CN110782077A - 基于周期性数据驱动的建筑热负荷混合预测方法及系统 - Google Patents

Abstract

本公开提供了一种基于周期性数据驱动的建筑热负荷混合预测方法及系统，利用傅立叶分解方法对采集到的建筑热负荷数据的周期特性进行辨识，得到去除周期特性后的建筑热负荷数据残差；利用数据残差采用粒子群进化算法对建筑热负荷混合预测模型的关键参数进行训练和优化；利用训练和优化好的建筑热负荷混合预测模型分别预测得到建筑内人员用热行为的热负荷扰动量、室内/室外温湿度变化造成的热负荷损失量和建筑热负荷预测值；将预测得到的热负荷扰动量、热负荷损失量和建筑热负荷预测值融合后得到建筑热负荷综合预测值；本公开利用具有多重复杂特性的建筑热负荷数据实现了建筑热负荷的综合精准预测，提高了对建筑热负荷的综合管控能力。

Description

基于周期性数据驱动的建筑热负荷混合预测方法及系统

技术领域

本公开涉及建筑热负荷预测技术领域，特别涉及一种基于周期性数据驱动的建筑热负荷混合预测方法及系统。

背景技术

本部分的陈述仅仅是提供了与本公开相关的背景技术，并不必然构成现有技术。

目前，城市能耗占全球能耗的2/3，其中建筑能耗约占60％，建筑节能减排的潜能巨大，因此，绿色建筑、智能建筑方兴未艾。智能建筑是指在建筑全寿命周期内最大限度的节能、节地、节水、节材，建筑热负荷的快速精准预测是建筑物最大限度节能减排的前提。

本公开发明人发现，建筑使用过程中积累的大量建筑热负荷数据通常在时间上呈现出一定的周期特性，同时受外部环境和人员用热行为影响，又具有不确定性和非线性特征，采用常规预测模型，无法基于具有多重复杂特性的建筑热负荷数据以实现热负荷的精准预测。

发明内容

为了解决现有技术的不足，本公开提供了一种基于周期性数据驱动的建筑热负荷混合预测方法及系统，利用具有多重复杂特性的建筑热负荷数据实现了建筑热负荷的精准预测。

为了实现上述目的，本公开采用如下技术方案：

第一方面，本公开提供了一种基于周期性数据驱动的建筑热负荷混合预测方法，步骤如下：

采集设定时间段内的建筑热负荷数据、建筑内人员用热行为数据和建筑的热传导数据；

利用傅立叶分解方法对采集到的建筑热负荷数据的周期特性进行辨识，得到去除周期特性后的建筑热负荷数据残差；

利用数据残差采用粒子群进化算法对建筑热负荷混合预测模型的关键参数进行训练和优化；

以采集到的数据为输入量，利用训练和优化好的建筑热负荷混合预测模型分别预测得到建筑内人员用热行为的热负荷扰动量、室内/室外温湿度变化造成的热负荷损失量和建筑热负荷预测值；

将预测得到的热负荷扰动量、热负荷损失量和建筑热负荷预测值融合后得到建筑热负荷综合预测值。

作为可能的一些实现方式，所述建筑内人员用热行为包括但不限于建筑内人员根据不同热舒适性需求的短时间开窗行为；

进一步的，所述建筑热负荷混合预测模型根据建筑内人员用热行为数据预测建筑内人员行为产生的热负荷扰动量。

作为可能的一些实现方式，所述建筑热负荷混合预测模型根据室内外的温湿度数据和建筑热传导特性预测得到因室内外的温湿度变化导致的热负荷损失量。

作为可能的一些实现方式，基于二型模糊系统方法建立数据模型，将周期特性和数据模型集成建立周期性数据驱动的建筑热负荷混合预测模型。

作为可能的一些实现方式，建筑热负荷综合预测值HL_Final(t)的表达式为：

HL_Final(t)＝α·HL_Predic(t)+β·HL_Loss(t)+γ·HL_Hum(t)

其中，分项预测结果HL_Predic(t)，HL_Loss(t)，HL_Hum(t)分别为混合预测模型输出的热负荷预测值、热负荷扰动量和热负荷损失量，α，β和γ为对应分项预测结果在HL_Final(t)中的权重。

