确对所采集的建筑电能消耗数据进行分析预测，从而达到优化调度的目的是实现建筑节能优化的首要因素。

绿色建筑电力需求侧能耗分析及预测中最核心的部分就是智能算法。将数据中心的 海量数据进行实时、准确地存储和管理，并对其进行数据清洗，数据归约、数据变换及变量衍生对能源的高效分配具有重要意义，依据此能进一步进行新能源的开发利用，合理分配等工作。

现有的大多数能源供给策略只适合用于单一的供电服务，无法适合于综合能源服务。 该发明的技术方案包括：收集用户侧参数，结合物理意义构建单个用户的负荷模型；对多 个用户的负荷模型进行聚合，得到聚合负荷模型；基于聚合负荷模型形成综合能源供给最 优模型；基于预测的能源市场电价以及预测的室外温度，求解综合能源供给最优模型，得 出最优能源供给策略。该发明的策略为一种关注售电市场放开环境下，考虑用户侧建筑热 惯性以及各种能源替代性的综合能源供给最优策略，使用户侧的电能热能转换设备得到 了充分的利用，提高了综合能源供给策略的灵活性。

现有的一种基于改进BP神经网络算法的配网电采暖负荷预测方法，包括获取历史数据以及参数设置步骤S1，相关系数计算步骤S2，权系数赋值步骤S3，各层神经元计算 输出步骤S4，结果输出判断步骤S5，上下限判断步骤S6，神经元学习误差计算步骤S7， 基于学习误差的权系数修正步骤S8，随机修正权系数步骤S9，随机修正偏倚和学习率步 骤S10，判断是否到最后一组数据步骤S11和最后的预测步骤S12。该发明能够配网电采 暖负荷预测方法提高收敛速度，避免输出平坦区，提高权值改变幅度，考虑了供暖和新建 绿色建筑对电采暖推广的影响，使电采暖负荷预测结果更接近实际值。

现有的基于数据的建筑能耗分析及预测技术，算法采用微软BI三件套中的SSIS为算法实现方式，并以sql存储收集上来的能耗历史数据；第四步建立能耗管理软件平台， 以Microsoft Visual Studio为开发工具，采用C#语言，以ASP.NET MVC框架、以sql数 据库存储数据、以echarts为能耗数据图形展示方式、以Spire.xls For.NET为能耗报表的 实现方式等技术开发能耗管理软件网站。

现有的一种建筑能效诊断方法和系统。其方法包括：根据历史电分项数据、相应的历史外部参数和搜集的历史特定规则信息，基于模型训练确定预测模型及其精度；对预测模型及其精度选择诊断阈值；由当前外部参数和搜集的特定规则信息通过所述预测模型获得相应的预测电分项数据；基于所述诊断阈值，对比预测电分项数据和当前电分项数据以确定能效状况。从而解决建筑能效监控管理中提升能耗异常确定的准确度问题，能及时确定能耗异常、提高能效监管效率。由于及时准确地定位异常能耗，能切实帮助建筑管理人员及时动作，减少能源浪费。

现有的热电联产机组的N段区间电负荷预测寻优方法，步骤如下：读取过去一天24小时中室外温度大致线性变化的N个时段中每个小时的热电联产机组供热的历史数据； 根据历史数据，采用最小二乘法拟合出室外温度与建筑物热负荷的N个一次回归曲线： 将预测日的室外温度代入上述一次回归曲线，估算出预测日的热负荷。利用热电联产机组 的历史数据和最小二乘法建立机组供热工况图数字化的数字模型，把预测日的热负荷代入 该数学模型，根据数学模型的边界条件，计算出该机组在某个供热负荷下的最小发电功率 和最大发电功率，从而确定该机组的在某个供热负荷下的发电负荷区间。本发明精确预测 未来24小时的热电联产机组供热系统的热负荷和发电负荷区间。

