CN112182720B - 一种基于建筑能源管理应用场景的建筑能耗模型评价方法 - Google Patents
一种基于建筑能源管理应用场景的建筑能耗模型评价方法 Download PDFInfo
- Publication number
- CN112182720B CN112182720B CN202011091332.7A CN202011091332A CN112182720B CN 112182720 B CN112182720 B CN 112182720B CN 202011091332 A CN202011091332 A CN 202011091332A CN 112182720 B CN112182720 B CN 112182720B
- Authority
- CN
- China
- Prior art keywords
- energy consumption
- model
- building energy
- data
- building
- 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.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/219—Managing data history or versioning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/06—Power analysis or power optimisation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/80—Management or planning
- Y02P90/82—Energy audits or management systems therefor
Abstract
本申请涉及一种基于建筑能源管理应用场景的建筑能耗模型评价方法。所述方法首先建立了建筑能耗模型,结合建筑能源应用场景,建立多维综合评价模型,根据评价模型对建筑能耗模型在某建筑多年历史能耗数据中分别在不同时期的能耗预测性能进行评价,得到建筑能耗模型的综合评价结果,按照综合评价结果确定最终部署模型。本申请还提出了基于该方法所实现的建筑能耗模型评价系统,为建筑能耗管理人员选用合适的建筑能耗模型提供指导。针对特定的建筑能源应用场景,通过对设定的评价任务按照所述方法进行综合评价,选择最佳性能的建筑能耗模型进行部署,以指导绿色建筑能源管理运行策略制定与实施,达到绿色建筑能源系统运行高效节能的目的。
Description
技术领域
本申请涉及建筑能耗技术领域,尤其是涉及一种基于建筑能源管理应用场景的建筑能耗模型评价方法。
背景技术
目前建筑能耗建模及预测在绿色建筑管理,特别是建筑能源管理方面发挥着重要的作用。传统建筑能耗模型包括物理模型和统计模型,随着智能电表(用电分项计量系统)和传感器(楼宇自控系统)在建筑中的大规模应用,建筑能耗及环境数据的可获取性大大提高,数据驱动的建模方法(机器学习方法)在建筑能耗建模与预测领域的应用日益增多。因而建筑能耗模型性能评价的重要性日益凸显。
基于数据驱动的机器学习方法目前已经在建筑能耗建模中得到应用,能耗预测涉及机器学习模型在实际建筑历史能耗数据集上的训练、评价和部署。但是由于机器学习模型稳定性问题,同一模型在不同训练集上的表现可能不同,对于建筑能耗而言,由于运行规律和能耗影响因素的变化,能耗水平变化规律存在年度和季节性差异,基于单一训练集得出的模型不能满足实际应用需求。
此外,由于机器学习模型建模方法众多,建筑能源管理人员目前在实际建筑能耗分析中,对于模型的选择缺乏明确的标准和全面的评价方法。现有针对建筑能耗模型的性能评价方法,主要集中在对模型准确性方面的评价,针对过渡季建筑能耗预测中机器学习模型训练集的选取方法不恰当、对建筑能耗模型的评价基于当年预测表现,无法体现建筑能耗数据不同年份的波动对模型稳定性的影响,导致模型性能不佳、对于建筑能耗模型的应用场景、建模所依托的历史能耗特征等涉及较少,且缺乏系统工具对不同应用场景下的建模任务所形成的多个模型进行全面、分层次、多角度的性能评价。
发明内容
为了便于对不同应用场景下的建筑能耗模型进行全面、分层次、多角度的综合评价,得到稳定地建筑能耗模型,以指导建筑能源管理运行策略制定与实施,达到建筑能源系统运行高效节能的目的,本申请提供了一种基于建筑能源管理应用场景的建筑能耗模型评价方法。
第一方面,本申请提供了一种基于建筑能源管理应用场景的建筑能耗模型评价方法,采用如下的技术方案:
一种基于建筑能源管理应用场景的建筑能耗模型评价方法,包括:
S1,获取建筑历史能耗数据,所述建筑历史能耗数据包括实测历史能耗数据和实测历史气象数据;
S2,采用机器学习方法建立建筑能耗模型,在所述建筑能耗模型中进行特征变量的设定和模型算法的设定;
S3,将所述建筑能耗模型中特征变量的选取和模型算法的选择配置进行耦合,形成评价任务;
S4,根据建筑能耗模型并结合建筑能源管理应用场景,建立针对建筑能耗模型性能的多维综合评价模型;
S5,根据评价任务,采用多维综合评价模型对建筑能耗模型的预测性能进行综合评价。