作为进一步的限定，在建筑热负荷综合预测值的表达式中采用最小二乘法进行参数优化，得到各分项预测结果对应的最优权重系数α，β和γ。

第二方面，本公开提供了一种基于周期性数据驱动的建筑热负荷混合预测系统，包括：

数据采集模块，被配置为：采集设定时间段内的建筑热负荷数据、建筑内人员用热行为数据和建筑的热传导数据；

数据处理模块，被配置为：利用傅立叶分解方法对采集到的建筑热负荷数据的周期特性进行辨识，得到去除周期特性后的建筑热负荷数据残差；

模型训练模块，被配置为：利用数据残差采用粒子群进化算法对建筑热负荷混合预测模型的关键参数进行训练和优化；

预测模块，被配置为：以采集到的数据为输入量，利用训练和优化好的建筑热负荷混合预测模型分别预测得到建筑内人员用热行为的热负荷扰动量、室内/室外温湿度变化造成的热负荷损失量和建筑热负荷预测值；

数据融合模块，被配置为：将预测得到的热负荷扰动量、热负荷损失量和建筑热负荷预测值融合后得到建筑热负荷综合预测值。

作为可能的一些实现方式，所述数据采集模块采集到的建筑内人员用热行为数据包括但不限于建筑内人员根据不同热舒适性需求的短时间开窗行为。

作为可能的一些实现方式，所述预测模块利用建筑热负荷混合预测模型根据建筑内人员用热行为数据预测建筑内人员行为产生的热负荷扰动量。

作为可能的一些实现方式，所述预测模块利用建筑热负荷混合预测模型根据室内外的温湿度数据和建筑热传导特性预测得到因室内外的温湿度变化导致的热负荷损失量。

作为可能的一些实现方式，基于二型模糊系统方法建立数据模型，将周期特性和数据模型集成建立周期性数据驱动的建筑热负荷混合预测模型。

作为可能的一些实现方式，所述建筑热负荷综合预测值HL_Final(t)的表达式为：

HL_Final(t)＝α·HL_Predic(t)+β·HL_Loss(t)+γ·HL_Hum(t)

其中，分项预测结果HL_Predic(t)，HL_Loss(t)，HL_Hum(t)分别为混合预测模型输出的热负荷预测值、热负荷扰动量和热负荷损失量，α，β和γ为对应分项预测结果在HL_Final(t)中的权重；

进一步的，在建筑热负荷综合预测值的表达式中采用最小二乘法进行参数优化，得到各分项值对应的最优权重系数α，β和γ。

第三方面，本公开提供了一种介质，其上存储有程序，该程序被处理器执行时实现本公开所述的基于周期性数据驱动的建筑热负荷混合预测方法中的步骤。

第四方面，本公开提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现本公开所述的基于周期性数据驱动的建筑热负荷混合预测方法中的步骤。

与现有技术相比，本公开的有益效果是：

1、本公开所述的内容以设定时间段内的建筑热负荷数据、建筑内人员用热行为数据和建筑的热传导数据为输入变量，利用建筑热负荷混合预测模型分别进行建筑内人员用热行为的热负荷扰动量、室内/室外温湿度变化造成的热负荷损失量和建筑热负荷预测值的预测，最后进行数据融合后得到最终的建筑热负荷预测值，即利用具有多重复杂特性的建筑热负荷数据实现了建筑热负荷的精准预测，将线性数据和非线性数据结合在一起进行综合预测，极大的提高了预测的准确率，提高了对建筑热负荷的综合管控能力。

2、本公开所述的内容利用傅立叶分解方法对建筑热负荷数据周期特性进行辨识，降低了预测模型输入变量的维度，从而极大的提高了预测模型的训练和优化速度。

3、本公开所述的内容对周期特性进行识别后，得到去除周期特性后的热负荷数据残差，以残差作为输入数据进行预测模型的训练和优化，由于二型模糊系统方法所构建的数据驱动热负荷混合预测模型参数之间是非线性的，利用热负荷数据残差对模型关键参数进行训练和优化，极大的提高了混合模型预测效率和精度。