目前在建筑电力需求侧能耗领域尚存在如下问题：

随着绿色建筑不断发展，建筑能耗监测数据的种类变得越来越复杂，数量也越来越 庞大。面对海量数据，传统的建筑能耗预测方法难以实现实际公共建筑的能耗信息管理， 且能耗预测未考虑物理意义，存在30％-50％的误差，为实际工程的应用造成很大障碍。

此外，利用粒子群对BP神经网络进行优化的算法虽然能极大程度避免模型陷入局部最优的缺陷，然而模型输入变量与输出变量相关性差、冗余度高导致模型预测精度差的缺陷仍然没有得到良好解决。

发明内容

本发明的目的在于提供一种绿色建筑能耗复合预测方法，以解决上述问题。

为实现上述目的，本发明采用以下技术方案：

建筑能耗数据中心首先对电力需求侧的历史能耗大数据进行采集整理，采用FCM算 法结合物理意义对数据进行分类；采用层次分析法对所采集的建筑物基本信息及影响能耗 的主要信息因素等进行数据归约；最后对经过大数据清洗、规约处理后的数据进行数据变 换作归一化，采用群PSO-BP智能优化算法进行电力需求侧的电能消耗预测。

一种绿色建筑能耗复合预测方法，包括以下步骤：

步骤1，数据中心首先对电力需求侧的历史能耗大数据进行采集整理，采用FCM算法进行数据清洗；

步骤2，采用层次分析法，根据所采集的建筑物基本信息及影响能耗的主要信息因素 等进行数据归约；

步骤3，最后对经过大数据清洗、规约处理后的数据进行数据变换作归一化，采用群PSO-BP智能优化算法进行电力需求侧的电能消耗预测。

进一步的，步骤1中，所有建筑电能耗历史数据存入大数据中心的数据库服务器及网 络存储设备；数据中心包括历史建筑本体、人员信息、设备运行状态和温度湿度。

进一步的，步骤1中，FCM算法设样本空间X＝{x₁，x₂，......，x_N}，聚类数为c， 将X分为c类采用一个模糊矩阵U＝(u_ik)_c×N表示，u_ik表示第i个样本属于第k类的隶属度， 需满足公式(1)：

其算法的迭代步骤具体包括：

1)确定聚类数目c，加权指数m，m＝2；随机生成聚类中心矩阵Z(0)，并令迭代 次数1＝0；

2)利用公式(2)计算隶属度矩阵U(1)，并修改聚类中心Z(1+1)；

式中l是迭代次数，m为加权指数。

3)对于给定的阈值ε＞0，若目标函数J(ml)-J(ml+1)≤ε，则算法终止；否则， l＝l+1，返回第2)步。

进一步的，步骤2中层次分析法具体包括：

1)建立层次结构模型；将决策的目标、决策准则和决策对象按照相互关系分为最高 层、中间层和最低层，绘出层次结构图；

2)构造判断矩阵；

3)层次单排序；对上一层某个因素完成本层次各因素的重要性的排序；

4)判断矩阵的一致性检验；判断思维的逻辑一致性；

5)层次总排序；确定所有因素对于总目标相对重要性的排序权值。

进一步的，步骤3中，PSO-BP具体包括：

首先，对绿色建筑电力需求侧能耗预测模型的输入变量进行分析，采用三层BP神经 网络结构；确定输入层神经元种类及个数，输出层神经元种类及个数，N日需求侧建筑电能耗数据为输出，故输出层个数为1；从而进行自变量集和因变量集合确定；

其次，隐含层因子数由经验公式(3)得出；隐含层训练函数为Sigmod函数，输出 层函数为线性函数，训练次数为1000，学习率为0.01，训练目标为1.00E-08；

m＝2*n+1 (3)

其中m为隐含层神经元个数，n为输入层神经元个数；

再次，确定PSO算法的参数。

进一步的，确定PSO算法的参数包括以下步骤：

1)设定神经网络训练函数的活性范围为[0,1]，采用公式(4)离差标准化对输入数据 进行处理，如下：

2)初始化粒子群的规模，包括粒子个体长度D、粒子的初始速度、位置；

粒子个体维度D计算公式(5)如下：

D＝S₁×S₂+S₂×S₃+S₂+S₃ (5)

