CN116205425A - 一种基于典型数据库的低碳园区冷热电气负荷预测方法 - Google Patents
一种基于典型数据库的低碳园区冷热电气负荷预测方法 Download PDFInfo
- Publication number
- CN116205425A CN116205425A CN202211267618.5A CN202211267618A CN116205425A CN 116205425 A CN116205425 A CN 116205425A CN 202211267618 A CN202211267618 A CN 202211267618A CN 116205425 A CN116205425 A CN 116205425A
- Authority
- CN
- China
- Prior art keywords
- load
- typical
- building
- data
- database
- 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 121
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 96
- 238000004088 simulation Methods 0.000 claims abstract description 82
- 238000011161 development Methods 0.000 claims abstract description 13
- 238000011160 research Methods 0.000 claims abstract description 11
- 238000013461 design Methods 0.000 claims description 74
- 238000004364 calculation method Methods 0.000 claims description 46
- 239000011159 matrix material Substances 0.000 claims description 32
- 230000008569 process Effects 0.000 claims description 27
- 238000013508 migration Methods 0.000 claims description 25
- 238000001816 cooling Methods 0.000 claims description 21
- 230000005012 migration Effects 0.000 claims description 21
- 230000006870 function Effects 0.000 claims description 20
- 238000004458 analytical method Methods 0.000 claims description 19
- 230000001932 seasonal effect Effects 0.000 claims description 19
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 18
- 230000005611 electricity Effects 0.000 claims description 17
- 238000010606 normalization Methods 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 16
- 230000008859 change Effects 0.000 claims description 15
- 238000005094 computer simulation Methods 0.000 claims description 10
- 238000010438 heat treatment Methods 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000000342 Monte Carlo simulation Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 6
- 230000001186 cumulative effect Effects 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 6
- 238000004378 air conditioning Methods 0.000 claims description 5