4、本公开所述的内容将数据周期特性和二型模糊数据模型进行了有效结合，既保证了模型训练时的低维度，又保证了建筑热负荷的预测精度。

5、本公开所述的内容采用最小二乘优化算法对预测结果进行优化，得到各分项值对应的最优权重系数，从而得到了更加精准的建筑热负荷预测结果。

附图说明

图1为本公开实施例1所述的基于周期性数据驱动的建筑热负荷混合预测方法的流程图。

图2为本公开实施例1所述的基于周期性数据驱动的建筑热负荷混合预测模型的结构示意图。

图3为本公开实施例1所述的基于周期性数据驱动的建筑热负荷混合预测方法的示意图。

具体实施方式

应该指出，以下详细说明都是例示性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开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公开的示例性实施方式。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。

实施例1：

如图1所示，本公开实施例1提供了一种基于周期性数据驱动的建筑热负荷混合预测方法，步骤如下：

采集设定时间段内的建筑热负荷数据、建筑内人员用热行为数据和建筑的热传导数据；

利用傅立叶分解方法对采集到的建筑热负荷数据的周期特性进行辨识，得到去除周期特性后的建筑热负荷数据残差；

利用数据残差采用粒子群进化算法或者神经网络或者遗传算法等进化算法对建筑热负荷混合预测模型的关键参数进行训练和优化；

以采集到的数据为输入量，利用训练和优化好的建筑热负荷混合预测模型分别预测得到建筑内人员用热行为的热负荷扰动量、室内/室外温湿度变化造成的热负荷损失量和建筑热负荷预测值；

将预测得到的热负荷扰动量、热负荷损失量和建筑热负荷预测值融合后得到建筑热负荷综合预测值。

所述建筑内人员用热行为包括但不限于建筑内人员根据不同热舒适性需求的短时间开窗行为；

所述建筑热负荷混合预测模型根据建筑内人员行为用热行为数据预测建筑内人员行为产生的热负荷扰动量。

所述建筑热负荷混合预测模型根据室内外的温湿度数据和建筑热传导特性预测得到因室内外的温湿度变化导致的热负荷损失量。

所述建筑热负荷混合预测模型根据采集到的建筑热负荷数据历史数据预测得到单纯基于建筑热负荷历史数据的建筑热负荷预测值。

具体步骤如下：

(1)利用傅立叶分解方法将以T为周期(T＝24h)的建筑热负荷数据γ(t)，表示为：

其中，系数β_k为：

更进一步，拟将傅立叶分解由三角多项式表示为：

因此，利用三角多项式对某一天中N个热负荷采样数据的周期特性辨识结果表示为：

其中，M_u为u(u＝1,2,...,N)时刻的估计周期分量，n为三角多项式个数，m₀,m₁,...,m_2n为各项系数，需要具体辨识出来。

(2)在步骤(1)的基础上，由热负荷采样数据Y_i(k)和辨识得到的对应周期分量M_i(k)，其中(k＝1,2,...,N)，计算得到数据残差R_i(k)＝Y_i(k)-M_i(k)。连续S天的建筑热负荷采样数据构成热负荷数据矩阵Y_S＝(Y₁(k),Y₂(k),...,Y_s(k))^T，辨识得到相应的周期分量构成矩阵M_S＝(M₁(k),M₂(k),...,M_s(k))^T，计算得到的残差数据矩阵R_S＝(R₁(k),R₂(k),...,R_s(k))^T。

基于二型模糊系统方法建立数据模型，以残差数据矩阵进行数据模型的训练和优化，然后将周期特性和数据模型集成建立热负荷混合预测模型，如图2所示。

基于二型模糊系统方法所构建的数据模型参数之间是非线性的，因此拟采用非线性进化优化方法，本实施例利用热负荷数据残差对模型关键参数进行训练和优化，极大的提高了混合模型预测效率和精度。

本实施例所述的基于二型模糊系统方法建立数据模型，具体为：

一、边界约束条件向模型结构和参数约束的转化：建立多输入多输出的热源机组二型模糊模型，同时考虑边界约束条件对热源机组二型模糊模型的输入变量集合、输出变量集合及其参数进行约束；

二、约束条件下数据驱动二型模糊规则自组织：在考虑边界约束条件的热源机组二型模糊模型的基础上，建立带约束的数据驱动自组织二型模糊规则库；

三、约束条件下数据驱动模型参数自学习：利用带约束的数据驱动自组织二型模糊规则库对热源机组二型模糊模型的参数进行自学习优化训练；在热源机组二型模糊模型的参数自学习优化训练过程中，将参数自学习优化问题转化为带约束的多目标优化问题，进而构建出带约束的多目标优化函数，求解带约束的多目标优化函数，得到热源机组二型模糊模型的最优参数。

在步骤一中，

1)以进水与回水温差t、流量f、压力p、阀门开度v为输入变量，构成二型模糊系统输入参数集合，将换热量HE和能耗EC作为输出变量，构成模型输出参数集合。建立多输入多输出热源机组二型模糊模型。

2)模型输入参数和输出参数均采用高斯型，以输入变量之一的进水与回水温差为例。在该模糊集合中，进水与回水温差t时的隶属度为区间值区间隶属度可更好的处理地埋换热器周边地质环境的非连续一致性带来的强不确定性，有助于利用具有各种不确定性的数据进行建模。

为建立该模型，需要根据约束条件和数据中的信息确定参数进水与回水温差最小值t_min、进水与回水温差最大值t_max以及隶属度函数的均值m和方差δ。二型模糊建模中，输入参数或输出参数对应的隶属度函数，常用的有：三角形、梯形、高斯型等，采用高斯型就需要确定高斯型隶属度函数的均值m和方差δ，即本实施例中的(m₁,δ₁)以及(m₂,δ₂)，如图2所示，进水与回水温差对应的是高斯型隶属度函数，当进水与回水温差的隶属度为1时，对应的两个均值分别为m₁和m₂，对应的两个方差分别为δ₁m₁和均值δ₂。

3)考虑边界约束条件对二型模糊模型前件(输入变量)集合和后件(输出变量)集合及其参数的约束。以热源机组中地埋换热器埋入深度(一般在70米-120米)和系统不同的工作模式(制冷/制热)对进水与回水温差的约束转化为例。通常在埋入深度80米，夏季制冷模式下进水与回水温差边界值为7℃至12℃；冬季制热模式下进水与回水温差边界值为3℃至6℃。因此，进水与回水温差二型模糊前件参数需满足这一边界约束条件，即t_min≤t_i≤t_max,(t_min＝3,t_max＝12)。

4)在实际系统中，输入变量--进水与回水温差t∈T、流量f∈F、压力p∈P、阀门开度v∈V--都有具体的取值范围，拟将其抽象化的记为t∈T∈θ_T、f∈F∈θ_F、p∈P∈θ_P、v∈V∈θ_V，并构成输入变量边界约束集合θ＝{θ_T,θ_F,θ_P,θ_V}。数据的边界条件对参数m₁,σ₁,m₂,σ₂构成结构上的约束，记为结构约束集合ω＝{m_i,σ_i}，(i＝1,2)。

步骤二中，

1)考虑热源机组的4种输入变量(包括进水与回水温差、流量、压力、阀门开度)与2个输出变量(即换热量和系统能耗)之间的关系。在边界条件构成的模型结构和参数约束基础上，建立带约束的数据驱动自组织二型模糊规则库：

初始化：由边界约束条件初始化构成对模型结构和参数的约束，设定数据与规则间的匹配度评价指标(相关性)和阈值。

规则生成：拟采用粗糙集方法由数据初步建立规则库，比如：

其中

分别为输入变量进水与回水温差T、流量F、压力P和阀门开度V在边界约束条件下的二型模糊前件集合；

和

分别为输出变量换热量HE和能耗EC二型模糊后件集合。

规则自组织：

新规则的产生：当数据输入时，计算该数据与已有规则的匹配度。若匹配度满足阈值要求，将其归类到已有规则中，并调整规则参数，同时要保证调整后的参数仍满足初始化时边界条件构成的参数约束。若匹配度不满足阈值要求，则产生新的规则。

规则合并：定义规则间的相关性评价以及合并阈值，当规则间的相关性满足合并阈值时，将规则进行合并，同时在参数约束指标内调整规则参数。

规则拆分：设定规则拆分条件和拆分准则，当规则满足拆分条件时，对规则进行拆分，同时保证拆后的规则不会构成规则合并。

规则删除：对初始化阶段建立的规则按照设定指标进行裁剪，去除冗余规则。

在步骤三中，

基于步骤一种构建的约束集合θ＝{θ_T,θ_F,θ_P,θ_V}和ω＝{m_i,σ_i}，利用数据来优化所构建二型模糊模型的参数。假定有N组数据(x¹,y¹),...,(x^N,y^N)，其中