式中，S1、S2、S3分别为BP神经网络输入层因子数、隐含层因子数、输出层因子 数；

3)粒子适应度计算；以预测值和观测值的误差绝对值之和作为粒子适应度值F，计算公式(6)如下:

式中，n为样本数，yi为样本i的观测值，Oi为样本i的预测值；

4)粒子适应度比较；如果sse<pbestfitness，则pbestfitness＝sse，pbest＝xi；否则pbestfitness 和pbest不变；如果sse<gbestfitness，则gbestfitness＝sse，gbest＝xi；否则gbestfitness和gbest 不变；其中，sse是粒子的当前适应值，pbestfitness是粒子的个体最优适应值，gbestfitness 是种群全局最优适应值，pbest是粒子个体最优值，gbest是种群全局最优值，xi为当前计 算粒子；

5)粒子位置及速度的更新；采用公式(7)、(8)进行粒子速度及位置的更新，设定学习因子c1、c2，初始速度、位置采用rand函数随机赋值，最大迭代次数设Ns＝50，最 小误差e取10-8，并设置粒子位置及速度的最大区间；

6)当前迭代次数Epoch与最大迭代次数tmax比较，若Epoch>tmax，则终止算法， 当前的gbest为BP神经网络优化的权值和阈值；否则跳至步骤2)，否则继续下一次迭代。

与现有技术相比，本发明有以下技术效果：

本发明结合大数据处理方法、群智能优化算法，提供一种基于大数据的绿色建筑电 力需求侧能耗分析及预测方法，该发明所述能够在数据中心通过对历史电力需求侧能耗、 建筑气候分区、建筑本体参数、机电设备等信息进行复杂情况下的大数据分析，从而为绿 色建筑的优化调度、节能减排提供准确有效的技术支持。

本发明在传统PSO-BP神经网络全变量预测模型的基础上，采用FCM对模型输入变量进行大数据清洗，剔除相关性较低的因子(说明优点：使得预测更加准确，进行数据分 组的同时剔除异常数据值，不受特殊情况影响)，并对数据进行分组，随后对包括气候因 素、建筑围护结构的设计、室内热舒适状况、暖通空调系统及设备等主要能耗影响因素进 行筛选，确定关键性因素作为输入变量，对主要能耗影响因素进行权重确定并加以提取。 同时引入误差反向传播神经网络进行建筑电力需求侧能耗拟合预测，利用粒子群算法优化BP神经网络连接权值和阈值，得到FCM改进的PSO-BP的建筑电能耗预测模型。研究表 明，本发明所提出的绿色建筑能耗复合预测方法与普通BP神经网络全输入变量预测模型 相比，预测精度更高，数据可泛化性较强，收敛速度也大大提高，更加能够满足工程实际 应用需求。优化后的绿色建筑能耗复合预测方法极大程度地便利了用能调度，并能够将信 息反馈给管理者进行进一步优化节能。

附图说明

图1为本发明的整体结构示意图。

图2为本发明的预测流程图。

图3为本发明的算法框图。

具体实施方式

以下结合附图对本发明进一步说明：

一种绿色建筑能耗复合预测方法，数据中心首先对电力需求侧的历史能耗大数据进 行采集整理，首先采用FCM算法进行数据清洗；随后采用层次分析法，根据所采集的建筑物基本信息及影响能耗的主要信息因素等进行数据归约；最后对经过大数据清洗、规约处理后的数据进行数据变换作归一化，采用群PSO-BP智能优化算法进行电力需求侧的电能消耗预测，从而优化调度，最大限度地降低绿色建筑的能源消耗；数据中心采用绿色建筑能耗复合预测方法对绿色建筑电力需求侧能耗进行有分析预测、能耗诊断，从而达到利用大数据对建筑电能耗的节能潜力加以发掘的目的。

