CN114925929A - 一种基于度日数的建筑负荷预测方法及装置 - Google Patents
一种基于度日数的建筑负荷预测方法及装置 Download PDFInfo
- Publication number
- CN114925929A CN114925929A CN202210635485.6A CN202210635485A CN114925929A CN 114925929 A CN114925929 A CN 114925929A CN 202210635485 A CN202210635485 A CN 202210635485A CN 114925929 A CN114925929 A CN 114925929A
- Authority
- CN
- China
- Prior art keywords
- building
- day
- sample
- temperature
- information
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000012549 training Methods 0.000 claims description 54
- 238000010438 heat treatment Methods 0.000 claims description 48
- 230000005611 electricity Effects 0.000 claims description 13
- 238000004378 air conditioning Methods 0.000 claims description 10
- 238000010586 diagram Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000001816 cooling Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 5
- 238000009423 ventilation Methods 0.000 claims 1
- 238000013499 data model Methods 0.000 abstract description 8
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000004134 energy conservation Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000005293 physical law Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Images
Classifications
-
- 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
- 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
-
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Operations Research (AREA)
- Primary Health Care (AREA)
- Algebra (AREA)
- Computational Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Quality & Reliability (AREA)
- Pure & Applied Mathematics (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于度日数的建筑负荷预测方法及装置，方法包括：从所获取的待处理变量观测信息中识别内扰变量信息及外扰变量信息；剔除所述外扰变量信息中，除干球温度外的其余外扰变量信息；将所述干球温度转换为度日数；按照所述建筑使用习惯信息对应的时间信息，将所述建筑使用习惯信息分别划分为待处理日类型信息及待处理月类型信息；将所述度日数、所述待处理日类型及待处理月类型输入预先构建的目标负荷预测模型，得到建筑负荷预测结果。仅仅将干球温度转换为度日数，结合建筑使用习惯信息所划分的日类型及月类型，作为负荷预测模型的输入特征，在简化预测模型输入变量的同时，确保数据模型预测精度。