通过采用上述技术方案, 所述评价方法为建筑能耗分析人员针对建模所面对的实际应用场景和数据集,选用合适的建筑能耗模型提供指导,针对某建筑的特定应用场景,通过对设定的评价任务性能按照所述建筑能耗模型评价方法进行综合评价,从中选择最佳性能的建筑能耗模型进行部署,以指导绿色建筑能源管理运行策略制定与实施,达到绿色建筑能源系统运行高效节能的目的。
进一步地,所述建筑能耗模型的建立过程包括:
S21,对实测历史能耗数据、实测历史气象数据进行数据预处理,构成数据集;所述数据预处理包括:数据异常值的剔除和将监测频率小于1小时的监测数据转化为小时颗粒度数据;
S22,将数据集分为训练集和测试集;
S23,特征变量设定:包括特征选择、特征提取和/或特征构建;
所述特征变量包括气象特征变量和时间特征变量;
所述特征选择指从气象特征变量中选择特征变量;所述特征提取指从时间特征变量中进行标签特征提取;所述特征构建指将时间特征变量t转换为sin(ωt),其中ω表示时间周期;
S24,模型算法设定:选择模型算法,所述模型算法为机器学习算法,并设定相应的超参数,生成建筑能耗模型;
S25,模型预测:采用设定的模型算法和超参数,在所述训练集上对生成的建筑能耗模型进行拟合,并用拟合好的模型在所述测试集上进行预测。
通过采用上述技术方案, 对采集的实测历史能耗数据、实测历史气象数据中明显异常的数据进行剔除,并且将监测频率小于1小时的监测数据全部转化为小时颗粒度的数据,可以提高训练数据获取的效率,提高训练数据的准确度。将预处理后的建筑历史能耗数据构成训练集和测试集,根据设定的特征变量、模型参数和超参数,生成能够对建筑能耗数据进行预测的建筑能耗模型,并采用训练集对建筑能耗模型进行训练,得到预测质量较高的建筑能耗模型。
进一步地,步骤S4所述多维综合评价模型为层次化多维综合评价模型,依次包括目标层、准则层和度量层,各层中设有逐层细化的指标;所述目标层的指标为建筑能耗模型性能的综合评价结果;所述准则层的指标为一级指标;所述度量层的度量指标为二级指标;所述目标层、准则层和度量层的指标分类存放于度量指标库中。
通过采用上述技术方案,针对现有模型评价方法评价内容单一的问题,引入了层次化的多维综合评价模型,第一层即目标层的指标就是建筑能耗模型性能的综合评价结果,然后对其进行逐层细化,分为一级指标、二级指标,通过逐层细化的评价指标来评价建筑能耗模型,能够实现对建筑能耗模型性能的全面准确评价。
进一步地,所述准则层的指标,即一级指标包括:准确性、高效性、稳定性、易用性和可解释性。
通过采用上述技术方案,将目标层的指标进行细化即为准则层,该层指定了一级指标,选定准确性、高效性、稳定性、易用性和可解释性作为准则层的评价指标。
进一步地,所述度量层的度量指标,即二级指标包括:
(1)准确性指标,包括:决定系数R2、平均绝对百分比误差MAPE、平均绝对误差MAE、均方误差MSE或平方根误差RMSE、均方对数误差MSLE;
(2)高效性指标,包括:时间性能、资源消耗;
(3)稳定性指标,包括:稳定性;
(4)易用性指标,包括:特征变量个数、模型参数个数、模型深度;
(5)可解释性指标,包括:可解释性。
通过采用上述技术方案,将准则层的指标进行细化即为度量层,该层指定了能够量化的二级指标,选定了决定系数、平均绝对百分比误差、平均绝对误差、均方误差、平方根误差、均方对数误差、时间性能、资源消耗、稳定性、特征变量个数、模型参数个数、模型深度和可解释性作为度量层的度量指标,采用上述量化的度量指标能够对建筑能耗模型进行准确的综合评价。
进一步地,步骤S5具体为:
S51,根据评价任务,从度量指标库中选取所需的度量指标;
S52,计算并设置选取的度量指标的权重;
S53,对实测得到的度量指标值进行归一化处理,并对各度量指标进行加权求和,得到所述建筑能耗模型预测性能的综合评价结果;
S54,根据综合评价结果,给出适用于建筑能源管理应用场景的建筑能耗模型的最优推荐排序。
通过采用上述技术方案,选取所需的度量指标并计算其权重,将实测得到的度量指标值进行归一化处理,将有量纲的表达式变换为无量纲的表达式,把各指标均映射到一定范围内,使各指标值都处于同一个数量级别上,便于后续对各指标加权求和,得到建筑能耗模型的综合评价结果,按照综合评分最高的原则,最终给出适用于建筑能源管理应用场景的建筑能耗模型的最优推荐,确定最终部署模型。
第二方面,本申请提供一种建筑能耗模型的评价系统,采用如下的技术方案:
一种建筑能耗模型评价系统,包括:
应用场景配置模块,用于配置建筑能源管理应用场景信息;
数据导入模块,具备导入历史能耗数据时间序列的功能,并将历史能耗数据重采样;
特征变量配置模块,用于支持用户配置所需的特征变量,对时间特征变量进行提取并添加标签,对时间特征变量进行sin(ωt)转化,其中ω表示时间周期;
模型算法配置模块,用于支持用户选择所需的模型算法,并对模型算法的超参数进行设定;
评价任务设定模块,用于支持用户根据配置的特征变量和模型算法设定相应的评价任务;
评价模型配置模块,用于支持用户根据评价任务从度量指标库中选取评价所需的度量指标;
模型性能评价模块,包括:
指标计算子模块,用于计算各度量指标的权重,然后对实测得到的各度量指标值进行归一化处理并加权求和,得到综合评价结果;
综合评价结果子模块,用于显示综合评价结果及各度量指标值。