所述大数据的绿色建筑电力需求侧能耗分析及预测方法，直接对数据中心的大数据 进行挖掘处理。

进一步的，所有建筑电能耗历史数据存入大数据中心的数据库服务器及网络存储设 备；

进一步的，大数据中心包括历史建筑本体、人员信息、设备运行状态等基础信息；及温度湿度在内的室外气象信息等影响建筑物能耗的主要因素；

采用绿色建筑能耗复合预测方法对绿色建筑电力需求侧能耗进行分析预测、能耗诊 断，根据步骤2、3、4完成建筑电力需求侧能耗分析及预测；

进一步的，数据中心采用群智能算法对建筑能耗进行有效分析、能耗诊断，从而用大数据进行电力需求侧的优化调度，发掘建筑的节能潜力。

一种基于大数据的绿色建筑电力需求侧能耗分析及预测方法包括以下步骤：

步骤1)大数据中心存有包括建筑本体、人员信息、设备运行状态等绿色建筑的基本信息；还存有包括温度湿度在内的环境情况等影响建筑物电耗能的主要因素信息；

步骤2)大数据中心对电力需求侧的历史能耗大数据进行采集整理，首先采用FCM算法进行数据清洗；

步骤3)大数据中心采用层次分析法，根据所采集的建筑物基本信息及影响能耗的主要信息因素等进行数据归约；

步骤4)对大数据中心经过清洗、规约处理后的数据进行数据变换作归一化，采用群 PSO-BP智能优化算法进行电力需求侧的电能消耗预测，从而优化调度，最大限度地降低绿色建筑的能源消耗；

步骤5)基于大数据的绿色建筑电力需求侧能耗分析及预测方法中，通过大数据中心 对绿色建筑的实时监控信息，根据步骤2、3、4完成电力需求侧能耗分析及预测；

步骤6)数据中心采用绿色建筑能耗复合预测方法对绿色建筑电力需求侧能耗进行有 效分析预测、能耗诊断，从而达到利用大数据对建筑电能耗的节能潜力加以发掘的目的。

本发明的原理是：数据中心的海量数据可采用绿色建筑能耗复合预测方法实现有效 分析预测、能耗诊断的目的。FCM实现数据的清洗聚类，层次分析法实现主要成分的筛选，PSO-BP则实现对绿色建筑电力需求侧能耗的分析预测功能。

FCM实现数据的聚类。

1)确定聚类数目c，加权指数m，m＝2；随机生成聚类中心矩阵Z(0)，并令迭代 次数l＝0；

2)利用公式(2)计算隶属度矩阵U(l)，并修改聚类中心Z(l+1)；

式中l是迭代次数，m为加权指数。

3)对于给定的阈值ε＞0，若目标函数J(ml)－J(ml+1)≤ε，则算法终止；否则， l＝l+1，返回第2)步。

AHP实现主要成分的筛选。

1)建立层次结构模型。将决策的目标、决策准则和决策对象按照相互关系分为最高 层、中间层和最低层，绘出层次结构图。

2)构造判断矩阵

3)层次单排序。对上一层某个因素完成本层次各因素的重要性的排序。

4)判断矩阵的一致性检验。判断思维的逻辑一致性，避免矛盾。

5)层次总排序。确定所有因素对于总目标相对重要性的排序权值。

PSO-BP实现对绿色建筑电力需求侧能耗的预测。

对绿色建筑电力需求侧能耗预测模型的输入变量进行分析，采用三层BP神经网络结 构。确定输入层神经元种类及个数，输出层神经元种类及个数(N日需求侧建筑电能耗数据为输出，故输出层个数为1)；从而进行自变量集和因变量集合确定。

其次，隐含层因子数由经验公式(3)得出；隐含层训练函数为Sigmod函数，输出 层函数为线性函数，训练次数为1000，学习率为0.01，训练目标为1.00E-08；

m＝2*n+1 (3)