Description
技术领域
本发明涉及建筑节能技术技域，尤其涉及一种基于度日数的建筑负荷预测方法及装置。
背景技术
建筑负荷的预测是现在建筑能耗工作中十分重要的一项，是建立节能减排的重要支撑条件。
目前主要有两种负荷预测方式，一种是通过物理模型预测，即通过物理模型，依靠各种已知的物理学定律来计算以完成预测，典型的物理学建模软件有EnergyPlus与eQuest；另一种是通过数据模型预测，即从数据中自行归纳规律，并利用此规律来完成预测。
虽然相比于通过物理模型预测的方式，通过数据模型预测不需要十分琐碎的输入变量，也不需要考虑内部复杂的物理过程，但这一方式难以确定输入变量的取值，并且难以在预算成本和提升预测效果之间取得平衡。因此，提出一种基于更为客观的输入变量而得到的数据模型，以实现对建筑负荷的预测方法，具有重要意义。
发明内容
本发明提供了一种基于度日数的建筑负荷预测方法及装置，通过引入度日数作为数据模型的输入变量之一，在确保数据模型预测精度的同时，极大程度地简化了输入变量。
第一方面，本发明提供的一种基于度日数的建筑负荷预测方法，包括：
从所获取的待处理变量观测信息中识别内扰变量信息及外扰变量信息；所述内扰变量信息包括：建筑使用习惯信息；
剔除所述外扰变量信息中，除干球温度外的其余外扰变量信息；
将所述干球温度转换为度日数；
按照所述建筑使用习惯信息对应的时间信息，将所述建筑使用习惯信息分别划分为待处理日类型信息及待处理月类型信息；
将所述度日数、所述待处理日类型及待处理月类型输入预先构建的目标负荷预测模型，得到建筑负荷预测结果。
可选地，所述度日数包括：制冷度日数和采暖度日数；将所述干球温度转换为度日数，包括：
获取制冷季平衡温度和采暖季平衡温度；
确定所述干球温度中的当日室外最高干球温度和当日室外最低干球温度；
将所述当日室外最高干球温度、所述当日室外最低干球温度、所述制冷季平衡温度和所述采暖季平衡温度输入预先设定的度日数计算模型，得到对应的制冷度日数和采暖度日数。
可选地，获取制冷季平衡温度和采暖季平衡温度，包括：
从预先绘制的暖通空调系统的日用电量数据与日平均温度散点图中，确定日用电量随日平均温度呈线性变化的温度上限值及温度下限值；
分别定义所述温度上限值为所述制冷季平衡温度，所述温度下限值为采暖季平衡温度。
可选地，所述目标负荷预测模型的构建方法包括：
从预先设定的负荷数据库中获取建筑负荷训练样本，所述建筑负荷训练样本包括：建筑样本负荷标签、建筑样本日类型信息、建筑样本月类型信息及建筑样本度日数；
基于所述建筑样本日类型信息、所述建筑样本月类型信息及所述建筑样本度日数及所述建筑负荷训练样本对应的建筑样本负荷标签，构建所述目标负荷预测模型。
可选地，基于所述建筑样本日类型信息、建筑样本月类型信息及建筑样本度日数及所述建筑负荷训练样本对应的建筑样本负荷标签，构建所述目标负荷预测模型，包括：
将所述基于所述建筑样本日类型信息、所述建筑样本月类型信息及所述建筑样本度日数输入初始负荷预测模型，生成对应的建筑样本负荷预测值；
根据所述负荷训练样本对应的建筑样本负荷标签和建筑所述建筑样本负荷预测值，确定训练误差；
基于所述训练误差，通过反向传播算法，对所述初始负荷预测模型进行调整，以得到最优网络参数，并采用所述最优网络参数生成所述目标负荷预测模型。
第二方面，本发明还提供了一种基于度日数的建筑负荷预测装置，包括：
识别模块，用于从所获取的待处理变量观测信息中识别内扰变量信息及外扰变量信息；所述内扰变量信息包括：建筑使用习惯信息；
剔除模块，用于剔除所述外扰变量信息中，除干球温度外的其余外扰变量信息；
转换模块，用于将所述干球温度转换为度日数；
类型划分模块，用于按照所述建筑使用习惯信息对应的时间信息，将所述建筑使用习惯信息分别划分为待处理日类型信息及待处理月类型信息；
输入模块，用于将所述度日数、所述待处理日类型及待处理月类型输入预先构建的目标负荷预测模型，得到建筑负荷预测结果。
可选地，所述度日数包括：制冷度日数和采暖度日数；所述转换模块包括：
温度获取子模块，用于获取制冷季平衡温度和采暖季平衡温度；
干球温度确定子模块，用于确定所述干球温度中的当日室外最高干球温度和当日室外最低干球温度；
度日数确定子模块，用于将所述当日室外最高干球温度、所述当日室外最低干球温度、所述制冷季平衡温度和所述采暖季平衡温度输入预先设定的度日数计算模型，得到对应的制冷度日数和采暖度日数。