通过采用上述技术方案,通过特征变量配置模块对特征变量进行配置,通过模型算法配置模块对模型算法及其超参数进行设定,得到建筑能耗模型;评价模型配置模块和模型性能评价模块,能够通过评价模型对建筑能耗模型预测性能在采暖季、过渡季、空调季的综合性能进行准确评价,为建筑能源管理人员最终确定和部署建筑能耗模型提供依据。
进一步地,所述系统还包括数据质量分析及可视化模块,包括:
数据质量分析子模块,用于对历史能耗数据的数据量级和数据质量进行分析;
可视化子模块,用于可视化显示历史能耗数据。
通过采用上述技术方案,所述系统对采集的历史能耗数据进行质量分析,提高了训练集和测试集中数据的准确性,采用这样的训练集对建筑能耗模型进行训练时,有效提升了建筑能耗模型的预测性能。同时能够供用户查看历史能耗数据,便于后续的建筑能耗管理。
第三方面,本申请提供一种辅助建筑能耗模型评价的设备,采用如下的技术方案:
一种计算机设备,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现:
获取建筑历史能耗数据,所述建筑历史能耗数据包括实测历史能耗数据和实测历史气象数据;
采用机器学习方法建立建筑能耗模型,在所述建筑能耗模型中进行特征变量的设定和模型算法的设定;
将所述建筑能耗模型中特征变量的选取和模型算法的选择配置进行耦合,形成评价任务;
根据建筑能耗模型并结合建筑能源管理应用场景,建立针对建筑能耗模型性能的多维综合评价模型;
根据评价任务,采用多维综合评价模型对建筑能耗模型的预测性能进行综合评价。
通过采用上述技术方案,所述计算机设备上能够实现执行本申请所提供的基于建筑能源管理应用场景的建筑能耗模型评价方法。
第四方面,一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器运行时执行:
获取建筑历史能耗数据,所述建筑历史能耗数据包括实测历史能耗数据和实测历史气象数据;
采用机器学习方法建立建筑能耗模型,在所述建筑能耗模型中进行特征变量的设定和模型算法的设定;
将所述建筑能耗模型中特征变量的选取和模型算法的选择配置进行耦合,形成评价任务;
根据建筑能耗模型并结合建筑能源管理应用场景,建立针对建筑能耗模型性能的多维综合评价模型;
根据评价任务,采用多维综合评价模型对建筑能耗模型的预测性能进行综合评价。
通过采用上述技术方案,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器运行时能够实现执行本申请所提供的基于建筑能源管理应用场景的建筑能耗模型评价方法。
综上所述,本申请包括以下有益技术效果:
本申请首先构建了基于建筑能耗模型的多维综合评价模型,将之作为基于建筑能源管理应用场景和建模全过程的模型评价准则;其次建立了不同层次指标的选取方法和权重确定方法、度量指标处理方法、综合评价结果计算方法;最后给出了基于所述评价方法所实现的建筑能耗模型评价系统。本申请实现了对建筑能源管理中建筑能耗模型的筛选寻优与配置优化,在满足应用场景需求的同时,优化了建筑能耗模型的构成,在兼顾系统可靠性的同时,降低了系统成本。
附图说明
图1是本申请其中一实施例所述评价方法的流程图。
图2是本申请其中一实施例所述建筑能耗模型的建立流程图。
图3是本申请其中一实施例所述多维综合评价模型结构示意图。
图4是本申请其中一实施例所述评价系统的结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图1-4及实施例,对本申请进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本申请,并不用于限定本申请。
本申请实施例公开一种基于建筑能源管理应用场景的建筑能耗模型评价方法,该方法基于动态定额测算的建筑用能精细化管理,其主要功能定位是:为建筑能源管理人员提供基于近期历史能耗数据动态测算的未来24小时能耗预测值,该预测值作为判断系统是否运行在合理范围内的参考标准。
如图1所示,在本实施例中,建筑能源管理人员希望通过所述评价方法在设定的多个评价任务中找出一个性能最佳的建筑能耗模型对未来24小时的能耗进行预测。
所述评价方法包括以下步骤:
S1,采集某建筑的历史能耗数据,所述历史能耗数据包括实测历史能耗数据和实测历史气象数据。
某建筑的历史能耗数据为实测过去5年的能耗数据,实测历史能耗数据来源可包括智能电表或建筑能源管理系统。实测历史气象数据为建筑能耗数据同期建筑当地气象站实测气象数据,包括但不限于干球温度、相对湿度、太阳辐射量。
S2,基于建筑历史能耗数据,采用机器学习方法建立建筑能耗模型,在所述建筑能耗模型中进行特征变量的设定和模型算法的设定。
如图2所示,建筑能耗模型的建立过程包括:
S21,对实测历史能耗数据、实测历史气象数据进行数据预处理,构成数据集;所述数据预处理包括:数据异常值的剔除和将监测频率小于1小时的监测数据(如监测频率为15min、30min的监测数据)转化为小时颗粒度数据。
根据建筑所处气候区域,将全部建筑历史能耗数据在时间上划分为采暖季、空调季、过渡季,采暖季、空调季、过渡季典型日由用户指定;北京地区采暖季起止时间为每年11月15日至次年3月15日,空调季起止时间为每年6月1日-9月15日,其余时间为过渡季。