其中m为隐含层神经元个数，n为输入层神经元个数。

再次，确定PSO算法的参数，具体如下步骤。

1)设定神经网络训练函数的活性范围为[0,1]，采用公式(4)离差标准化对输入数据 进行处理，如下：

2)初始化粒子群的规模，包括粒子个体长度D、粒子的初始速度、位置。

粒子个体维度D计算公式(5)如下：

D＝S₁×S₂+S₂×S₃+S₂+S₃ (5)

式中，S1、S2、S3分别为BP神经网络输入层因子数、隐含层因子数、输出层因子 数。

3)粒子适应度计算。以预测值和观测值的误差绝对值之和作为粒子适应度值F，计算公式(6)如下:

式中，n为样本数，yi为样本i的观测值，Oi为样本i的预测值。

4)粒子适应度比较。如果sse<pbestfitness，则pbestfitness＝sse，pbest＝xi；否则pbestfitness 和pbest不变；如果sse<gbestfitness，则gbestfitness＝sse，gbest＝xi；否则gbestfitness和gbest 不变。其中，sse是粒子的当前适应值，pbestfitness是粒子的个体最优适应值，gbestfitness 是种群全局最优适应值，pbest是粒子个体最优值，gbest是种群全局最优值，xi为当前计 算粒子。

5)粒子位置及速度的更新。采用公式(7)、(8)进行粒子速度及位置的更新，设定学习因子c1、c2，初始速度、位置采用rand函数随机赋值，最大迭代次数设Ns＝50，最 小误差e取10-8，并设置粒子位置及速度的最大区间。

6)当前迭代次数Epoch与最大迭代次数tmax比较，若Epoch>tmax，则终止算法， 当前的gbest为BP神经网络优化的权值和阈值。否则跳至步骤2)，继续下一次迭代。

图1大数据中心存有包括建筑本体、人员信息、设备运行状态等绿色建筑的基本信息；还存有包括温度湿度在内的环境情况等影响建筑物电耗能的主要因素信息；大数据中心对电力需求侧的历史能耗大数据进行采集整理，首先采用FCM算法进行数据清洗；大 数据中心采用层次分析法，根据所采集的建筑物基本信息及影响能耗的主要信息因素等进行数据归约；对数据中心经过大数据清洗、规约处理后的数据进行数据变换作归一化，采用PSO-BP智能优化算法进行电力需求侧的电能消耗预测，从而优化调度，最大限度地降 低绿色建筑的能源消耗；基于大数据的绿色建筑电力需求侧能耗分析及预测方法通过数据中心对绿色建筑的实时监控信息，完成电力需求侧能耗分析及预测。

图2预测流程图显示绿色建筑的多源信息在大数据中心利用绿色建筑能耗复合预测 方法进行预测挖掘，从而产生电耗能的动态模型以供绿色建筑电力需求侧能耗进行有效分 析预测、能耗诊断，从而达到利用大数据对建筑电能耗的节能潜力加以发掘的目的。

图3算法框图显示，FCM实现数据聚类清洗，层次分析法进行数据归约；PSO-BP 智能优化算法则可以对大数据进行数据变换作归一化。整个绿色建筑电力需求侧能耗的优化节能通过绿色建筑能耗复合预测方法实现。

Claims (6)

1.一种绿色建筑能耗复合预测方法，其特征在于，包括以下步骤：

步骤1，数据中心首先对电力需求侧的历史能耗大数据进行采集整理，采用FCM算法进行数据清洗；

步骤2，采用层次分析法，根据所采集的建筑物基本信息及影响能耗的主要信息因素等进行数据归约；

步骤3，最后对经过大数据清洗、规约处理后的数据进行数据变换作归一化，采用群PSO-BP智能优化算法进行电力需求侧的电能消耗预测。

2.根据权利要求1所述的一种绿色建筑能耗复合预测方法，其特征在于，步骤1中，所有建筑电能耗历史数据存入大数据中心的数据库服务器及网络存储设备；数据中心包括历史建筑本体、人员信息、设备运行状态和温度湿度。