为二型模糊模型输入数据，即进水与回水温差T、流量F、压力P和阀门开度V；

表示模型输出数据，包括换热量和能耗。采用

作为所构建二型模糊模型参数训练的目标函数，其中

和

分别为模型关于x^k的输出。J_HE(θ,ω)和J_EC(θ,ω)分别为换热量目标函数和能耗目标函数。

3)因此，约束下的模型参数优化转化为如下多目标优化问题

Θ为输入变量边界约束预设范围；Ω为结构约束预设范围。

4)由于所构建二型模糊模型的输出与规则中隶属函数的参数之间是非线性的，因此该优化问题是一个带约束的非线性多目标优化问题。采用非线性优化算法(比如粒子群算法，神经网络，深度网络等)对上述问题进行优化。

本实施例对所构建的二型模糊参数进行自学习优化，将约束条件下模型参数优化问题转化为带约束的多目标优化问题，由于所构建二型模糊模型的输出与规则中的隶属函数的参数之间是非线性的，因此该优化问题是一个带约束的非线性多目标优化问题。

因此，可采用两种方法来得到最优参数：

A)若目标函数关于参数的偏导数存在且易于求得，则采用惩罚函数将带约束的多目标优化问题转化为无约束的多目标优化问题，继而可采用梯度下降法进行求解；

B)若目标函数关于参数的偏导数不存在或极难求得，则采用非线性优化算法(如粒子群算法、神经网络、深度网络等)优化之。

(3)建筑内人员行为用热(比如人们对热舒适性不同的需求，短时间的开窗行为等)，以及室内/外温、湿度，建筑热传导(保温、隔热)特性均会造成热负荷预测偏差，基于步骤(2)建立的混合预测模型，根据建筑内人员行为用热数据可预测建筑内人员行为产生的热负荷扰动量。

同理，根据室内/外温、湿度数据和建筑热传导特性预测得到室内/外温、湿度变化导致的热负荷损失量。

最后，根据建筑热负荷预测值，人行为用热预测得到的热负荷扰动量，室内/外温、湿度数据预测得到热负荷损失量，将三者融合得到最终的热负荷的精准预测值，具体工作方法如图3所示。

所述建筑热负荷最终预测值HL_Final(t)表示为：

HL_Final(t)＝α·HL_Predic(t)+β·HL_Loss(t)+γ·HL_Hum(t) (5)

其中分项预测结果HL_Predic(t)，HL_Loss(t)，HL_Hum(t)分别为混合模型输出的热负荷预测值，热负荷扰动量和热负荷损失量，α，β和γ为对应预测分项的在HL_Final(t)中的权重。

在HL_Final(t)的表达式中采用参数优化方法，如最小二乘算法，得到各分项值对应的最优权重系数，从而得到精准的热负荷预测结果。

实施例2：

本公开实施例2提供了一种基于周期性数据驱动的建筑热负荷混合预测系统，包括：

数据采集模块，被配置为：采集设定时间段内的建筑热负荷数据、建筑内人员用热行为数据和建筑的热传导数据；

数据处理模块，被配置为：利用傅立叶分解方法对采集到的建筑热负荷数据的周期特性进行辨识，得到去除周期特性后的建筑热负荷数据残差；

模型训练模块，被配置为：利用数据残差采用粒子群进化算法对建筑热负荷混合预测模型的关键参数进行训练和优化；

预测模块，被配置为：以采集到的数据为输入量，利用训练和优化好的建筑热负荷混合预测模型预测建筑内人员用热行为的热负荷扰动量、室内/室外温湿度变化造成的热负荷损失量和建筑热负荷预测值；