S22,将数据集分为一个训练集和一个测试集;
选取待预测日前三个月(90日)中60日的历史能耗数据作为训练集,训练集中包括过渡季,则选取历年能耗数据中气象条件近似年度的同期能耗数据作为训练集。将其它30日的历史能耗数据作为测试集。
S23,特征变量设定:包括特征选择、特征提取和特征构建;
所述特征变量包括气象特征变量(包括干球温度、相对湿度、太阳辐射量等)和时间特征变量;
所述特征选择指从气象特征变量中选择特征变量:干球温度、相对湿度;并从时间特征变量中提取工作日/休息日特征作为标签;将时间特征变量t转换为sin(ωt),其中ω表示时间周期,ω=2π/T,T=24。
S24,模型算法设定:从历史能耗数据中选取过去5年的数据,分别基于线性回归算法、支持向量机算法SVM、人工神经网络算法ANN和随机森林算法RF搭建4个模型,并对这4个模型中的超参数进行配置,生成4个待测建筑能耗模型。
S25,模型预测:基于步骤S24中生成的4个待测建筑能耗模型,将训练集分别输入生成的4个待测建筑能耗模型中进行训练拟合。拟合结果没有达到用户预期,则调整参数继续拟合;拟合结果达到用户预期时,结束模型拟合。继而将拟合后的模型在测试集上进行性能测试。
S3,考虑到机器学习模型预测性能对历史数据集和特征变量的依赖,将所述建筑能耗模型中特征变量的选取和模型算法的选择配置进行耦合,形成评价任务A-E。
配置模型评价任务:
评价任务A为采用线性回归算法;
评价任务B为采用线性回归算法+时间特征sin/cos变换;
评价任务C为采用支持向量机算法;
评价任务D为采用支持向量机算法+时间特征sin/cos转换;
评价任务E为采用随机森林算法。
S4,为了拓宽建筑能耗模型性能定义,根据建筑能耗模型并结合基于动态定额测算的建筑用能精细化管理应用场景,从预测准确性、效率、稳定性等方面建立多维综合评价模型,确定分层次的指标体系和权重,为从整体上评价建筑能耗模型性能提供依据。
如图3所示,所述多维综合评价模型依次包括目标层、准则层和度量层,各层中设有逐层细化的指标。所述目标层、准则层和度量层的指标分类存放于度量指标库中。
所述目标层的指标即为建筑能耗模型性能的综合评价结果。
所述准则层的指标,即一级指标包括:
(1)准确性:指用户实现模型预测目标的准确性。
(2)高效性:相对于所使用的资源,机器学习模型及系统完成工作的能力。所述资源包括系统的软件和硬件配置、消耗资源(如CPU、GPU、内存、存储、能量)和花费的时间。
(3)稳定性:指模型应用于不同数据集的预测效果的差异程度,差异越小说明模型稳定性越好。
(4)易用性:模型易用性主要关注模型复杂程度、深度等自身算法结构问题。
(5)可解释性:可解释性指模型对于建筑能源管理人员易理解的程度。
所述度量层的度量指标,即二级指标包括:
(1)准确性指标,包括:
决定系数:;
平均绝对百分比误差:;
平均绝对误差:;
均方误差:,或,
平方根误差:);
均方误差对数:。
(2)高效性指标,包括:
时间性能:为从输入历史能耗数据到综合评价结果输出的时间;
资源消耗:为软、硬件资源的消耗情况。
(3)稳定性指标,包括:
稳定性:为所述建筑能耗模型在不同数据集上的度量指标的比值。
(4)易用性指标,包括:
特征变量个数,取值>=1;
模型参数个数,取值>=1;
模型深度,取值>=1。
(5)可解释性指标,包括:
可解释性,取值为“好”、“一般”、“差”。
S5,根据预先设定的评价任务A-E,对待测建筑能耗模型在2015年——2019年采暖季、过渡季、空调季典型日的预测性能进行综合评价。从度量指标库中选取所需的度量指标,得到各度量指标值Dij(表示第i个评价任务在第j个度量指标的取值),根据德尔菲法确定各度量指标的权重;对选取的度量指标进行归一化处理,将有量纲的表达式变换为无量纲的表达式,对各度量指标进行加权求和,得到综合评价结果。
选取度量指标计算得到相应的权重,并做无量纲化处理,具体为:
准确性指标,权重为1/5:
Di1决定系数R2权重1/4,;
Di2误差分位数MAPE权重1/4,;
Di3平均绝对误差MAE权重1/4,;
Di4均方误差MSE权重1/4,;
Di5均方对数误差MSLE为特殊指标,。
特殊指标:根据数据质量分析结果,对训练集中存在能耗数据数量级相差较大的场景,可采用该指标替代辅助指标中的MSE或RMSE,并采用相应的二级权重。
高效性指标,权重为1/5:
Di6时间性能权重1,。
稳定性指标,权重为1/5:
Di7稳定性能权重1;。
易用性指标,权重为1/5:
Di8特征个数权重1/3,;
Di9模型参数个数权重1/3,;
Di10模型深度权重1/3,。
可解释性指标,权重为1/5:
Di11模型可解释性权重1,该指标为定性指标取值为:“好”、“一般”、“差”,具体由领域专家打分确定。“好”取值为1,“一般”取值为2/3,“差”取值为1/3。
设定评价总分为100分,各二级指标得分计算方法为:评价总分*一级指标权重*二级指标权重*无量纲归一化后的二级指标取值,将各二级指标得分加总得到模型综合评价得分,即综合评价结果。根据综合评价结果,给出适用于建筑能源管理应用场景的建筑能耗模型的最优推荐排序,选取综合评价得分最高的建筑能耗模型作为最终部署模型。