可选地，所述温度获取子模块包括：
预置确定单元，用于从预先绘制的暖通空调系统的日用电量数据与日平均温度散点图中，确定日用电量随日平均温度呈线性变化的温度上限值及温度下限值；
定义单元，用于分别定义所述温度上限值为所述制冷季平衡温度，所述温度下限值为采暖季平衡温度。
可选地，所述目标负荷预测模型的构建模块包括：
样本获取子模块，用于从预先设定的负荷数据库中获取建筑负荷训练样本，所述建筑负荷训练样本包括：建筑样本负荷标签、建筑样本日类型信息、建筑样本月类型信息及建筑样本度日数；
构建子模块，用于基于所述建筑样本日类型信息、所述建筑样本月类型信息及所述建筑样本度日数及所述建筑负荷训练样本对应的建筑样本负荷标签，构建所述目标负荷预测模型。
可选地，所述构建子模块包括：
预测值生成单元，用于将所述基于所述建筑样本日类型信息、所述建筑样本月类型信息及所述建筑样本度日数输入初始负荷预测模型，生成对应的建筑样本负荷预测值；
训练误差确定单元，用于根据所述负荷训练样本对应的建筑样本负荷标签和建筑所述建筑样本负荷预测值，确定训练误差；
目标负荷预测模块生成单元，用于基于所述训练误差，通过反向传播算法，对所述初始负荷预测模型进行调整，以得到最优网络参数，并采用所述最优网络参数生成所述目标负荷预测模型。
从以上技术方案可以看出，本发明具有以下优点：
本发明通过从所获取的待处理变量观测信息中识别内扰变量信息及外扰变量信息；剔除所述外扰变量信息中，除干球温度外的其余外扰变量信息；将所述干球温度转换为度日数；按照所述建筑使用习惯信息对应的时间信息，将所述建筑使用习惯信息分别划分为待处理日类型信息及待处理月类型信息；将所述度日数、所述待处理日类型及待处理月类型输入预先构建的目标负荷预测模型，得到建筑负荷预测结果。仅仅将干球温度转换为度日数，结合建筑使用习惯信息所划分的日类型及月类型，作为负荷预测模型的输入特征，在简化预测模型输入变量的同时，确保数据模型预测精度。
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，下面将对实施例或现有技术描述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它的附图；
图1为本发明的一种基于度日数的建筑负荷预测方法实施例一的步骤流程图；
图2为本发明的一种基于度日数的建筑负荷预测方法实施例二的步骤流程图；
图3为本发明的一种基于度日数的建筑负荷预测方法实施例二的暖通空调系统的日用电量数据与日平均温度散点图；
图4为本发明的一种基于度日数的建筑负荷预测装置实施例的结构框图。
具体实施方式
本发明实施例提供了一种基于度日数的建筑负荷预测方法及装置，通过引入度日数作为数据模型的输入变量之一，在确保数据模型预测精度的同时，极大程度地简化了输入变量。
为使得本发明的发明目的、特征、优点能够更加的明显和易懂，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，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。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它实施例，都属于本发明保护的范围。
请参阅图1，图1为本发明的一种基于度日数的建筑负荷预测方法实施例一的步骤流程图，具体可以包括如下步骤：
步骤S101，从所获取的待处理变量观测信息中识别内扰变量信息及外扰变量信息；所述内扰变量信息包括：建筑使用习惯信息；
需要说明的是，内绕变量信息一般指建筑使用习惯信息，如建筑内的人员在室率及设备使用信息等；外扰变量信息包括：建筑固有参数和室外气象条件等，其中室外气象条件包括干球温度、相对湿度、风速与辐射率等。
步骤S102，剔除所述外扰变量信息中，除干球温度外的其余外扰变量信息；
需要说明的是，干球温度是从暴露于空气中而又不受太阳直接照射的干球温度表上所读取的数值。它是温度计在普通空气中所测出的温度，即我们一般天气预报里常说的气温。
步骤S103，将所述干球温度转换为度日数；
需要说明的是，度日数包括：制冷度日数和采暖度日数，制冷度日数指在空调期中，室外逐日平均温度高于室内温度基数的度数之和；采暖期度日数，指室内基准温度18℃与采暖期室外平均温度之间的温差，乘以采暖期天数。