数据融合模块，被配置为：将预测得到的热负荷扰动量、热负荷损失量和建筑热负荷预测值融合后得到建筑热负荷综合预测值。

所述数据采集到的建筑内人员用热行为数据包括但不限于建筑内人员根据不同热舒适性需求的短时间开窗行为。

所述建筑热负荷混合预测模型根据建筑内人员行为用热行为数据预测建筑内人员行为产生的热负荷扰动量。

所述建筑热负荷混合预测模型根据室内外的温湿度数据和建筑热传导特性预测得到因室内外的温湿度变化导致的热负荷损失量。

所述建筑热负荷混合预测模型根据采集到的建筑热负荷数据历史数据预测得到单纯基于建筑热负荷历史数据的建筑热负荷预测值。

本实施例所述的系统的具体工作方法为：

(1)数据处理模块利用傅立叶分解方法将以T为周期(T＝24h)的建筑热负荷数据γ(t)，表示为：

其中，系数β_k为：

更进一步，拟将傅立叶分解由三角多项式表示为：

因此，利用三角多项式对某一天中N个热负荷采样数据的周期特性辨识结果表示为：

其中，M_u为u(u＝1,2,...,N)时刻的估计周期分量，n为三角多项式个数，m₀,m₁,...,m_2n为各项系数，需要具体辨识出来。

(2)在步骤(1)的基础上，由热负荷采样数据Y_i(k)和辨识得到的对应周期分量M_i(k)，其中(k＝1,2,...,N)，计算得到数据残差R_i(k)＝Y_i(k)-M_i(k)。连续S天的建筑热负荷采样数据构成热负荷数据矩阵Y_S＝(Y₁(k),Y₂(k),...,Y_s(k))^T，辨识得到相应的周期分量构成矩阵M_S＝(M₁(k),M₂(k),...,M_s(k))^T，计算得到的残差数据矩阵R_S＝(R₁(k),R₂(k),...,R_s(k))^T。

模型训练模块基于二型模糊系统方法建立数据模型，以残差数据矩阵进行数据模型的训练和优化，然后将周期特性和数据模型集成建立热负荷混合预测模型，如图2所示。

基于二型模糊系统方法所构建的数据模型参数之间是非线性的，因此拟采用非线性进化优化方法，本实施例利用热负荷数据残差对模型关键参数进行训练和优化，极大的提高了混合模型预测效率和精度。

(3)建筑内人员行为用热(比如人们对热舒适性不同的需求，短时间的开窗行为等)，以及室内/外温、湿度，建筑热传导(保温、隔热)特性均会造成热负荷预测偏差，预测模块基于步骤(2)建立的混合预测模型，根据建筑内人员行为用热数据可预测建筑内人员行为产生的热负荷扰动量。

同理，根据室内/外温、湿度数据和建筑热传导特性预测得到室内/外温、湿度变化导致的热负荷损失量。

最后，根据建筑热负荷预测值，人行为用热预测得到的热负荷扰动量，室内/外温、湿度数据预测得到热负荷损失量，将三者融合得到最终的热负荷的精准预测值，具体工作方法如图3所示。

通过数据融合模块得到建筑热负荷最终预测值HL_Final(t)为：

HL_Final(t)＝α·HL_Predic(t)+β·HL_Loss(t)+γ·HL_Hum(t) (10)

其中分项预测结果HL_Predic(t)，HL_Loss(t)，HL_Hum(t)分别为混合模型输出的热负荷预测值，热负荷扰动量和热负荷损失量，α，β和γ为对应预测分项的在HL_Final(t)中的权重。

在HL_Final(t)的表达式中拟采用参数优化方法，比如最小二乘算法，得到各分项值对应的最优权重系数，从而得到精准的热负荷预测结果。

实施例3：

本公开实施例3提供了一种介质，其上存储有程序，该程序被处理器执行时实现本公开实施例1所述的基于周期性数据驱动的建筑热负荷混合预测方法中的步骤。

实施例4：

本公开实施例4提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现本公开实施例1所述的基于周期性数据驱动的建筑热负荷混合预测方法中的步骤。

以上所述仅为本公开的优选实施例而已，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。

Claims (10)

1.一种基于周期性数据驱动的建筑热负荷混合预测方法，其特征在于，步骤如下：

采集设定时间段内的建筑热负荷数据、建筑内人员用热行为数据和建筑的热传导数据；

利用傅立叶分解方法对采集到的建筑热负荷数据的周期特性进行辨识，得到去除周期特性后的建筑热负荷数据残差；

利用数据残差采用粒子群进化算法对建筑热负荷混合预测模型的关键参数进行训练和优化；

以采集到的数据为输入量，利用训练和优化好的建筑热负荷混合预测模型分别预测得到建筑内人员用热行为的热负荷扰动量、室内/室外温湿度变化造成的热负荷损失量和建筑热负荷预测值；

将预测得到的热负荷扰动量、热负荷损失量和建筑热负荷预测值融合后得到建筑热负荷综合预测值。

2.如权利要求1所述的基于周期性数据驱动的建筑热负荷混合预测方法，其特征在于，所述建筑内人员用热行为包括但不限于建筑内人员根据不同热舒适性需求的短时间开窗行为；

进一步的，所述建筑热负荷混合预测模型根据建筑内人员行为用热行为数据预测建筑内人员行为产生的热负荷扰动量。

3.如权利要求1所述的基于周期性数据驱动的建筑热负荷混合预测方法，其特征在于，所述建筑热负荷混合预测模型根据室内外的温湿度数据和建筑热传导特性预测得到因室内外的温湿度变化导致的热负荷损失量。

4.如权利要求1所述的基于周期性数据驱动的建筑热负荷混合预测方法，其特征在于，基于二型模糊系统方法建立数据模型，将周期特性和数据模型集成建立周期性数据驱动的建筑热负荷混合预测模型。

5.如权利要求1所述的基于周期性数据驱动的建筑热负荷混合预测方法，其特征在于，建筑热负荷综合预测值HL_Final(t)的表达式为：

HL_Final(t)＝α·HL_Predic(t)+β·HL_Loss(t)+γ·HL_Hum(t)

其中，分项预测结果HL_Predic(t)，HL_Loss(t)，HL_Hum(t)分别为混合预测模型输出的热负荷预测值、热负荷扰动量和热负荷损失量，α，β和γ为对应分项预测结果在HL_Final(t)中的权重。

6.如权利要求5所述的基于周期性数据驱动的建筑热负荷混合预测方法，其特征在于，在建筑热负荷综合预测值的表达式中采用最小二乘法进行参数优化，得到各分项值对应的最优权重系数α，β和γ。

7.一种基于周期性数据驱动的建筑热负荷混合预测系统，其特征在于，包括：

数据采集模块，被配置为：采集设定时间段内的建筑热负荷数据、建筑内人员用热行为数据和建筑的热传导数据；

数据处理模块，被配置为：利用傅立叶分解方法对采集到的建筑热负荷数据的周期特性进行辨识，得到去除周期特性后的建筑热负荷数据残差；

模型训练模块，被配置为：利用数据残差采用粒子群进化算法对建筑热负荷混合预测模型的关键参数进行训练和优化；

预测模块，被配置为：以采集到的数据为输入量，利用训练和优化好的建筑热负荷混合预测模型预测建筑内人员用热行为的热负荷扰动量、室内/室外温湿度变化造成的热负荷损失量和建筑热负荷预测值；

数据融合模块，被配置为：将预测得到的热负荷扰动量、热负荷损失量和建筑热负荷预测值融合后得到建筑热负荷综合预测值。

8.如权利要求7所述的基于周期性数据驱动的建筑热负荷混合预测系统，其特征在于，

所述数据采集模块采集到的建筑内人员用热行为数据包括但不限于建筑内人员根据不同热舒适性需求的短时间开窗行为；

或，所述预测模块利用建筑热负荷混合预测模型根据建筑内人员行为用热行为数据预测建筑内人员行为产生的热负荷扰动量；

或，所述预测模块利用建筑热负荷混合预测模型根据室内外的温湿度数据和建筑热传导特性预测得到因室内外的温湿度变化导致的热负荷损失量；

或，基于二型模糊系统方法建立数据模型，将周期特性和数据模型集成建立周期性数据驱动的建筑热负荷混合预测模型；

或，所述建筑热负荷综合预测值HL_Final(t)的表达式为：

HL_Final(t)＝α·HL_Predic(t)+β·HL_Loss(t)+γ·HL_Hum(t)

其中，分项预测结果HL_Predic(t)，HL_Loss(t)，HL_Hum(t)分别为混合预测模型输出的热负荷预测值、热负荷扰动量和热负荷损失量，α，β和γ为对应分项预测结果在HL_Final(t)中的权重；进一步的，在建筑热负荷综合预测值的表达式中采用最小二乘法进行参数优化，得到各分项值对应的最优权重系数α，β和γ。

9.一种介质，其上存储有程序，其特征在于，该程序被处理器执行时实现如权利要求1-6任一项所述的基于周期性数据驱动的建筑热负荷混合预测方法中的步骤。

10.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-6任一项所述的基于周期性数据驱动的建筑热负荷混合预测方法中的步骤。

Images