本申请实施例还公开一种基于建筑能源管理应用场景的建筑能耗模型评价系统,可对不同建筑能耗模型在不同数据集上的性能进行综合评价。系统为建模人员提供常用机器学习模型的配置功能,可通过配置界面对模型算法、超参数等进行直观的选择或设定。在按照系统约定的模型输入规范导入建筑能耗数据后,系统根据配置好的模型,执行机器学习模型训练过程,并将各模型训练结果按照设定的综合评价指标进行评价,最终将结果输出为可视化的模型综合测评分析报告。
如图4所示,一种基于建筑能源管理应用场景的建筑能耗模型评价系统,包括:
应用场景配置模块,用于配置建筑能源管理应用场景信息;所述应用场景信息包括建筑基本信息、预测目标、对数据源质量要求、预测精度要求。
数据导入模块,具备导入历史能耗数据时间序列的功能,并可将能耗数据重采样为小时、日、周、月、年数据。支持历史能耗数据以csv、xlsx格式导入;具备从气象数据网站通过API接口采集历史气象数据和天气预报数据的功能。所述历史能耗数据包括建模所采用的实测建筑能耗数据和实测历史气象数据。
数据质量分析及可视化模块,用于对历史能耗数据的量级和质量进行分析,并可视化显示历史能耗数据。
特征变量配置模块,用于支持用户选择所需的特征变量,对时间特征变量进行提取并添加标签(工作日/休息日),对时间特征变量进行sin(ωt)转化,其中ω表示时间周期,ω=2π/T,T=24。
模型算法配置模块,用于支持用户选择所需的模型算法,并对模型算法所需的超参数加以设定;所述模型算法为机器学习算法,包括但不限于线性回归算法、支持向量机算法(SVM)、人工神经网络算法(ANN)、随机森林算法(RF)等。
评价任务设定模块,用于支持用户根据配置的特征变量和模型算法,设定相应的评价任务。
评价模型配置模块,用于支持用户根据评价任务从度量指标库中选取所需的度量指标。
模型性能评价模块,包括:
指标计算子模块,用于计算各度量指标的权重,然后对实测得到的各度量指标值进行归一化处理并加权求和,得到综合评价结果。
综合评价结果子模块,用于显示综合评价结果及各度量指标值。
模型性能评价模块主要通过依据用户输入的各质量属性重要性信息,在输入测试集上运行待测建筑能耗模型,计算各度量指标的权重,然后对各度量指标数据进行归一化处理,加权求和得到模型综合评价得分,并以雷达图的形式可视化模型各度量指标的测评得分。
基于建筑能源管理应用场景,通过建立建筑能耗模型和多维综合评价模型,根据评价任务和各质量属性重要性信息,各质量属性重要性信息包括:一级指标和二级指标及其权重、评价总分,对待测建筑能耗模型在2015年——2019年采暖季、过渡季、空调季典型日的预测性能进行综合评价,选用综合评价得分最高的模型作为最终部署模型。
本申请实施例还公开一种计算机设备,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现:
获取建筑历史能耗数据,所述建筑历史能耗数据包括实测历史能耗数据和实测历史气象数据;
采用机器学习方法建立建筑能耗模型,在所述建筑能耗模型中进行特征变量的设定和模型算法的设定;
将所述建筑能耗模型中特征变量的选取和模型算法的选择配置进行耦合,形成评价任务;
根据建筑能耗模型并结合建筑能源管理应用场景,建立针对建筑能耗模型性能的多维综合评价模型;
根据评价任务,采用多维综合评价模型对建筑能耗模型的预测性能进行综合评价。
本申请实施例还公开一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器运行时执行:
获取建筑历史能耗数据,所述建筑历史能耗数据包括实测历史能耗数据和实测历史气象数据;
采用机器学习方法建立建筑能耗模型,在所述建筑能耗模型中进行特征变量的设定和模型算法的设定;
将所述建筑能耗模型中特征变量的选取和模型算法的选择配置进行耦合,形成评价任务;
根据建筑能耗模型并结合建筑能源管理应用场景,建立针对建筑能耗模型性能的多维综合评价模型;
根据评价任务,采用多维综合评价模型对建筑能耗模型的预测性能进行综合评价。
以上均为本申请的较佳实施例,并非依此限制本申请的保护范围,本说明书(包括摘要和附图)中公开的任一特征,除非特别叙述,均可被其他等效或者具有类似目的的替代特征加以替换。即,除非特别叙述,每个特征只是一系列等效或类似特征中的一个例子而已。
Claims (7)
1.一种基于建筑能源管理应用场景的建筑能耗模型评价方法,其特征在于,包括:
S1,获取建筑历史能耗数据,所述建筑历史能耗数据包括实测历史能耗数据和实测历史气象数据;
S2,采用机器学习方法建立建筑能耗模型,在所述建筑能耗模型中进行特征变量的设定和模型算法的设定;
S3,将所述建筑能耗模型中特征变量的选取和模型算法的选择配置进行耦合,形成评价任务;
S4,根据建筑能耗模型并结合建筑能源管理应用场景,建立针对建筑能耗模型性能的多维综合评价模型;
S5,根据评价任务,采用多维综合评价模型对建筑能耗模型的预测性能进行综合评价;
所述建筑能耗模型的建立包括:
S21,对实测历史能耗数据、实测历史气象数据进行数据预处理,构成数据集;所述数据预处理包括:数据异常值的剔除和将监测频率小于1小时的监测数据转化为小时颗粒度数据;
S22,将数据集分为训练集和测试集;
S23,特征变量设定:包括特征选择、特征提取和/或特征构建;
所述特征变量包括气象特征变量和时间特征变量;