步骤S104，按照所述建筑使用习惯信息对应的时间信息，将所述建筑使用习惯信息分别划分为待处理日类型信息及待处理月类型信息；
需要说明的是，将建筑使用习惯信息分别划分为待处理日类型信息和待处理月类型信息，主要是考虑到人行为具有周期规律性，比如，工作日时，建筑内的人员在室率会比节假日时的建筑内的人员在室率更加大，以及位于春节前后的1月份及2月份的建筑内的人员在室率会比其他月份的建筑内的人员在室率小。而建筑内的人员在室率，则会直接影响到设备使用信息。
步骤S105，将所述度日数、所述待处理日类型及待处理月类型输入预先构建的目标负荷预测模型，得到建筑负荷预测结果。
需要说明的是，目标负荷预测模型可以是任意类型的数据模型(如支持向量机、人工神经网络、多元线性回归等)，本发明在此不作限制。
在本发明实施例中，通过从所获取的待处理变量观测信息中识别内扰变量信息及外扰变量信息；剔除所述外扰变量信息中，除干球温度外的其余外扰变量信息；将所述干球温度转换为度日数；按照所述建筑使用习惯信息对应的时间信息，将所述建筑使用习惯信息分别划分为待处理日类型信息及待处理月类型信息；将所述度日数、所述待处理日类型及待处理月类型输入预先构建的目标负荷预测模型，得到建筑负荷预测结果。仅仅将干球温度转换为度日数，结合建筑使用习惯信息所划分的日类型及月类型，作为负荷预测模型的输入特征，在简化预测模型输入变量的同时，确保数据模型预测精度。
请参阅图2，为本发明的一种基于度日数的建筑负荷预测方法实施例二的步骤流程图，具体包括：
步骤S201，从所获取的待处理变量观测信息中识别内扰变量信息及外扰变量信息；所述内扰变量信息包括：建筑使用习惯信息；
步骤S202，剔除所述外扰变量信息中，除干球温度外的其余外扰变量信息；
在本发明实施例中，对所有所述外扰变量信息进行皮尔斯相关性分析，得到每一所述外扰变量信息对应的皮尔斯相关系数；当确定所述干球温度对应的皮尔斯相关系数为最大系数时，剔除所述干球温度外的其余外扰变量信息。
在具体实现中，从历史负荷数据库中，获取外扰变量信息中所有量化后的随机变量与负荷值，并按照下式计算外扰变量信息中的变量与的皮尔斯相关系数：
其中，其中xi为第i个外扰随机变量，
为xi的样本平均值，σx为xi的样本标准差，n为样本总数，
为yi的样本平均值，σy为yi的样本标准差，R为皮尔斯相关系数，R越大代表变量x与y的相关性越强，其中，R为正数则代表x与y之间正相关，R为负数则代表x与y之间负相关，R为0则代表x与y之间毫无关系。
步骤S203，获取制冷季平衡温度和采暖季平衡温度；
在一个可选实施例中，获取制冷季平衡温度和采暖季平衡温度，包括：
从预先绘制的暖通空调系统的日用电量数据与日平均温度散点图中，确定日用电量随日平均温度呈线性变化的温度上限值及温度下限值；
分别定义所述温度上限值为所述制冷季平衡温度，所述温度下限值为采暖季平衡温度。
请参阅图3，图3为本发明的一种基于度日数的建筑负荷预测方法实施例二的暖通空调系统的日用电量数据与日平均温度散点图，可以看到，当当平均温度高于15℃或低于10℃时，暖通空调系统的用电量几乎随温度变化呈线性变化，因此，分别选择15℃和10℃作为制冷季和采暖季平衡温度。
步骤S204，确定所述干球温度中的当日室外最高干球温度和当日室外最低干球温度；
步骤S205，将所述当日室外最高干球温度、所述当日室外最低干球温度、所述制冷季平衡温度和所述采暖季平衡温度输入预先设定的度日数计算模型，得到对应的制冷度日数和采暖度日数；
在本发明实施例中，预先设定的度日数计算模型具体为：
CDD＝max(((Tmax+Tmin)/2-Tc),0)，
HDD＝max((Th-(Tmax+Tmin)/2),0)Tc，
其中，CDD为制冷度日数(cooling degree days，CDD)，HDD为采暖度日数(heatingdegree days，HDD)，Th为采暖季平衡温度，Tc为制冷季平衡温度，Tmax为当日室外最高干球温度，Tmin为日室外最低干球温度。
步骤S206，按照所述建筑使用习惯信息对应的时间信息，将所述建筑使用习惯信息分别划分为待处理日类型信息及待处理月类型信息；
在本发明实施例中，日类型包括日类型1～8，其中日类型1～7分别表示星期一至星期天，日类型8则是指节假日，而月类型包括月类型1～12，分别表示1月～12月。
