CN110610274A - 一种建筑能耗预测方法及系统 - Google Patents

一种建筑能耗预测方法及系统 Download PDF

Info

Publication number
CN110610274A
CN110610274A CN201910883690.2A CN201910883690A CN110610274A CN 110610274 A CN110610274 A CN 110610274A CN 201910883690 A CN201910883690 A CN 201910883690A CN 110610274 A CN110610274 A CN 110610274A
Authority
CN
China
Prior art keywords
day
energy consumption
building energy
frequency sequence
prediction
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
Application number
CN201910883690.2A
Other languages
English (en)
Inventor
赵超
王延峰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fuzhou University
Original Assignee
Fuzhou University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Fuzhou University filed Critical Fuzhou University
Priority to CN201910883690.2A priority Critical patent/CN110610274A/zh
Publication of CN110610274A publication Critical patent/CN110610274A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
    • G06F17/148—Wavelet transforms
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06315—Needs-based resource requirements planning or analysis
    • 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/08—Construction

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Mathematical Physics (AREA)
  • Development Economics (AREA)
  • Mathematical Optimization (AREA)
  • Game Theory and Decision Science (AREA)
  • Data Mining & Analysis (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Primary Health Care (AREA)
  • Health & Medical Sciences (AREA)
  • Educational Administration (AREA)
  • Algebra (AREA)
  • General Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种建筑能耗预测方法及系统，首先对能耗的各影响因素提取特征值；接着求历史日与预测日建筑能耗相似度，选取建筑能耗相似度最高的历史日作为相似日；然后将选取的相似日建筑能耗数据进行小波分解，得到其低频序列和高频序列；然后对低频序列采用LSSVM‑GSA进行模拟，对高频序列采用均方加权方法处理；最后基于低频序列和高频序列的处理结果进行小波重构，小波重构所得结果即为预测日的建筑能耗预测值。本发明可有效的应用于建筑能耗预测，具有良好的预测精度和鲁棒性能。