所述特征选择指从气象特征变量中选择特征变量;所述特征提取指从时间特征变量中进行标签特征提取;所述特征构建指将时间特征变量t转换为sin(ωt),其中ω表示时间周期;
S24,模型算法设定:选择模型算法,所述模型算法为机器学习方法,并设定相应的超参数,生成建筑能耗模型,从历史能耗数据中选取过去5年的数据,分别基于线性回归算法、支持向量机算法SVM、人工神经网络算法ANN和随机森林算法RF搭建4个模型,并对这4个模型中的超参数进行配置,生成4个待测建筑能耗模型;
S25,模型预测:采用设定的模型算法和超参数,在所述训练集上对生成的建筑能耗模型进行拟合,并用拟合好的建筑能耗模型在所述测试集上进行预测;
步骤S4所述多维综合评价模型为层次化多维综合评价模型,依次包括目标层、准则层和度量层,各层中设有逐层细化的指标;所述目标层的指标为建筑能耗模型性能的综合评价结果;所述准则层的指标为一级指标;所述度量层的度量指标为二级指标;所述目标层、准则层和度量层的指标分类存放于度量指标库中;
步骤S5具体为:
S51,根据评价任务,从度量指标库中选取所需的度量指标;
S52,计算并设置选取的度量指标的权重;
S53,对实测得到的度量指标值进行归一化处理,并对各度量指标值进行加权求和,得到所述建筑能耗模型预测性能的综合评价结果;
S54,根据综合评价结果,给出适用于建筑能源管理应用场景的建筑能耗模型的最优推荐排序。
2.根据权利要求1所述的基于建筑能源管理应用场景的建筑能耗模型评价方法,其特征在于,所述准则层的指标包括:准确性、高效性、稳定性、易用性和可解释性。
3.根据权利要求2所述的基于建筑能源管理应用场景的建筑能耗模型评价方法,其特征在于,所述度量层的度量指标包括:
准确性指标,包括:决定系数R2、平均绝对百分比误差MAPE、平均绝对误差MAE、均方误差MSE或平方根误差RMSE、均方对数误差MSLE;
高效性指标,包括:时间性能、资源消耗;
稳定性指标,包括:稳定性;
易用性指标,包括:特征变量个数、建筑能耗模型参数个数、建筑能耗模型深度;
可解释性指标,包括:可解释性。
4.一种基于建筑能源管理应用场景的建筑能耗模型评价系统,其特征在于,包括:
应用场景配置模块,用于配置建筑能源管理应用场景信息;
数据导入模块,用于导入历史能耗数据时间序列,并将历史能耗数据重采样;
特征变量配置模块,用于支持用户配置所需的特征变量,对时间特征变量进行提取并添加标签,对时间特征变量进行sin(ωt)转化,其中ω表示时间周期;
模型算法配置模块,用于支持用户选择模型算法,并对模型算法的超参数进行设定,模型算法设定:从历史能耗数据中选取过去5年的数据,分别基于线性回归算法、支持向量机算法SVM、人工神经网络算法ANN和随机森林算法RF搭建4个模型,并对这4个模型中的超参数进行配置,生成4个待测建筑能耗模型;
评价任务设定模块,用于支持用户根据配置的特征变量和模型算法设定相应的评价任务;
特征变量设定:包括特征选择、特征提取和/或特征构建;
所述特征变量包括气象特征变量和时间特征变量;
所述特征选择指从气象特征变量中选择特征变量;所述特征提取指从时间特征变量中进行标签特征提取;所述特征构建指将时间特征变量t转换为sin(ωt),其中ω表示时间周期;
模型算法设定:选择模型算法,所述模型算法为机器学习算法,并设定相应的超参数,生成建筑能耗模型;
评价模型配置模块,用于支持用户根据评价任务从度量指标库中选取评价所需的度量指标;
模型性能评价模块,包括:
指标计算子模块,用于计算各度量指标的权重,然后对实测得到的各度量指标值进行归一化处理并加权求和,得到综合评价结果;
综合评价结果子模块,用于显示综合评价结果及各度量指标值。
5.根据权利要求4所述的基于建筑能源管理应用场景的建筑能耗模型评价系统,其特征在于,所述系统还包括数据质量分析及可视化模块,包括:
数据质量分析子模块,用于对历史能耗数据的数据量级和数据质量进行分析;
可视化子模块,用于可视化显示历史能耗数据。
6.一种计算机设备,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,其特征在于:所述处理器执行所述计算机程序时实现上述权利要求1-3中任一项所述的方法的步骤。
7.一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,其特征在于,所述计算机程序被处理器运行时执行上述权利要求1-3任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011091332.7A CN112182720B (zh) | 2020-10-13 | 2020-10-13 | 一种基于建筑能源管理应用场景的建筑能耗模型评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011091332.7A CN112182720B (zh) | 2020-10-13 | 2020-10-13 | 一种基于建筑能源管理应用场景的建筑能耗模型评价方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112182720A CN112182720A (zh) | 2021-01-05 |