3.根据权利要求1所述的一种绿色建筑能耗复合预测方法，其特征在于，步骤1中，FCM算法设样本空间X＝{x₁，x₂，......，x_n}，聚类数为C，将X分为C类采用一个模糊矩阵U＝(u_ik)_c×n表示，u_ik表示第i个样本属于第k类的隶属度，需满足公式(1)：

其算法的迭代步骤具体包括：

1)确定聚类数目c，加权指数m，m＝2；随机生成聚类中心矩阵Z(0)，并令迭代次数l＝0；

2)利用公式(2)计算隶属度矩阵U(l)，并修改聚类中心Z(l+1)；

式中l是迭代次数，m为加权指数；

3)对于给定的阈值ε＞0，若目标函数J(ml)－J(ml+1)≤ε，则算法终止；否则，l＝l+1，返回第2)步。

4.根据权利要求1所述的一种绿色建筑能耗复合预测方法，其特征在于，步骤2中层次分析法具体包括：

1)建立层次结构模型；将决策的目标、决策准则和决策对象按照相互关系分为最高层、中间层和最低层，绘出层次结构图；

2)构造判断矩阵；

3)层次单排序；对上一层某个因素完成本层次各因素的重要性的排序；

4)判断矩阵的一致性检验；判断思维的逻辑一致性；

5)层次总排序；确定所有因素对于总目标相对重要性的排序权值。

5.根据权利要求1所述的一种绿色建筑能耗复合预测方法，其特征在于，步骤3中，PSO-BP具体包括：

首先，对绿色建筑电力需求侧能耗预测模型的输入变量进行分析，采用三层BP神经网络结构；确定输入层神经元种类及个数，输出层神经元种类及个数，N日需求侧建筑电能耗数据为输出，故输出层个数为1；从而进行自变量集和因变量集合确定；

其次，隐含层因子数由经验公式(3)得出；隐含层训练函数为Sigmod函数，输出层函数为线性函数，训练次数为1000，学习率为0.01，训练目标为1.00E-08；

m＝2*n+1 (3)

其中m为隐含层神经元个数，n为输入层神经元个数；

再次，确定PSO算法的参数。

6.根据权利要求5所述的一种绿色建筑能耗复合预测方法，其特征在于，确定PSO算法的参数包括以下步骤：

1)设定神经网络训练函数的活性范围为[0,1]，采用公式(4)离差标准化对输入数据进行处理，如下：

2)初始化粒子群的规模，包括粒子个体长度D、粒子的初始速度、位置；

粒子个体维度D计算公式(5)如下：

D＝S₁×S₂+S₂×S₃+S₂+S₃ (5)

式中，S1、S2、S3分别为BP神经网络输入层因子数、隐含层因子数、输出层因子数；

3)粒子适应度计算；以预测值和观测值的误差绝对值之和作为粒子适应度值F，计算公式(6)如下:

式中，n为样本数，yi为样本i的观测值，Oi为样本i的预测值；

4)粒子适应度比较；如果sse<pbestfitness，则pbestfitness＝sse，pbest＝xi；否则pbestfitness和pbest不变；如果sse<gbestfitness，则gbestfitness＝sse，gbest＝xi；否则gbestfitness和gbest不变；其中，sse是粒子的当前适应值，pbestfitness是粒子的个体最优适应值，gbestfitness是种群全局最优适应值，pbest是粒子个体最优值，gbest是种群全局最优值，xi为当前计算粒子；

5)粒子位置及速度的更新；采用公式(7)、(8)进行粒子速度及位置的更新，设定学习因子c1、c2，初始速度、位置采用rand函数随机赋值，最大迭代次数设Ns＝50，最小误差e取10-8，并设置粒子位置及速度的最大区间；

6)当前迭代次数Epoch与最大迭代次数tmax比较，若Epoch>tmax，则终止算法，当前的gbest为BP神经网络优化的权值和阈值；否则跳至步骤2)，否则继续下一次迭代。