Description

一种建筑能耗预测方法及系统
技术领域
本发明涉及建筑设计领域，特别是一种建筑能耗预测方法及系统。
背景技术
建筑能耗在我国能源消耗中的比重日益增大，建筑节能已经迫在眉睫。建筑能耗的准确预测不仅是实现建筑能耗分析和节能评估的前提条件，也是进行建筑节能优化设计的重要依据之一。
建筑能耗系统作为一个典型的具有多变量、强耦合和不确定特性的复杂动态系统，建立其精确的预测模型仍然面临很大的困难。一方面，由于建筑室内人员变动或设备启停等情况的存在，使得用于建模的能耗数据样本中不可避免包含异常值，这势必影响模型预测结果的可靠性。另一方面，由于建筑能耗和环境温度、气象条件、建筑围护结构以及建筑节能参数等多种影响因素之间存在着复杂的非线性关系，而且各因素之间存在很强的相关性，在建模过程中会降低建模精度，增加计算复杂度。
发明内容
有鉴于此，本发明的目的是提出一种建筑能耗预测方法及系统，可有效的应用于建筑能耗预测，具有良好的预测精度和鲁棒性能。
本发明采用以下方案实现：一种建筑能耗预测方法，具体包括以下步骤：
对能耗的各影响因素提取特征值；
求历史日与预测日建筑能耗相似度，选取建筑能耗相似度最高的历史日作为相似日；
将选取的相似日建筑能耗数据进行小波分解，得到其低频序列和高频序列；
对低频序列采用LSSVM-GSA进行模拟，对高频序列采用均方加权方法处理；
基于低频序列和高频序列的处理结果进行小波重构，小波重构所得结果即为预测日的建筑能耗预测值。
进一步地，所述求历史日与预测日的相似度具体如下：
根据日最高温度、天气类型、星期类型(从周一至周日)和日期间隔四个影响因素选取相似日；对映射后的数据取各因素的标准特征值，预测日和历史日映射后的特征值向量x0和xi分别表示为：
x0＝[x0(1),x0(2),...,x0(n)]；
xi＝[xi(1),xi(2),...,xi(n)]；
式中，x0(n)和xi(n)分别表示第n个影响因素的特征值，n的值取4；i＝1,2,...,m表示对应的历史日；
分别计算各影响因素在预测日和其他历史日的特征值，并根据夹角余弦法分别计算预测日和各历史日的相似度，以此选择相似日，相似度表示如下：
其中，ri为第i个历史日与预测日的相似度；x0(k)和xi(k)分别为预测日和第i个历史日的第k个特征值。
进一步地，所述日期间隔指预测日与历史日之间日期相差的天数，日期间隔的特征取值如下：
式中，C为特征值；a∈[0.9,0.98]为衰减系数；下标p为日期间隔天数；b为日期间隔特征值的取值下限。
进一步地，所述对低频序列采用LSSVM-GSA进行模拟具体包括以下步骤：
步骤S1：对低频序列数据进行归一化处理，以防止不同大小的数值属性之间的影响以及加快网络学习速度；
步骤S2：将归一化处理后的数据采用LSSVM-GSA模型进行预测；
步骤S3：将预测后的结果进行反归一化处理，得到最终的LSSVM-GSA模型对低频序列的预测值。
本发明还提供了一种建筑能耗预测系统，包括存储器、处理器以及存在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器在执行所述计算机程序时，实现如上文所述方法的步骤。
本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上文所述方法的步骤。
与现有技术相比，本发明有以下有益效果：
1、本发明选择预测日的相似日的数据作为预测样本一方面能减少数据计算工作量，另一方面能有效剔除异常数据，提高模型抗干扰能力。
2、本发明利用小波变换将相似日数据分解成低频序列和高频序列，再进一步进行分析，能够有效消除建模样本中的噪声，降低了系统的非平稳性，提高模型预测精度。
3、本发明对比单一的LSSVM-GSA模型，该模型具有更好的预测精度和可靠性。
附图说明
图1为本发明实施例的方法示意图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
应该指出，以下详细说明都是示例性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
如图1所示，本实施例提供了一种建筑能耗预测方法，具体包括以下步骤：
对能耗的各影响因素提取特征值；
求历史日与预测日建筑能耗相似度，选取建筑能耗相似度最高的历史日作为相似日；
将选取的相似日建筑能耗数据进行小波分解，得到其低频序列和高频序列；
对低频序列采用LSSVM-GSA进行模拟，对高频序列采用均方加权方法处理；
基于低频序列和高频序列的处理结果进行小波重构，小波重构所得结果即为预测日的建筑能耗预测值。
在本实施例中，所述求历史日与预测日的相似度具体如下：
根据日最高温度、天气类型、星期类型(从周一至周日)和日期间隔四个影响因素选取相似日；对映射后的数据取各因素的标准特征值，预测日和历史日映射后的特征值向量x0和xi分别表示为：
x0＝[x0(1),x0(2),...,x0(n)]；
xi＝[xi(1),xi(2),...,xi(n)]；
式中，x0(n)和xi(n)分别表示第n个影响因素的特征值，其中n的值取4；i＝1,2,...,m表示对应的历史日；
分别计算各影响因素在预测日和其他历史日的特征值，并根据夹角余弦法分别计算预测日和各历史日的相似度，以此选择相似日，相似度表示如下：
其中，ri为第i个历史日与预测日的相似度；x0(k)和xi(k)分别为预测日和第i个历史日的第k个特征值。
在本实施例中，所述日期间隔指预测日与历史日之间日期相差的天数，日期间隔的特征取值如下：
式中，C为特征值；a∈[0.9,0.98]为衰减系数；下标p为日期间隔天数；b为日期间隔特征值的取值下限。
在本实施例中，所述对低频序列采用LSSVM-GSA进行模拟具体包括以下步骤：
步骤S1：对低频序列数据进行归一化处理，以防止不同大小的数值属性之间的影响以及加快网络学习速度；归一化具体采用以下两个式子：
式中，X为原始数据；Xmax和Xmin分别为原始数据中最大值和最小值；Y为归一化目标值；
步骤S2：将归一化处理后的数据采用LSSVM-GSA模型进行预测；
步骤S3：将预测后的结果进行反归一化处理，得到最终的LSSVM-GSA模型对低频序列的预测值，其中反归一化处理采用下式：
式中，X为原始数据；Xmax和Xmin分别为原始数据中最大值和最小值；Y为归一化目标值；为反归一化预测值；
本实施例还提供了一种建筑能耗预测系统，包括存储器、处理器以及存在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器在执行所述计算机程序时，实现如上文所述方法的步骤。
本实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上文所述方法的步骤。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述，仅是本发明的较佳实施例而已，并非是对本发明作其它形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例。但是凡是未脱离本发明技术方案内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。

Claims (6)

1.一种建筑能耗预测方法，其特征在于，包括以下步骤：
对能耗的各影响因素提取特征值；
求历史日与预测日建筑能耗相似度，选取建筑能耗相似度最高的历史日作为相似日；
将选取的相似日建筑能耗数据进行小波分解，得到其低频序列和高频序列；
对低频序列采用LSSVM-GSA进行模拟，对高频序列采用均方加权方法处理；
基于低频序列和高频序列的处理结果进行小波重构，小波重构所得结果即为预测日的建筑能耗预测值。
2.根据权利要求1所述的一种建筑能耗预测方法，其特征在于，所述求历史日与预测日的相似度具体如下：
根据日最高温度、天气类型、星期类型和日期间隔四个影响因素选取相似日；对映射后的数据取各因素的标准特征值，预测日和历史日映射后的特征值向量x0和xi分别表示为：
x0＝[x0(1),x0(2),...,x0(n)]；
xi＝[xi(1),xi(2),...,xi(n)]；
式中，x0(n)和xi(n)分别表示第n个影响因素的特征值；i＝1,2,...,m表示对应的历史日；
分别计算各影响因素在预测日和其他历史日的特征值，并根据夹角余弦法分别计算预测日和各历史日的相似度，以此选择相似日，相似度表示如下：
其中，ri为第i个历史日与预测日的相似度；x0(k)和xi(k)分别为预测日和第i个历史日的第k个特征值。
3.根据权利要求2所述的一种建筑能耗预测方法，其特征在于，所述日期间隔指预测日与历史日之间日期相差的天数，日期间隔的特征取值如下：
式中，C为特征值；a∈[0.9,0.98]为衰减系数；下标p为日期间隔天数；b为日期间隔特征值的取值下限。
4.根据权利要求1所述的一种建筑能耗预测方法，其特征在于，所述对低频序列采用LSSVM-GSA进行模拟具体包括以下步骤：
步骤S1：对低频序列数据进行归一化处理，以防止不同大小的数值属性之间的影响以及加快网络学习速度；
步骤S2：将归一化处理后的数据采用LSSVM-GSA模型进行预测；
步骤S3：将预测后的结果进行反归一化处理，得到最终的LSSVM-GSA模型对低频序列的预测值。
5.一种建筑能耗预测系统，包括存储器、处理器以及存在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器在执行所述计算机程序时，实现如权利要求1-4任一项所述方法的步骤。
6.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-4任一项所述方法的步骤。
CN201910883690.2A 2019-09-18 2019-09-18 一种建筑能耗预测方法及系统 Pending CN110610274A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910883690.2A CN110610274A (zh) 2019-09-18 2019-09-18 一种建筑能耗预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910883690.2A CN110610274A (zh) 2019-09-18 2019-09-18 一种建筑能耗预测方法及系统

Publications (1)

Publication Number Publication Date
CN110610274A true CN110610274A (zh) 2019-12-24

Family

ID=68891732

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910883690.2A Pending CN110610274A (zh) 2019-09-18 2019-09-18 一种建筑能耗预测方法及系统

Country Status (1)

Country Link
CN (1) CN110610274A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112393765A (zh) * 2020-11-16 2021-02-23 广东百德朗科技有限公司 一种校园建筑能耗管理方法、系统、设备及可读存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104463381A (zh) * 2015-01-04 2015-03-25 福州大学 基于kpca与wlssvm的建筑能耗预测方法
EP3376446A1 (en) * 2017-03-18 2018-09-19 Tata Consultancy Services Limited Method and system for anomaly detection, missing data imputation and consumption prediction in energy data

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104463381A (zh) * 2015-01-04 2015-03-25 福州大学 基于kpca与wlssvm的建筑能耗预测方法
EP3376446A1 (en) * 2017-03-18 2018-09-19 Tata Consultancy Services Limited Method and system for anomaly detection, missing data imputation and consumption prediction in energy data

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
陈晓彦，赵超: "改进的LSSVM-GSA 模型在建筑能耗预测中的应用", 《第30届中国过程控制会议摘要集 会议论文集》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112393765A (zh) * 2020-11-16 2021-02-23 广东百德朗科技有限公司 一种校园建筑能耗管理方法、系统、设备及可读存储介质

Similar Documents

Publication Publication Date Title
Xie et al. Image de-noising algorithm based on Gaussian mixture model and adaptive threshold modeling
CN110163429B (zh) 一种基于相似日优化筛选的短期负荷预测方法
CN105981025A (zh) 基于序列递归滤波三维变分的实测海洋环境数据同化方法
CN103605878B (zh) 一种基于数据建模和模型移植的通用血糖预测方法
CN110110419A (zh) 一种基于多目标学习的tbm掘进参数预测方法
CN110054274A (zh) 一种净水絮凝沉淀投药控制技术
CN103809439B (zh) 一种适用于遥操作系统控制参数的递阶辨识方法
CN104463381A (zh) 基于kpca与wlssvm的建筑能耗预测方法
CN114519451B (zh) 智能化孤岛型园区车辆碳排量预测方法和系统
CN110610275A (zh) 一种基于acqpso-elm的变风量空调负荷预测方法及系统
CN111709350B (zh) 基于fcm聚类的低频振荡模态参数识别方法及系统
CN104070083A (zh) 一种基于集成pca-elm穿孔机导盘转速测量方法
CN110555524A (zh) 基于室内环境监测的训练样本数据获取方法及装置
CN110610274A (zh) 一种建筑能耗预测方法及系统
CN105787283B (zh) 一种基于时空相关性的土遗址监测数据修正拟合方法
CN113204918B (zh) 水泥窑生产能耗的建模方法
CN112733458B (zh) 一种基于自适应变分模态分解的工程结构信号处理方法
Li et al. Dynamics of almost periodic mutualism model with time delays
CN114943189B (zh) 一种基于XGboost的声速剖面反演方法及系统
CN111709585A (zh) 一种空调负荷预测方法、装置及存储介质
CN114093433B (zh) 基于观测器的精馏过程单吨能耗预报精度评价方法及系统
Wu et al. Prediction of energy consumption time series using Neural Networks combined with exogenous series
CN110826909A (zh) 一种基于规则集的工作流执行方法
Wang Traffic flow prediction based on combined model of ARIMA and RBF neural network
Chouakri et al. Parameter estimation of a Monod-type model. Part I: Theoretical identifiability and sensitivity analysis

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20191224

RJ01 Rejection of invention patent application after publication