CN112182720B true CN112182720B (zh) | 2023-07-28 |
Family
ID=73949544
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011091332.7A Active CN112182720B (zh) | 2020-10-13 | 2020-10-13 | 一种基于建筑能源管理应用场景的建筑能耗模型评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112182720B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113032864A (zh) * | 2021-02-24 | 2021-06-25 | 蔡闻宇 | 基于云计算和大数据的建筑物能耗预测分析系统及方法 |
CN113188243B (zh) * | 2021-04-08 | 2022-09-30 | 山东师范大学 | 一种空调能耗的综合预测方法及系统 |
CN117121025A (zh) * | 2021-06-18 | 2023-11-24 | 西门子股份公司 | 暖通空调系统的管理方法、系统及存储介质 |
CN113887986A (zh) * | 2021-10-14 | 2022-01-04 | 广东电网有限责任公司 | 一种基于模型的能效诊断方法、系统、设备和介质 |
CN117290787B (zh) * | 2023-11-24 | 2024-03-08 | 珠海格力电器股份有限公司 | 信息生成方法、装置、电子设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CL2013003810A1 (es) * | 2013-12-31 | 2015-01-09 | Univ Talca | Sistema y método de monitoreo y gestion para la eficiencia energetica en edificaciones donde el sistema comprende medios de medicion y adquisicion de datos en linea desde sensores, medios de emision, recepcion y tranferencia de datos, medios de procesamiento, almacenaje e interfaz con el usuario, donde esta comprende un modulo de alarmas, un modulo de monitoreo y un modulo de opciones de inversion. |
CN105700492A (zh) * | 2015-12-03 | 2016-06-22 | 国家电网公司 | 建筑能源管理系统 |
CN107730006A (zh) * | 2017-09-13 | 2018-02-23 | 重庆电子工程职业学院 | 一种基于可再生能源大数据深度学习的建筑近零能耗控制器 |
CN110046743A (zh) * | 2019-03-06 | 2019-07-23 | 上海交通大学 | 基于ga-ann的公共建筑能耗预测方法和系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20140048515A (ko) * | 2012-10-16 | 2014-04-24 | 한국전자통신연구원 | 건물에너지 소비성능 평가장치 및 평가방법 |
-
2020
- 2020-10-13 CN CN202011091332.7A patent/CN112182720B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CL2013003810A1 (es) * | 2013-12-31 | 2015-01-09 | Univ Talca | Sistema y método de monitoreo y gestion para la eficiencia energetica en edificaciones donde el sistema comprende medios de medicion y adquisicion de datos en linea desde sensores, medios de emision, recepcion y tranferencia de datos, medios de procesamiento, almacenaje e interfaz con el usuario, donde esta comprende un modulo de alarmas, un modulo de monitoreo y un modulo de opciones de inversion. |
CN105700492A (zh) * | 2015-12-03 | 2016-06-22 | 国家电网公司 | 建筑能源管理系统 |
