CN110633844B - 基于emd和ann的建筑能源系统模拟预测方法及应用 - Google Patents

Abstract

本发明公开了一种基于EMD和ANN的建筑能源系统模拟预测方法及应用：根据建筑能源系统特征选取影响建筑能源系统耗电量的关键因素作为模型的输入参数，建筑能源系统总能耗为输出参数，确定最小特征时间；采用经验模态分解方法对输入、输出参数进行模态分解，计算各个本征模态的平均周期；以最小特征时间为阈值，将平均周期低于该阈值的模态剔除，其余模态及残余分量进行线性叠加，作为新的变量，建立人工神经网络模型，对该模型进行训练、验证和预测。本发明可以应用于建筑能源系统的运行参数状态的预测，基于预测结果进行建筑能源系统优化调控和预测性维护。

Description

基于EMD和ANN的建筑能源系统模拟预测方法及应用

技术领域

本发明属于建筑能源管控领域，更具体的说，是涉及一种基于EMD和ANN的建筑能源系统模拟预测方法及应用。

背景技术

建筑能耗预测是建筑能源系统设计、运行、管理和评估的关键环节之一。目前常用的建筑能耗预测方法分为两大类：基于实际系统的物理模型和数据驱动模型。前者模型建立过程对于专业知识和操作者经验依赖性很高，且模型需要的大量边界条件的数据通常采用设计值或者经验值，这就导致了模型计算的结果偏离实际运行条件。目前绝大多数建筑能源系统配备自动监测系统，具有大量的实际运行数据，这些数据为模型建立提供了边界条件，同时大量的数据是建立数据驱动模型的建立提供了良好的基础。对于已经具有一定实际运行数据的建筑能源系统，采用数据驱动模型进行建筑能耗模型训练和预测是一种更为直接有效的方法。

从建筑能耗系统运行数据记录的结果来看，数据质量较差，存在数据的缺失、突变及噪声。目前，建筑能耗预测领域对于缺失和突变数据采用的数据处理方法多基于数据局部均值，滑动平均等方法进行处理缺乏科学的依据。本方法基于数据的时间特征参数进行滤波处理，为数据驱动模型提供准确有效的数据。在建筑能耗系统中，系统运行参数及能耗的准确预测是系统的优化运行调控和预测性维护的前提。基于准确的设备和系统的预测数据，运行维护人员可以做出合理的判断在正确的时间做出调节和维护，保证系统稳定、高效的运行及提高设备寿命，减少运行维护成本。

发明内容

本发明的目的是为了克服现有技术中的不足，提出一种基于EMD和ANN的建筑能源系统模拟预测方法及应用，将经验模态分解于人工神经网络方法相结合，提高建筑能源系统运行参数及能耗预测模型在月时间尺度或更高时间尺度上准确性，为建筑能源系统预测性优化运行和预测性维护提供基础。

本发明的目的可通过以下技术方案实现。

本发明基于EMD和ANN的建筑能源系统模拟预测方法，包括以下步骤：

第一步：根据建筑能源系统特征选取影响建筑能源系统耗电量的关键因素作为建筑能源系统人工神经网络能耗模型的输入参数，建筑能源系统总能耗为输出参数，并根据建筑能源系统人工神经网络能耗模型建立的目标及实际数据的时间间隔确定最小特征时间；

第二步：采用经验模态分解的方法对输入参数、输出参数进行模态分解，并计算各个本征模态的平均周期；

第三步：以第一步中确定的最小特征时间为阈值，将平均周期低于该阈值的模态剔除，其余模态及残余分量进行线性叠加；

第四步：应用第三步中获得的滤波后的变量作为新的变量，建立人工神经网络模型，对该模型进行训练、验证和预测。

本发明的目的还可通过以下技术方案实现。

本发明基于EMD和ANN的建筑能源系统模拟预测方法的应用，应用基于EMD和ANN的建筑能源系统模拟预测方法对建筑能源系统的负荷、设备运行状态、能耗关键因素进行预测，获得的预测结果对能源系统运行进行优化调度，及设备的运行状态预测和设备预测性维护；或者应用基于EMD和ANN的建筑能源系统模拟预测方法对能效进行对比评估，如评估系统改造前后系统能效及节能率。

与现有技术相比，本发明的技术方案所带来的有益效果是：

本发明方法能够对建筑能源系统长期实际运行数据进行处理，根据实际运行数据序列的特征时间尺度去除对于数据中高频波动的噪声值，同时保留建筑能源系统投资及管理者关心的在月时间尺度及更高尺度上的变化特征。基于本发明方法处理后数据，应用神经网络建立能耗预测模型，获得较为准确的模拟预测结果，并利用预测结果进行设备和系统的预测性维护，提高整体系统能耗效率。

附图说明

图1是本发明方案流程图；

图2是日能耗数据EMD分解结果示意图；

图3是数据滤波前后对比示意图；

图4是模型误差对比示意图。

具体实施方式

下面结合附图对本发明作进一步的描述。

本发明基于EMD(经验模态分解)和ANN(人工神经网络)的建筑能源系统模拟预测方法，如图1所示，包括以下步骤：

第一步：根据建筑能源系统特征选取影响建筑能源系统耗电量的关键因素作为建筑能源系统人工神经网络能耗模型的输入参数，建筑能源系统总能耗为输出参数，并根据建筑能源系统人工神经网络能耗模型建立的目标及实际数据的时间间隔确定最小特征时间；

第二步：采用经验模态分解的方法对输入参数、输出参数进行模态分解，并计算各个本征模态的平均周期；

第三步：以第一步中确定的最小特征时间为阈值，将平均周期低于该阈值的模态剔除，其余模态及残余分量进行线性叠加；

第四步：应用第三步中获得的滤波后的变量作为新的变量，建立人工神经网络模型，对该模型进行训练、验证和预测。

本发明基于EMD和ANN的建筑能源系统模拟预测方法的应用：应用第一步至第四步涉及的预测方法对建筑能源系统的负荷、设备运行状态、能耗等关键因素进行预测，获得的预测结果对能源系统运行进行优化调度，及设备的运行状态预测和设备预测性维护。此外，还可以应用该方法对能效进行对比评估，如评估系统改造前后系统能效及节能率。

本发明方法针对不同的问题可以采用不同层次的滤波方法和标准。该方法可以应用于建筑负荷和能耗的预测，基于此可以进一步应用于建筑能源系统预测优化运行和预测维护。通过预测能源系统的负荷，设备运行状态及能耗，为系统中不同设备的优化调度提供了预测性数据和计算依据，基于预测结果对设备的运行进行优化调度实现系统能效最低；通过设备运行的历史数据预测设备运行状态及效率等参数，预测设备需要进行维护的最佳时间，减少运行维护的频率及成本同时提高系统效率和设备寿命。

实施例

以天津市某电子洁净厂房冷源系统日能耗数据为基础建立能耗预测模型：

1)该系统全年供冷，气候条件，末端冷负荷需求量是影响该系统能耗的关键因素，因此选取了室外干球温度，露点温度和供冷量作为了建筑能耗预测模型的输入参数，系统总能耗为输出参数。为了评估该系统的月度能耗，这里选取7天为最小特征时间。

2)采用经验模态分解方法对数据进行基于时间特征的分解，仅以输出变量能耗数据为列说明(见图2)，表1中给出了各个模态的平均周期；

表1各个模态的平均周期

3)根据最小特征时间7天为标准，将平均周期小于7天的数据剔除，即本征模态1和本征模态2被剔除；其余的模态和残余分量再次叠加作为新的变量(见图3)。可以看出来，进行EMD分解滤波后的数据相比没有处理的数据能够去除高频的波动值，对于整体的趋势和变化特征能有很好的反映。

4)对所有输入输出变量进行3)中的分解和滤波，应用获得的新的数据进行人工神经网络模型进行训练、验证和预测。

最后将该发明的计算结果与目前常用模型(单独的人工神经网络模型(ANN)，多变量与转折点复合模型(MVP4)；多变量线性回归模型(MVR))进行对比；

图4中可以看出，本发明提出的模型在不同月份的误差在-2.1-3.5％波动，其误差明显小于其他模型误差。

尽管上面结合附图对本发明进行了描述，但本发明并不局限于上述，上述的具体实施方式仅仅是示意性的，而不是限制性的，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可以做出很多形式，这些均属于本发明的保护之内。

Claims (1)

1.一种基于EMD和ANN的建筑能源系统模拟预测方法，其特征在于，包括以下步骤：

第一步：根据建筑能源系统特征选取影响建筑能源系统耗电量的关键因素作为建筑能源系统人工神经网络能耗模型的输入参数，建筑能源系统总能耗为输出参数，并根据建筑能源系统人工神经网络能耗模型建立的目标及实际数据的时间间隔确定最小特征时间；

第二步：采用经验模态分解的方法对输入参数、输出参数进行模态分解，并计算各个本征模态的平均周期；

第三步：以第一步中确定的最小特征时间为阈值，将平均周期低于该阈值的模态剔除，其余模态及残余分量进行线性叠加；

第四步：应用第三步中获得的滤波后的变量作为新的变量，建立人工神经网络模型，对该模型进行训练、验证和预测。

Images