步骤S207，将所述度日数、所述待处理日类型及待处理月类型输入预先构建的目标负荷预测模型，得到建筑负荷预测结果。
在本发明实施例中，所述目标负荷预测模型的构建方法包括：
从预先设定的负荷数据库中获取建筑负荷训练样本，所述建筑负荷训练样本包括：建筑样本负荷标签、建筑样本日类型信息、建筑样本月类型信息及建筑样本度日数；
基于所述建筑样本日类型信息、所述建筑样本月类型信息及所述建筑样本度日数及所述建筑负荷训练样本对应的建筑样本负荷标签，构建所述目标负荷预测模型。
在一个可选实施例中，基于所述建筑样本日类型信息、建筑样本月类型信息及建筑样本度日数及所述建筑负荷训练样本对应的建筑样本负荷标签，构建所述目标负荷预测模型，包括：
将所述基于所述建筑样本日类型信息、所述建筑样本月类型信息及所述建筑样本度日数输入初始负荷预测模型，生成对应的建筑样本负荷预测值；
根据所述负荷训练样本对应的建筑样本负荷标签和建筑所述建筑样本负荷预测值，确定训练误差；
基于所述训练误差，通过反向传播算法，对所述初始负荷预测模型进行调整，以得到最优网络参数，并采用所述最优网络参数生成所述目标负荷预测模型。
在本发明实施例中，首先搭建初始负荷预测模型，再从预先设定的负荷数据库当中获取建筑负荷训练样本，采用建筑负荷训练样本中的建筑样本日类型信息、建筑样本月类型信息及建筑样本度日数及建筑负荷训练样本对应的建筑样本负荷标签完成负荷预测模型的训练。
在具体实现中，预先设定的负荷数据库当中存在有可用于为初始负荷预测模型训练的建筑负荷训练样本，其中建筑负荷训练样本包括建筑样本日类型信息、建筑样本月类型信息及建筑样本度日数及建筑负荷训练样本对应的建筑样本负荷值，即建筑样本负荷标签。
在本发明实施例中，首先通过训练材料不断对初始负荷预测模型进行调整：建筑所述建筑样本负荷预测值和负荷训练样本对应的建筑样本负荷标签，即和样本类别比较，从而确定训练误差，然后基于训练误差，通过反向传播算法对负荷预测模型进行调整，得到最优网络参数，进而得到目标负荷预测模型。
在本发明实施例所提供的一种基于度日数的建筑负荷预测方法，通过从所获取的待处理变量观测信息中识别内扰变量信息及外扰变量信息；剔除所述外扰变量信息中，除干球温度外的其余外扰变量信息；将所述干球温度转换为度日数；按照所述建筑使用习惯信息对应的时间信息，将所述建筑使用习惯信息分别划分为待处理日类型信息及待处理月类型信息；将所述度日数、所述待处理日类型及待处理月类型输入预先构建的目标负荷预测模型，得到建筑负荷预测结果。本发明实施例没有直接使用干球温度作为模型输入特征，而是将干球温度转换为度日数，并且根据建筑实际用能情况确定平衡点温度以计算度日数仅仅将干球温度转换为度日数，结合建筑使用习惯信息所划分的日类型及月类型，作为负荷预测模型的输入特征，在简化预测模型输入变量的同时，确保数据模型预测精度。
请参阅图3示出了一种基于度日数的建筑负荷预测装置实施例的结构框图，包括如下模块：
识别模块301，用于从所获取的待处理变量观测信息中识别内扰变量信息及外扰变量信息；所述内扰变量信息包括：建筑使用习惯信息；
剔除模块302，用于剔除所述外扰变量信息中，除干球温度外的其余外扰变量信息；
转换模块303，用于将所述干球温度转换为度日数；
类型划分模块304，用于按照所述建筑使用习惯信息对应的时间信息，将所述建筑使用习惯信息分别划分为待处理日类型信息及待处理月类型信息；
输入模块305，用于将所述度日数、所述待处理日类型及待处理月类型输入预先构建的目标负荷预测模型，得到建筑负荷预测结果。
在一个可选实施例中，所述度日数包括：制冷度日数和采暖度日数；所述转换模块303包括：
温度获取子模块，用于获取制冷季平衡温度和采暖季平衡温度；
干球温度确定子模块，用于确定所述干球温度中的当日室外最高干球温度和当日室外最低干球温度；
度日数确定子模块，用于将所述当日室外最高干球温度、所述当日室外最低干球温度、所述制冷季平衡温度和所述采暖季平衡温度输入预先设定的度日数计算模型，得到对应的制冷度日数和采暖度日数。
在一个可选实施例中，所述温度获取子模块包括：
预置确定单元，用于从预先绘制的暖通空调系统的日用电量数据与日平均温度散点图中，确定日用电量随日平均温度呈线性变化的温度上限值及温度下限值；
定义单元，用于分别定义所述温度上限值为所述制冷季平衡温度，所述温度下限值为采暖季平衡温度。
在一个可选实施例中，所述目标负荷预测模型的构建模块包括：
样本获取子模块，用于从预先设定的负荷数据库中获取建筑负荷训练样本，所述建筑负荷训练样本包括：建筑样本负荷标签、建筑样本日类型信息、建筑样本月类型信息及建筑样本度日数；
构建子模块，用于基于所述建筑样本日类型信息、所述建筑样本月类型信息及所述建筑样本度日数及所述建筑负荷训练样本对应的建筑样本负荷标签，构建所述目标负荷预测模型。
在一个可选实施例中，所述构建子模块包括：
预测值生成单元，用于将所述基于所述建筑样本日类型信息、所述建筑样本月类型信息及所述建筑样本度日数输入初始负荷预测模型，生成对应的建筑样本负荷预测值；
训练误差确定单元，用于根据所述负荷训练样本对应的建筑样本负荷标签和建筑所述建筑样本负荷预测值，确定训练误差；
目标负荷预测模块生成单元，用于基于所述训练误差，通过反向传播算法，对所述初始负荷预测模型进行调整，以得到最优网络参数，并采用所述最优网络参数生成所述目标负荷预测模型。
在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于度日数的建筑负荷预测方法，其特征在于，包括：
从所获取的待处理变量观测信息中识别内扰变量信息及外扰变量信息；所述内扰变量信息包括：建筑使用习惯信息；
剔除所述外扰变量信息中，除干球温度外的其余外扰变量信息；
将所述干球温度转换为度日数；
按照所述建筑使用习惯信息对应的时间信息，将所述建筑使用习惯信息分别划分为待处理日类型信息及待处理月类型信息；
将所述度日数、所述待处理日类型及待处理月类型输入预先构建的目标负荷预测模型，得到建筑负荷预测结果。
2.根据权利要求1所述的基于度日数的建筑负荷预测方法，其特征在于，所述度日数包括：制冷度日数和采暖度日数；将所述干球温度转换为度日数，包括：
获取制冷季平衡温度和采暖季平衡温度；
确定所述干球温度中的当日室外最高干球温度和当日室外最低干球温度；
将所述当日室外最高干球温度、所述当日室外最低干球温度、所述制冷季平衡温度和所述采暖季平衡温度输入预先设定的度日数计算模型，得到对应的制冷度日数和采暖度日数。
3.根据权利要求2所述的基于度日数的建筑负荷预测方法，其特征在于，获取制冷季平衡温度和采暖季平衡温度，包括：
从预先绘制的暖通空调系统的日用电量数据与日平均温度散点图中，确定日用电量随日平均温度呈线性变化的温度上限值及温度下限值；
分别定义所述温度上限值为所述制冷季平衡温度，所述温度下限值为采暖季平衡温度。
4.根据权利要求1所述的基于度日数的建筑负荷预测方法，其特征在于，所述目标负荷预测模型的构建方法包括：
从预先设定的负荷数据库中获取建筑负荷训练样本，所述建筑负荷训练样本包括：建筑样本负荷标签、建筑样本日类型信息、建筑样本月类型信息及建筑样本度日数；
基于所述建筑样本日类型信息、所述建筑样本月类型信息及所述建筑样本度日数及所述建筑负荷训练样本对应的建筑样本负荷标签，构建所述目标负荷预测模型。
5.根据权利要求4所述的基于度日数的建筑负荷预测方法，其特征在于，基于所述建筑样本日类型信息、建筑样本月类型信息及建筑样本度日数及所述建筑负荷训练样本对应的建筑样本负荷标签，构建所述目标负荷预测模型，包括：
将所述基于所述建筑样本日类型信息、所述建筑样本月类型信息及所述建筑样本度日数输入初始负荷预测模型，生成对应的建筑样本负荷预测值；
根据所述负荷训练样本对应的建筑样本负荷标签和建筑所述建筑样本负荷预测值，确定训练误差；
基于所述训练误差，通过反向传播算法，对所述初始负荷预测模型进行调整，以得到最优网络参数，并采用所述最优网络参数生成所述目标负荷预测模型。
6.一种基于度日数的建筑负荷预测装置，其特征在于，包括：
识别模块，用于从所获取的待处理变量观测信息中识别内扰变量信息及外扰变量信息；所述内扰变量信息包括：建筑使用习惯信息；
剔除模块，用于剔除所述外扰变量信息中，除干球温度外的其余外扰变量信息；
转换模块，用于将所述干球温度转换为度日数；
类型划分模块，用于按照所述建筑使用习惯信息对应的时间信息，将所述建筑使用习惯信息分别划分为待处理日类型信息及待处理月类型信息；
输入模块，用于将所述度日数、所述待处理日类型及待处理月类型输入预先构建的目标负荷预测模型，得到建筑负荷预测结果。
7.根据权利要求6所述的基于度日数的建筑负荷预测装置，其特征在于，所述度日数包括：制冷度日数和采暖度日数；所述转换模块包括：
温度获取子模块，用于获取制冷季平衡温度和采暖季平衡温度；
干球温度确定子模块，用于确定所述干球温度中的当日室外最高干球温度和当日室外最低干球温度；
度日数确定子模块，用于将所述当日室外最高干球温度、所述当日室外最低干球温度、所述制冷季平衡温度和所述采暖季平衡温度输入预先设定的度日数计算模型，得到对应的制冷度日数和采暖度日数。
8.根据权利要求7所述的基于度日数的建筑负荷预测装置，其特征在于，所述温度获取子模块包括：
预置确定单元，用于从预先绘制的暖通空调系统的日用电量数据与日平均温度散点图中，确定日用电量随日平均温度呈线性变化的温度上限值及温度下限值；
定义单元，用于分别定义所述温度上限值为所述制冷季平衡温度，所述温度下限值为采暖季平衡温度。
9.根据权利要求6所述的基于度日数的建筑负荷预测装置，其特征在于，所述目标负荷预测模型的构建模块包括：
样本获取子模块，用于从预先设定的负荷数据库中获取建筑负荷训练样本，所述建筑负荷训练样本包括：建筑样本负荷标签、建筑样本日类型信息、建筑样本月类型信息及建筑样本度日数；
构建子模块，用于基于所述建筑样本日类型信息、所述建筑样本月类型信息及所述建筑样本度日数及所述建筑负荷训练样本对应的建筑样本负荷标签，构建所述目标负荷预测模型。
10.根据权利要求9所述的基于度日数的建筑负荷预测装置，其特征在于，所述构建子模块包括：
预测值生成单元，用于将所述基于所述建筑样本日类型信息、所述建筑样本月类型信息及所述建筑样本度日数输入初始负荷预测模型，生成对应的建筑样本负荷预测值；
训练误差确定单元，用于根据所述负荷训练样本对应的建筑样本负荷标签和建筑所述建筑样本负荷预测值，确定训练误差；
目标负荷预测模块生成单元，用于基于所述训练误差，通过反向传播算法，对所述初始负荷预测模型进行调整，以得到最优网络参数，并采用所述最优网络参数生成所述目标负荷预测模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210635485.6A CN114925929A (zh) | 2022-06-07 | 2022-06-07 | 一种基于度日数的建筑负荷预测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210635485.6A CN114925929A (zh) | 2022-06-07 | 2022-06-07 | 一种基于度日数的建筑负荷预测方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114925929A true CN114925929A (zh) | 2022-08-19 |
Family
ID=82812915
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210635485.6A Pending CN114925929A (zh) | 2022-06-07 | 2022-06-07 | 一种基于度日数的建筑负荷预测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114925929A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116436002A (zh) * | 2023-06-13 | 2023-07-14 | 成都航空职业技术学院 | 一种楼宇用电预测方法 |
-
2022
- 2022-06-07 CN CN202210635485.6A patent/CN114925929A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116436002A (zh) * | 2023-06-13 | 2023-07-14 | 成都航空职业技术学院 | 一种楼宇用电预测方法 |
| CN116436002B (zh) * | 2023-06-13 | 2023-09-05 | 成都航空职业技术学院 | 一种楼宇用电预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Park et al. | Predictive model for PV power generation using RNN (LSTM) | |
| KR101301123B1 (ko) | 냉난방부하 예측방법 | |
| CN115796393B (zh) | 基于多能互动的能源网管理优化方法、系统及存储介质 | |
| KR102478684B1 (ko) | 앙상블 학습을 이용한 에너지 소비 예측 방법 및 상기 방법을 수행하는 컴퓨팅 장치 | |
| CN112183826A (zh) | 基于深度级联生成对抗网络的建筑能耗预测方法及相关产品 | |
| Liu et al. | Model predictive control under forecast uncertainty for optimal operation of buildings with integrated solar systems | |
| CN110781595B (zh) | 能源使用效率pue的预测方法、装置、终端及介质 | |
| CN112613642B (zh) | 应急物资需求预测方法和装置、存储介质及电子设备 | |
| Işık et al. | ANN and ANFIS approaches to calculate the heating and cooling degree day values: The case of provinces in Turkey | |
| CN111723085B (zh) | 公共建筑空调用电能耗数据清洗方法及系统 | |
| CN116045461B (zh) | 一种基于给回水温度调节的风冷空调节能控制方法及装置 | |
| CN112381315A (zh) | 一种基于pso优化的ls-svm智能台区负荷预测方法及系统 | |
| Ku et al. | Building electric energy prediction modeling for BEMS using easily obtainable weather factors with Kriging model and data mining | |
| CN112524751A (zh) | 一种动态空调系统能耗预测模型构建、预测方法及装置 | |
| Huang et al. | Sizing heating, ventilating, and air-conditioning systems under uncertainty in both load-demand and capacity-supply side from a life-cycle aspect | |
| CN111179108A (zh) | 用电能耗的预测方法和装置 | |
| CN114925929A (zh) | 一种基于度日数的建筑负荷预测方法及装置 | |
| Huchuk et al. | Evaluation of data-driven thermal models for multi-hour predictions using residential smart thermostat data | |
| CN117490481B (zh) | 冷却系统的冷却塔控制方法、装置、设备和存储介质 | |
| Ghassemi et al. | Optimal surrogate and neural network modeling for day-ahead forecasting of the hourly energy consumption of university buildings | |
| JP2020086595A (ja) | 数値解析装置及び方法 | |
| Stephen et al. | Statistical modeling of the yearly residential energy demand in Nigeria | |
| Kareem et al. | Removing seasonal effect on city based daily electricity load forecasting with linear regression | |
| CN112902392A (zh) | 自适应调整的空调控制方法、电子设备及存储介质 | |
| CN115271168A (zh) | 用电负荷响应潜力的预测方法、装置及存储介质 |
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 |