CN107730006A (zh) * | 2017-09-13 | 2018-02-23 | 重庆电子工程职业学院 | 一种基于可再生能源大数据深度学习的建筑近零能耗控制器 |
CN110046743A (zh) * | 2019-03-06 | 2019-07-23 | 上海交通大学 | 基于ga-ann的公共建筑能耗预测方法和系统 |
Non-Patent Citations (4)
Title |
---|
Investigation on the quality assurance procedure and evaluation methodology of machine learning building energy model systems;Zhongxuan Gu等;《2020 International Conference on Urban Engineering and Management Science》;全文 * |
区域建筑能耗预测模型和方法研究;顾中煊;杨石;罗淑湘;刘丽莉;武艳丽;;《建筑技术》(第12期);全文 * |
建筑能耗数据管理系统研究;王博铭等;《建筑技术》;全文 * |
能耗预测导向的建筑能耗异常数据识别与修复;高英博;顾中煊;罗淑湘;李德英;;《科学技术与工程》(第35期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112182720A (zh) | 2021-01-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112182720B (zh) | 一种基于建筑能源管理应用场景的建筑能耗模型评价方法 | |
CN110070282B (zh) | 一种基于综合关联度的低压台区线损影响因素分析方法 | |
CN109659933A (zh) | 一种基于深度学习模型的含分布式电源配电网电能质量预测方法 | |
CN107437135B (zh) | 一种新型储能选型方法 | |
CN112186761B (zh) | 一种基于概率分布的风电功率场景生成方法及系统 | |
CN113468790B (zh) | 一种基于改进粒子群算法的风速特征模拟方法及系统 | |
CN110766320A (zh) | 一种机场智能电网运行安全评价方法及装置 | |
CN116579590A (zh) | 一种虚拟电厂中的需求响应评估方法和系统 | |
CN115099511A (zh) | 基于优化copula的光伏功率概率估计方法及系统 | |
CN111507565A (zh) | 一种储能电站在调频应用场景下的性能评价方法及系统 | |
Dong et al. | Trading performance evaluation for traditional power generation group based on an integrated matter-element extension cloud model | |
CN114139940A (zh) | 一种基于组合赋权-云模型的广义需求侧资源网荷互动水平评估方法 | |
CN114240003A (zh) | 一种新能源出力预测方法、系统、存储介质及设备 | |
Chen et al. | Toward future information market: An information valuation paradigm | |
CN116596408B (zh) | 一种储能集装箱温控能力评价方法及系统 | |
CN112950067A (zh) | 基于模糊综合评价的电力用户用电能效评估方法 | |
CN110142803B (zh) | 一种移动焊接机器人系统工作状态检测方法及装置 | |
CN116544934A (zh) | 根据电力负荷预测的电力调度方法及系统 | |
CN116823008A (zh) | 一种园区能源利用效率评估方法、系统、设备和存储介质 | |
CN115829418A (zh) | 适用于负荷管理的电力用户负荷特性画像构建方法和系统 | |
CN116070769A (zh) | 一种超短期风电场功率多步区间预测模块化方法及其设备 | |
CN115907228A (zh) | 一种基于pso-lssvm的短期电力负荷预测分析方法 | |
Tena-García et al. | Implementing data reduction strategies for the optimal design of renewable energy systems | |
CN114240069A (zh) | 一种基于回归学习与特征挖掘的电网在线风险计算方法 | |
Ruciński | Neural modelling of electricity prices quoted on the Day-Ahead Market of TGE SA shaped by environmental and economic factors |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |