CN111639823B

CN111639823B - 一种基于特征集构建的建筑冷热负荷预测方法

Info

Publication number: CN111639823B
Application number: CN202010521186.0A
Authority: CN
Inventors: 丁研; 刘路衡; 张震勤; 吕亚聪
Original assignee: Tianjin University
Current assignee: Tianjin University
Priority date: 2020-06-10
Filing date: 2020-06-10
Publication date: 2022-09-23
Anticipated expiration: 2040-06-10
Also published as: CN111639823A

Abstract

本发明公开一种基于特征集构建的建筑冷热负荷预测方法，包括如下步骤：基于建筑物冷热负荷相关的参数变量，获取建筑物的参数数据并预处理；对预处理后的建筑物参数数据进行特征工程处理，构造建筑物冷热负荷特征集；基于DNN深度学习算法构建超短期建筑冷、热负荷预测模型；根据各参数变量对预测模型预测精度的影响度，对参数变量进行筛选，构造最小特征集；利用最小特征集对超短期建筑冷热负荷预测模型进行训练及性能评价；获取实时参数变量数据，通过预处理后输入训练好的超短期建筑冷热负荷预测模型，得到建筑物的冷、热负荷结果。本发明能够有效提高建筑冷、热负荷预测的准确性及实时性。

Description

一种基于特征集构建的建筑冷热负荷预测方法

技术领域

本发明涉及负荷预测技术领域，特别是涉及一种基于特征集构建的建筑冷热负荷预测方法。

背景技术

由于人口的增长以及对室内热舒适的更高需求，建筑内的能耗正在增加。2015年建筑能耗占全球总能耗的32％左右，占能源相关碳排放的30％；2000年至2014年，中国建筑行业能源消费增长170％，2016年，中国公共建筑面积比2001年增长近3倍，人均建筑面积增长近2.5倍，随着我国建筑面积的不断扩大，能源消耗和碳排放不断增加，其中，建筑能耗增长速度为3.7％。因此，提高建筑能效可以带来巨大的能源节约和经济效益。为了合理、有效地提供能源，需要确定建筑物的供能需求，通过对建筑冷热负荷的准确预测，可以在能源系统设计阶段准确地确定电厂冷水机组的规模，并在能源系统运行阶段有效地为目标建筑提供能源。研究人员针对建筑设计和运行的不同阶段，对建筑负荷预测方法进行了广泛的研究。前人在建筑特征选取和模型输入特征集的构建方面做了大量有价值的研究。但仍存在以下不足：

1)所选择的变量类型通常是任意的，算法输入特征集的构造方法过于简单，对模型输入特征构造与数据驱动算法预测结果相比较的研究较少。

2)缺乏预测算法与输入特征集匹配性的研究，实际上，每个算法都依赖于最合适的输入特征集来实现最佳预测，例如，一些研究只考虑室外变量，使用时间变量来简化表示，而室内变量没有得到充分考虑。

3)不考虑变量间的潜在多重共线性，多重共线性带来的冗余信息会降低模型的预测精度，增加模型的复杂度。

发明内容

本发明的目的是提供一种基于特征集构建的建筑冷热负荷预测方法，以解决现有技术中存在的技术问题，能够有效提高建筑冷、热负荷预测的准确性及实时性。

为实现上述目的，本发明提供了如下方案：本发明提供一种基于特征集构建的建筑冷热负荷预测方法，包括如下步骤：

基于建筑物冷、热负荷相关的参数变量，获取建筑物的参数数据，对所获取的参数数据进行预处理；所述参数变量包括室内参数变量、气象参数变量、耗电量、建筑负荷；

通过特征工程对预处理后的建筑物参数数据进行处理，构造建筑物冷、热负荷特征集；

基于DNN深度学习算法构建超短期建筑冷、热负荷预测模型；

根据各参数变量对超短期建筑冷、热负荷预测模型预测精度的影响度，对参数变量进行筛选；

基于筛选后的参数变量，构造超短期建筑冷、热负荷预测模型对应的最小特征集；

利用最小特征集对超短期建筑冷、热负荷预测模型进行训练及性能评价，完成超短期建筑冷、热负荷预测模型的训练；

获取实时参数变量数据，通过预处理后输入训练好的超短期建筑冷、热负荷预测模型，得到建筑物的冷、热负荷结果。

优选地，对于热负荷预测，特征工程方法为相关性分析，对于冷负荷预测，特征工程方法为维纳滤波。

优选地，对参数变量进行筛选的具体方法包括：

将所有的参数变量构造为基础特征集，并依次构造仅缺少一个参数变量的特征子集，分别计算特征集为各特征子集时，超短期建筑冷、热负荷预测模型的预测精度，并与特征集为基础特征集时超短期建筑冷、热负荷预测模型预测精度进行对比，得到各参数变量对超短期建筑冷、热负荷预测模型的预测精度的影响度，根据影响度对所有参数变量进行排序，删除排序小于预设阈值的参数变量，完成参数变量的筛选；其中，超短期建筑冷、热负荷预测模型预测精度的评价指标为：拟合优度造成的R平方的降低程度。

优选地，最小特征集的构造方法包括：

对室内参数变量、气象参数变量、耗电量三类变量进行全排列，构造6类特征子集，每类特征子集分别包含1类或2类参数变量，使用包含全部三类变量的基础特征集分别与6类特征子集对超短期建筑冷、热负荷预测模型的预测精度进行比较，根据预测精度进行最小特征集的构建。

优选地，对超短期建筑冷、热负荷预测模型进行性能评价的指标包括：均方误差、均方根误差、确定性系数、均方根误差的变异系数、平均绝对百分误差。

本发明公开了以下技术效果：

(1)本发明通过特征工程对参数变量数据进行处理，不仅有效消除参数变量间的潜在多重共线性，避免多重共线性带来的冗余信息所导致的模型预测精度降低，而且能够将所采集的建筑参数数据转换为与预测模型相匹配的特征集，有效提高预测模型对建筑冷、热负荷预测的准确性；

(2)本发明根据各参数变量对预测模型预测精度的影响度，删除影响度小的参数变量，从而能够根据预测模型的类别及精度要求选取合适的特征集，不仅能够有效提高计算速度，保证了预测的实时性，还能提高模型预测精度；

(3)本发明通过对参数变量的类别进行全排列，对参数类别进行删减，根据删减后的特征集对预测模型预测精度的影响构建最小特征集，从而能够根据预测模型的类别及精度要求选取合适的特征集，不仅能够有效提高计算速度，保证了预测的实时性，还能提高模型预测精度。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明基于特征集构建的建筑冷热负荷预测方法流程图；

图2为本发明DNN结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

参照图1-2所示，本实施例以天津一高校的一栋综合办公教学楼为例，对本发明一种基于特征集构建的建筑冷热负荷预测方法进行详细说明，具体包括如下步骤：

S1、获取影响建筑物冷热负荷的建筑物参数数据；

建筑物参数变量包括室内参数变量、气象参数变量、耗电量、建筑负荷；

所述室内参数变量包括：室内空气干球温度、室内空气相对湿度、室内照度及室内风速；

所述气象参数变量包括：室外环境干球温度、室外露点温度、室外环境相对湿度、气压、风向、水平总辐射日累计、散射辐射、直接辐射及东、南、西、北四个方向的总辐射；

所述耗电量变量包括：建筑物逐时用电量、地源热泵机组逐时用电量、照明逐时用电量。

其中，涉及到的逐时冷、热负荷参数通过水流量和供水、回水温差得到，具体测量参数包括：地源热泵负荷侧水管的流量、供水的温度和回水的温度。

S2、对所获取的影响建筑物冷热负荷的建筑物参数数据进行预处理；所述预处理包括：

1)数据清洗：通过数据清洗将剔除错值、缺失数据补齐；

2)归一化处理：将数据清洗后的数据进行归一化处理，以消除不同变量量纲不统一的影响。

S3、通过特征工程对预处理后的建筑物参数数据进行处理，构造特征集。

由于机器学习学习能力限制，没有足够大的假设空间来学习原始数据有用的表示，通过特征工程提取良好的特征，使数据转变为更便于机器学习算法处理的形式，能够有效降低模型训练过程中占用的资源，也能从更少的数据中得到问题的解决方法。如果将原始特征集中的参数直接用作模型输入，则预测模型将变得复杂，并且由于输入参数过多，训练模型的时间将会增加；同时，不同参数变量之间存在多重共线性，如果不对其进行处理，将极大降低模型的预测精度。本实施例特征工程对于热负荷预测主要为相关性分析，对于冷负荷预测主要为维纳滤波。通过特征工程从参数变量中提取特征信息，构建特征集，以消除其多重共线性，降低模型的复杂性并预测在将来可能发生的大的负荷波动。在实际应用中，根据预测模型的预测精度选取相应的特征工程类别，从而能够将输入数据转换为具有适当结构的特征集作为预测模型的输入，即构建与预测模型相匹配的特征集，提高预测精度。具体包括：

1)相关性分析：通过相关系数绝对值大于预设阈值，提取对建筑冷热负荷产生影响的参数。

本实施例采用Spearman相关性系数来判定各参数变量之间相关性的大小和方向。Spearman相关性系数是衡量两个统计变量相关性的无参数指标，其利用单调函数去评估两个统计变量之间的相关性。Spearman相关性系数的绝对值小于1，其数值越接近于+1，表明两个变量之间具有越高的正相关；同样其数值越接近于-1，表明两个变量之间具有越高的负相关，本实施例选用0.2作为判定变量之间相关性的阈值，剔除与建筑负荷相关系数在0.2以下的变量，降低了与热负荷无关信息对模型的影响。

2)滤波算法：

超短期预测模型是对未来可能出现的较大的冷热负荷的非线性波动进行预测，从而提高暖通空调系统的运行安全性，因此超短期预测模型的精度要求非常高。建筑负荷信号在室内外扰动、测试仪器记录、人工操作或生产环境中各类偶然因素的影响下，给监控的时间序列数据带来噪声的叠加，使得负荷信号辨识产生困难。因此，冷热负荷数据是由两部分构成，一部分是波动规律确定的数据，另一部分则是由噪声干扰产生的非线性波动的数据。因此为了提高预测精度，本实施例引入滤波算法对冷热负荷数据进行降噪处理。

维纳滤波的评价准则就是线性最小均方误差估计，是由数学家维纳在二十世纪四十年代提出的一种以均方误差最小为最优准则的线性滤波器。维纳滤波假设信号以及噪声都是已知的频谱特性或者自相关和互相关的随机过程，根据过去全部的观测数据和当前的观测数据来估计信号的当前数据，在一定的约束条件下，维纳滤波的输出与期望的输出函数的均方误差达到最小。

S4、基于DNN深度学习算法构建超短期建筑冷、热负荷预测模型。

DNN深度学习算法具有显著的高性能的优势，并且能够从数据中自主挖掘特征，理论上讲深度学习算法不需要对数据进行特征工程处理，但是实现高性能的前提是海量的学习数据，实际建筑冷热负荷预测过程中大量、准确数据的获取往往是困难的，因此高性能与数据量少之间的矛盾，给深度学习算法在建筑负荷预中应用带来困难。

DNN算法相比于传统的浅层神经网络SNN，隐藏层更多，具有网络拓扑结构复杂，对高维变量之间的映射关系有强大的表征能力。本实施例采取包含7个隐藏层的多层感知器算法MLP进行建筑冷热负荷预测。

DNN为包含多重隐藏层的神经网络，神经元是神经网络的基本单元，输入信号通过加权输入，使用激活函数处理加权结果得到输出信号。神经元组成神经网络时，一排神经元称为一层，通常神经网络包括多个层，神经元间的排列结构称为网络拓扑。DNN网络中第一层是输入层，最后一层是输出层，中间是隐藏层，其结构如图2所示。

S5、根据各参数变量对超短期建筑冷热负荷预测模型预测精度的影响度，对参数变量进行筛选。

所有参数变量构成的基础特征集记为D，对所有的参数变量，依次构造仅缺少一个参数变量的特征子集记为D_i，i∈[1,n],其中，n表示参数变量的个数。分别对比特征集为D与特征集为D_i时，超短期建筑冷热负荷预测模型的预测精度，得到各参数变量对超短期建筑冷热负荷预测模型的预测精度的影响度，根据影响度对所有参数变量进行排序，删除排序小于预设阈值的参数变量，完成参数变量的筛选。其中，模型预测精度的评价指标为：拟合优度造成的R平方(R-Squared)降低的程度。

基于部分参数变量缺失时，模型预测精度不降反升，因此，通过删除影响度小的参数变量，不仅能够有效提高计算速度，还能提高模型预测精度。

S6、基于筛选后的参数变量，构造超短期建筑冷热负荷预测模型对应的最小特征集。

高精度的建筑负荷预测方法对应着较大量多种类的测量准确的基础数据要求，但同时实际中可获得的有效数据的难度也很大。数据的高要求和实际获取的高难度成为建筑负荷预测过程中的一道难题。因此，如何以最小数量的特征构造出足够精度的预测模型十分重要。

对室内参数变量、气象参数变量、耗电量三类变量进行全排列，构造6类特征子集，每类特征子集分别包含1类或2类参数变量，使用包含全部三类变量的基础特征集分别与6类特征子集进行模型预测精度比较，根据预测精度进行最小特征集的构建。其中，模型预测精度的评价指标为：拟合优度造成的R-Squared降低的程度。本实施例设定70-80％R-Squared为最宽松热负荷预测标准，80％R-Squared以上为最严格热负荷预测标准，表示在最宽松热负荷预测标准下的预测结果精度低于最严格热负荷预测标准的预测结果精度，当然前者所需的输入变量也更少。

当进行超短期建筑模型冷热负荷预测时，能够根据预测精度要求，在保证耗电量的情况下，补充室内参数变量或气象参数变量。

S7、利用最小特征集对超短期建筑冷热负荷预测模型进行训练及性能评价，完成超短期建筑冷热负荷预测模型的训练。

本实施例按7:2:1的比例将最小特征集划分为训练集、验证集、测试集。

在模型训练过程中，整个训练集数据更新一次网络参数的过程被称为一个时期(epoch)，即一个时期是完成一次正向传播和一次反向传播的全过程。在数据量较大的情况下，通常使用较少的样本对权重进行更新，即设置较小的批处理大小(batch size)。权重更新由参数学习率来控制，一般学习率较小，本实施例设置为0.1。在模型训练过程中，训练集的预测值和实际值间的误差降低到一定程度之后就不再下降，最简单的方法是继续降低学习率，但是整体降低学习率又会延长训练所需要的时间，因此设置学习率随着训练epoch的增加而衰减。

超短期建筑冷热负荷预测模型的训练过程包括：

将训练集输入超短期建筑冷热负荷预测模型，将得到的预测值输入损失函数计算损失指标，比较预测值和训练集中实测值的差距，将损失函数计算结果输入优化器更新权重误差，重复进行迭代直到达到指定迭代步数或者损失函数值低于阈值，得到特定超参数配置下的最优参数配置；通过验证集测试不同超参数配置下的损失函数，选取损失函数最小值时对应的参数和超参数配置，得到训练好的超短期建筑冷热负荷预测模型。

本实施例采用五个指标来评估预测的性能，指标包括均方误差MSE，均方根误差RMSE，确定性系数R-Squared，均方根误差的变异系数CV-RMSE和平均绝对百分误差MAPE，分别如式(1)-(5)所示：

其中，A_t表示实际负荷值，F_t表示预测负荷值，n表示负荷样本点数量。

S8、获取实时参数变量数据，通过预处理后输入训练好的超短期建筑冷热负荷预测模型，得到建筑物的冷、热负荷结果。

在本发明的描述中，需要理解的是，术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

以上所述的实施例仅是对本发明的优选方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。

Claims

1.一种基于特征集构建的建筑冷热负荷预测方法，其特征在于，包括如下步骤：

通过特征工程对预处理后的建筑物参数数据进行处理，构造建筑物冷、热负荷特征集；其中，对于热负荷预测，特征工程方法为相关性分析，提取对建筑热负荷产生影响的参数；对于冷负荷预测，特征工程方法为维纳滤波，滤波算法对冷负荷数据进行降噪处理；

基于DNN深度学习算法构建超短期建筑冷、热负荷预测模型；

根据各参数变量对超短期建筑冷、热负荷预测模型预测精度的影响度，对参数变量进行筛选，具体方法包括：

将所有的参数变量构造为基础特征集，并依次构造仅缺少一个参数变量的特征子集，分别计算特征集为各特征子集时，超短期建筑冷、热负荷预测模型的预测精度，并与特征集为基础特征集时超短期建筑冷、热负荷预测模型预测精度进行对比，得到各参数变量对超短期建筑冷、热负荷预测模型的预测精度的影响度，根据影响度对所有参数变量进行排序，删除排序小于预设阈值的参数变量，完成参数变量的筛选；其中，超短期建筑冷、热负荷预测模型预测精度的评价指标为：拟合优度造成的R平方的降低程度；

基于筛选后的参数变量，构造超短期建筑冷、热负荷预测模型对应的最小特征集，最小特征集的构造方法包括：

对室内参数变量、气象参数变量、耗电量三类变量进行全排列，构造6类特征子集，每类特征子集分别包含1类或2类参数变量，使用包含全部三类变量的基础特征集分别与6类特征子集对超短期建筑冷、热负荷预测模型的预测精度进行比较，模型预测精度的评价指标为：拟合优度造成的R-Squared降低的程度，设定70％-80％R-Squared为最宽松热负荷预测标准，80％R-Squared以上为最严格热负荷预测标准，表示在所述最宽松热负荷预测标准下的预测结果精度低于所述最严格热负荷预测标准的预测结果精度，所述最宽松热负荷预测标准比所述最严格热负荷预测标准所需的输入变量更少，根据预测精度进行最小特征集的构建；

2.根据权利要求1所述的基于特征集构建的建筑冷热负荷预测方法，其特征在于，对超短期建筑冷、热负荷预测模型进行性能评价的指标包括：均方误差MSE、均方根误差RMSE、确定性系数R-Squared、均方根误差的变异系数CV-RMSE、平均绝对百分误差MAPE。