- 230000004927 fusion Effects 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000005311 autocorrelation function Methods 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000012886 linear function Methods 0.000 claims description 3
- 238000005520 cutting process Methods 0.000 claims description 2
- 238000007500 overflow downdraw method Methods 0.000 claims description 2
- 238000005265 energy consumption Methods 0.000 description 13
- 238000012360 testing method Methods 0.000 description 13
- 238000005259 measurement Methods 0.000 description 8
- 238000012544 monitoring process Methods 0.000 description 6
- 230000005855 radiation Effects 0.000 description 5
- 238000011217 control strategy Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000005057 refrigeration Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000001617 migratory effect Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000009435 building construction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 238000000611 regression analysis 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06313—Resource planning in a project environment
-
- 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
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
-
- 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
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Biodiversity & Conservation Biology (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Power Engineering (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于典型数据库的低碳园区冷热电气负荷预测方法包括：西南边跨境地区典型城市中典型建筑负荷模拟仿真；基于低碳园区动态发展目标的典型动态负荷模拟数据低碳特性相似性研究；基于边跨境季节性‑迁移性特征的仿真数据学习修正融合；构建典型负荷数据库，并提出一种基于典型数据库提取特性系数的动态负荷预测方法。本发明提供的基于典型数据库的低碳园区冷热电气负荷预测方法提出了一种调用负荷数据库中逐时负荷系数进行实际项目负荷动态预测的方法，具有极强的可操作性、可复制推广性、科学准确性，能够适用于西南边跨境地区多个典型城市的多种低碳园区项目。
Description
技术领域
本发明涉及负荷预测技术领域，具体为一种基于典型数据库的低碳园区冷热电气负荷预测方法。
背景技术
近年来，随着对节能减碳的重视，关于园区和建筑负荷预测方法研究越来越多。低碳园区通过各项节能减排手段降低园区的碳排放，需要通过对园区建筑的各种能源负荷进行动态预测，准确、高效地制定合理的低碳园区技术方案、有效推动项目设计、建设和运行。然而，由于边跨境区域经济和相关节能减碳基础较为落后，针对西南边跨境区域的负荷基础数据研究较少，且该地区多能负荷具有“季节性-迁移性”等特性，为该地区的低碳园区动态负荷预测带来了较大困难。
目前关于负荷预测研究主要采用传统的统计回归预测方法、计算软件模拟预测方法和设计指标法等。
其中，基于统计回归的负荷动态预测方法是最传统的也是应用最为广泛的方法，该方法是以大量的能耗数据为基础，利用统计学等相关技术手段对数据进行科学分析，得出负荷与影响因素之间的关系，建立负荷预测模型。姚晔等人也曾提出层次分析法(AHP)，即将自回归滑动平均模型(ARMA)法、非线性回归分析法、灰色预测法和神经网络方法有机结合，结果表明这种方法在预测精度和适用性方面均能得到一定的改善，优于单一的预测模型，但该方法需要大量的园区建筑逐时能耗数据作为基础，而能源审计部门一般仅对能耗总量的统计，很难获得逐时的动态数据，并且统计数据都是单体建筑能耗的数据，而在能源规划阶段需要的是多种类型建筑的负荷预测，这也就对数据的代表性提出了更高的要求。
计算软件模拟预测方法是以计算机能耗模拟软件为平台，针对具体项目或某一类建筑，根据典型气象年参数，详细的建筑信息以及设计参数，通过计算机模拟仿真的手段获得建筑的逐时负荷数据，作为冷热电负荷的预测值。T.T.chow等人应用该方法完成某区域供冷系统实际工程的建筑负荷预测，将区域内的建筑分为住宅、办公、商场等功能不同的建筑类型，针对每种类型建筑参照相关设计手册及规范，以典型建筑的标准设定具体建筑信息，包括建筑外形、窗墙比、围护结构材料等。最后利用DOE-2模拟软件完成动态负荷的预测计算，指导区域系统方案的确定，取得了较好的效果。但是现有比较成熟的建筑能耗模拟软件都需要比较多的输入参数用以准确的描述建筑信息，而这些信息在城市规划阶段是很少或是根本不可能得到的；另外，这些输入参数专业性比较强，只有具备深厚的理论基础和工作经验的工程师才能熟练掌握，显然这对于一般工程项目规划设计和高校科研人员来说是有难度的，且计算周期较长。
目前各工程规划设计单位一般使用设计指标计算方法进行项目负荷预测计算，该方法一般基于标准规范、项目经验提供的冷热电气的单位面积负荷指标值，结合项目面积进行设计负荷的估算，在工程规划和设计中，设计师为保证项目能源供应的安全性，其计算结果多预留较大安全余量。该负荷预测方法准确性较差，预测结果存在较大冗余，造成许多园区和建筑项目的能源负荷需求预测不准确，供能系统配置过大、系统经济性差，部分项目供能系统甚至难以正常运行。
综上，通过对现有负荷预测方法研究现状的梳理，发现现有负荷预测方法存在以下问题。一是适用范围局限，现有预测方法通常基于某具体建筑、某一类型或某一地区的项目进行研究，其负荷预测结果具有较强的针对性，无法大规模推广，对其他项目不具有适用性。二是可操作性差，传统方法需要基于大量实际测试的建筑逐时能耗数据进行负荷预测，数据难于获得。三是工作量大，传统软件模拟计算预测方法通常需要对区域内的建筑进行详细的能耗模拟计算，难度大，工作量大，耗时长。四是准确性差，一般工程设计中采用的冷、热、电、气负荷设计指标范围过大，无可靠的理论依据可供参考，准确性差。
目前西南边跨境区域的建筑和能源低碳基础较薄弱，能耗计量相关基础数据极难获取；同时低碳园区属于新兴技术应用集成，针对低碳园区的负荷特性和需求预测基础研究较少；西南边跨境区域存在季节性和迁移性的用能特征，负荷中心在地理上呈现出随机性和迁移性，在时间上呈现季节规律性，还兼具突发性和不可预测性，更加提高了该区域低碳园区动态负荷预测的研究难度。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。
鉴于上述存在的问题，提出了本发明。
因此，本发明解决的技术问题是：现有的负荷预测方法存在适用范围局限、可操作性差、工作量大以及准确性差等问题，而目前西南边跨境区域的建筑和能源低碳基础较薄弱，针对低碳园区的负荷特性和需求预测基础研究较少、能耗计量相关基础数据极难获取并且负荷中心在地理上还呈现出随机性和迁移性，在时间上呈现季节规律性，兼具突发性和不可预测性特点。
功耗耗损较大，负载率奖惩，成本较高，以及如何将任务请求分配到各个主机上实现负载平衡的优化问题。
为解决上述技术问题，本发明提供如下技术方案：一种基于典型数据库的低碳园区冷热电气负荷预测方法，包括：
西南边跨境地区典型城市中典型建筑负荷模拟仿真；
基于低碳园区动态发展目标的典型动态负荷模拟数据低碳特性相似性研究；
基于边跨境季节性-迁移性特征的仿真数据学习修正融合；
构建典型负荷数据库，并提出一种基于典型数据库提取特性系数的动态负荷预测方法。
作为本发明所述的基于典型数据库的低碳园区冷热电气负荷预测方法的一种优选方案，其中：所述建筑负荷模拟仿真包括：基于建筑和能源系统动态模拟仿真软件，针对西南边跨境地区典型城市，建立与当地办公、酒店、住宅、医院建筑形式基本相同的建筑负荷仿真模型，利用西南边跨境城市典型建筑的围护参数及实际负荷系统运行参数，对典型建筑围护结构做法、门窗热工性能、遮阳做法、人员密度、照明和室内设备密度、新风和空调系统、使用时间表进行设置，计算出各典型城市中典型建筑全年逐时冷热电气负荷值，得到了典型建筑基础负荷模拟仿真数据。
作为本发明所述的基于典型数据库的低碳园区冷热电气负荷预测方法的一种优选方案，其中：所述低碳特性相似性研究包括：
基于不同建设时期、发展水平下的低碳园区减碳目标，完成典型低碳园区典型建筑动态仿真，得到典型低碳建筑的负荷数据H＝(h1，…，hm)与典型建筑负荷模拟数据R＝(r1，…，rn)；
通过欧几里得距离计算两个序列元素之间的距离d(i,j)，同时利用这些距离构造一个m×n维的距离矩阵，在此过程中，两个序列元素之间是一对多的非线性对应关系：
确定规整路径，H序列和R序列的规整路径wHR表示为：
wHR＝((h1,r1),…,(hi,rj),…,(hm,rn))
其中1<i≤m,1<j≤n；
计算累积距离，选择累积距离最小的路径作为最优路径，将总累积距离用于分析两个序列的相似度，该相似度与计算的总距离成反比：
当从距离矩阵中(i-1,j-1)点去(i-1,j)点或(i,j-1)-到(i,j)点时，设路径方向为横向或竖向的距离为d(i,j)，方向为斜对角线的距离为2d(i,j)；s(i,j)表示两个序列都是从起点依次对齐到序列H的第i个点和序列R的第j个点的累计距离。
作为本发明所述的基于典型数据库的低碳园区冷热电气负荷预测方法的一种优选方案，其中：所述仿真数据学习修正融合方法是：采用动态模拟仿真手段对西南边跨境地区不同季节和区域的负荷进行模拟，引入蒙特卡洛方法完成负边跨境区域人群和产业的季节性和迁移性负荷变化特征影响因子的权重确定，利用负荷迁移动态特性对典型动态负荷模拟数据进行训练和特征融合，得到训练后的计算数据序列P＝(p(1),…,p(m))。
作为本发明所述的基于典型数据库的低碳园区冷热电气负荷预测方法的一种优选方案，其中：对季节性-迁移性负荷数据预处理，分为偏自相关函数PACF分析、滑动窗口处理和标准化三步，PACF分析用于确定数据的特征维度，滑动窗口处理用于将数据变为有监督形式，数据处理过程如下：
首先，对于计算数据序列P＝(p(1),…,p(m))，开展数据中p(i),p(i-m)的偏自相关关系进行分析，计算数据的自协方差r(m)，
其次，计算数据间的自协方差函数ρm，并将第一个超过PACF设定值的样本序号n作为预测数据的长度：
然后，利用滑动窗口算法切割季节迁移性负荷数据集，将数据转为由特征和标签组成的有监督形式；设滑动窗口的大小为N(N＝n+1)，即用前n个季节迁移性负荷数据预测第n+1个样本值；经过滑动窗口处理后，数据集数量变为M-N+1，格式为{(x1,…,xn+1),…,(xn+1,…,x2n+1),…}；
最后，利用Min-Max Normalization标准化线性函数归一化方法主要对在边缘收集的数据进行标准化，其原理是将数据Z中的每个初始值通过线性化均值转换为0到1范围内的值；Min-Max Normalization方法的计算公式如下，其中Znorm表示标准线性归一后的数据，Zmin表示数据中的最小值，Zmax表示数据中的最大值。
作为本发明所述的基于典型数据库的低碳园区冷热电气负荷预测方法的一种优选方案，其中：所述利用负荷迁移动态特性对典型动态负荷模拟数据进行训练和特征融合具体过程为：
将预处理后的季节迁移性负荷送入神经网络，重置门rt控制前一状态有多少信息被写入到当前的候选集
上，用来控制需要保留多少之前的记忆；重置门越小，前一状态的信息被写入的越少，如果rt为0则表示
只保留当前序列的输入信息：
rt＝σ(Wr·[ht-1,xt]+br)
其中，ht-1表示上一时刻的输入，xt表示t时刻的输入，σ(·)代表函数运算，Wr和br分别代表该运算过程中的权重矩阵和偏置矩阵；
其中tan h(·)为函数运算，W和bt为计算过程中的权重矩阵和偏差矩阵；
然后，更新门zt用于控制前一时刻的状态信息被带入到当前状态中的程度，更新门的值越大说明前一时刻的状态信息带入越多；更新门的计算如下所示：
zt＝σ(Wz·[ht-1,xt]+bz)
其中，ht-1表示上一时刻的输入，xt表示t时刻的输入，σ(·)代表函数运算，Wz和bz分别代表该运算过程中的权重矩阵和偏置矩阵；
最后，得到当前序列的输出隐藏层信息ht，而GRU是没有输出门的；
在训练典型建筑负荷预测模型时，门的值、记忆单元和隐藏状态会循环更新，每个过程的权重矩阵和偏置矩阵都是随机初始化的；采用均方误差MS E作为损失函数来评估网络性能，MSE的计算如下：
其中，hi是第i个季节迁移性负荷数据，ri是第i个典型建筑负荷模拟数据，M表示训练数据量；
在网络训练过程中，选用Relu作为全连接层FCL的激活函数，然后采用Nadam算法优化网络的训练。
作为本发明所述的基于典型数据库的低碳园区冷热电气负荷预测方法的一种优选方案，其中：所述构建典型负荷数据库并提出一种基于典型数据库提取特性系数的动态负荷预测方法是指：基于融合低碳特性和边跨境季节-迁移特性的典型负荷数据，构建西南边跨境区域典型城市中典型建筑负荷数据库；对各城市、各类型的典型建筑的动态负荷模拟数据库的冷热电气8760小时逐时负荷数据进行归一化处理，最大负荷归一为1.0、其余负荷值为相对最大负荷的小数，建立典型建筑全年逐时负荷系数数据库；提炼数据库中冷热电气最大设计负荷指标、设计日冷热电气负荷系数和全年逐时冷热电气负荷系数。
作为本发明所述的基于典型数据库的低碳园区冷热电气负荷预测方法的一种优选方案，其中：所述冷热电气设计负荷指标计算公式为：
低碳园区总设计冷负荷：Cd＝∑ψi×CZi×Si，
低碳园区总设计热负荷：Hd＝∑ψi×HZi×Si，
低碳园区总设计电负荷：Ed＝∑ψi×EZi×Si，
其中，Cd为能源站总设计冷负荷，Czi为i类建筑的冷负荷设计指标，按数据库选取，Hd为能源站总设计热负荷，Hzi为i类建筑的热负荷设计指标，按数据库选取，Ed为能源站总设计电负荷，Ezi为i类建筑的电负荷设计指标，按数据库选取，Si为i类建筑的建筑面积，ψi为区域内同类建筑的同时使用率。
作为本发明所述的基于典型数据库的低碳园区冷热电气负荷预测方法的一种优选方案，其中：所述能源站设计日总逐时冷、热、电、气负荷计算公式为：
能源站设计日j时刻总冷负荷：DCj＝∑ψi×CZi×Si×Ucij，
能源站设计日j时刻总热负荷：DHj＝∑ψi×HZi×Si×Uhij，
能源站设计日j时刻总电负荷：DEj＝∑ψi×EZi×Si×Ueij，
能源站设计日j时刻总气负荷：DEj＝∑ψi×EZi×Si×Ueij，
其中，DCj为能源站设计日j时刻总冷负荷，Ucij为j时刻i类建筑冷负荷特性系数，按数据库选取，DHj为能源站设计日j时刻总冷负荷，Uhij为j时刻i类建筑热负荷特性系数，按数据库选取，DEj为能源站设计日j时刻总电负荷，Ueij为j时刻i类建筑电负荷特性系数，按数据库选取。
作为本发明所述的基于典型数据库的低碳园区冷热电气负荷预测方法的一种优选方案，其中：所述能源站全年逐时总冷、热、电负荷计算公式为：
能源站全年j时刻总冷负荷：YCj＝∑ψi×CZi×Si×Ncij，
能源站全年j时刻总热负荷：YHj＝∑ψi×HZi×Si×Nhij，
能源站全年j时刻总电负荷：YEj＝∑ψi×EZi×Si×Neij，
其中，YCj为能源站设计日j时刻总冷负荷，Ncij为j时刻i类建筑冷负荷特性系数，按数据库选取，YHj为能源站设计日j时刻总冷负荷，Nhij为j时刻i类建筑热负荷特性系数，按数据库选取，YEj为能源站设计日j时刻总电负荷，Neij为j时刻i类建筑电负荷特性系数，按数据库选取。
本发明的有益效果：本发明提供的基于典型数据库的低碳园区冷热电气负荷预测方法提出了一种调用负荷数据库中逐时负荷系数进行实际项目负荷动态预测的方法，具有极强的可操作性、可复制推广性、科学准确性，能够适用于西南边跨境地区多个典型城市的多种低碳园区项目。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例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。其中：
图1为本发明一个实施例提供的一种基于典型数据库的低碳园区冷热电气负荷预测方法的整体流程图；
图2为本发明第三个实施例提供的一种基于典型数据库的低碳园区冷热电气负荷预测方法中测试日实测和模拟数据库预测制冷量对比图；
图3为本发明第三个实施例提供的一种基于典型数据库的低碳园区冷热电气负荷预测方法中测试日实测和模拟数据库预测耗电量对比图；
图4为本发明第三个实施例提供的一种基于典型数据库的低碳园区冷热电气负荷预测方法中夏季工况下现场实测数据和模拟数据库预测计算结果对比分析图；
图5为本发明第三个实施例提供的一种基于典型数据库的低碳园区冷热电气负荷预测方法中冬季工况下现场实测数据和模拟数据库预测计算结果对比分析图；
图6为本发明第三个实施例提供的一种基于典型数据库的低碳园区冷热电气负荷预测方法中监测数据和模拟数据库预测计算数据对比图；
图7为本发明第三个实施例提供的一种基于典型数据库的低碳园区冷热电气负荷预测方法中全年运行记录数据和模拟数据库预测全年逐时负荷(冷热供能量)计算数据对比图；
图8为本发明第三个实施例提供的一种基于典型数据库的低碳园区冷热电气负荷预测方法中全年运行记录数据和模拟数据库预测系统耗电能计算数据对比图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通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，都应当属于本发明的保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。
同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”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和简化描述，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。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
实施例1
参照图1，为本发明的一个实施例，提供了一种基于典型数据库的低碳园区冷热电气负荷预测方法，包括：
S1：西南边跨境地区典型城市中典型建筑负荷模拟仿真；
更进一步的，基于建筑和能源系统动态模拟仿真软件，针对西南边跨境地区的云南、广西省的多个典型城市，建立与当地办公、酒店、住宅、医院建筑形式基本相同的建筑负荷仿真模型，仿真模型包含建筑的基本形式、围护结构、建筑供能设备、建筑用能设备等目标建筑的相关结构与设备参数，同时将用能习惯作为自变量或边界条件，利用当地实际历史气候数据开展典型城市中典型建筑的动态冷热电气负荷模拟数据。
应说明的是，建立典型城市中的典型建筑基础负荷仿真模型有以下三个步骤：
(一)获取建筑信息：基于国家现行建筑节能设计标准、当地建筑调研资料等收集云南、广西省份各城市中办公、酒店、住宅、医院建筑具有代表性的建筑各类信息，构建典型建筑负荷仿真模型。
(1)建筑概况：需要获取典型建筑的形式、类型、建筑高度、面积、楼层、各房间功能等信息。其中，典型建筑围护结构及系统用能设计均遵循《公共建筑节能设计标准(GB50189-2015)》、《夏热冬冷地区居住建筑节能设计标准(JGJ 134-2010》、《夏热冬暖地区居住建筑节能设计标准(JGJ 75-2012)》、《广西壮族自治区地方标准公共建筑节能设计标准(DBJ/T 45-042-2017)》、《广西壮族自治区居住建筑节能设计标准(DBJ 45/029-2016)》的相关规定。在建筑和能源系统动态模拟仿真软件中进行建筑分区建模，在动态模拟仿真软件建立的建筑模型中对有关建筑围护结构及控制参数进行设置。
(2)负荷条件：建筑负荷变化收到气象条件、建筑构造节能水平、内部使用情况等多个因素影响，建筑周围的气象环境(温度、湿度、光照度、太阳辐射等)、建筑围护结构(朝向、围护结构设计、窗户尺寸、遮阳方式等)和室内热负荷(各系统的管理策略、设备使用水平、居住情况)均包含多个参数信息系。
(3)用能习惯：建筑用能状况根据建筑实际用能控制策略设置，即工作日、节假日及休息日的不同控制策略。
(二)建立不同典型城市中典型建筑动态负荷仿真模型：根据获取的建筑概况、负荷状况和用能习惯等信息，构建建筑负荷离线仿真模型，生成建筑冷热电气负荷数据。
(1)离线仿真模型概况：
建筑物负荷模拟系统是在建筑和能源系统动态模拟仿真中建模的，仿真中使用的年气象参数取自该类型典型建筑所在典型城市的历史气象数据和典型年气象文件，照明控制主要受光照强度影响，人员占用率以时间表形式输入，在与目标建筑基本相同的建筑模型中定义具体参数。此外，建筑和能源系统动态模拟仿真软件可实现在线输出。建筑能源条件根据典型建筑能源控制策略进行设置。
(2)建筑负荷模拟：
在现有的计算冷/热负荷的高级负荷模拟软件中，建筑和能源系统动态模拟仿真软件使用平衡法来模拟计算负荷。模拟时假设瞬时冷负荷等于空调系统产生的热量。建筑物的瞬时负荷是用热平衡法计算的，它解决了热力学第一定律给出的热平衡方程，包括建筑物内外表面、建筑围护结构和室内空气之间的热交换过程。该描述的物理意义在于，假设每一点的温度都是一样的，而且每一个表面的温度和长/短波辐射也都是一样的。
以外墙外表面举例说明建筑热平衡过程。非透明围护结构的外表面的热平衡方程为：
qasol+qLWR+qconv+qko＝0
式中：
qko—通过墙体的导热；
qasol—太阳直射福射和散射福射的吸收值；
qLWR—与室外空气、地面、天空、其他建筑表面间的净长波辐射交换；
qconv—与室外空气的对流热交换。
办公楼内消耗的电力和燃气负荷主要是由每个房间使用的电气和燃气设备产生的，负荷的大小与建筑不同功能区的装机容量、能耗特性和每件设备的使用时间密不可分。因此，在进行电力和燃气负荷模拟之前，有必要了解该类目标建筑中设备的类型和用途。例如，该类目标建筑中常用的电气设备主要包括照明设备(如焚光灯)、办公设备(如电脑)、空调设备、热泵和机组等，而电梯设备主要被认为是室外设备。为了调查建筑物本身的冷/热/电负荷特性，可以用以下公式计算照明、办公设备、空调、热泵、电器和电梯的电负荷。
式中：
E(τ)—计算时间段为τ时对应用电设备的平均电负荷，kW；
i，n—分别表示用电设备的类型和该用电设备的数量；
τ—用电设备消耗电能的计算时段；
P—类型用电设备的安装功率，kW；
αi(τ)—i类型用电设备的同时使用系数，取值范围为0-1；
Si(τ)—i类型用电设备的功耗系数。
(三)仿真数据输出：将建筑负荷仿真模型中的负荷计算结果输出，同时将建筑动态负荷是建筑周围气象环境(温度、湿度、光照度、太阳辐射等)、建筑本体(方位角、围护结构、窗户大小、遮阳方式等)、用能习惯(各系统控制策略、设备使用率)、室内人员状况等影响因素也作为数据输出，将典型建筑负荷模拟仿真结果与建模条件影响因素作为基础负荷数据，利用低碳园区负荷特性、区域季节-迁移特性对其进行归一融合。
S2：基于低碳园区动态发展目标的典型动态负荷模拟数据低碳特性相似性研究；
更进一步的，基于不同建设时期、发展水平下的低碳园区减碳目标完成典型低碳园区典型建筑动态仿真，利用动态时间规整Dynamic Time Warping(DTW)度量方法分析低碳园区低碳建筑负荷特性和典型建筑动态负荷模拟数据特性的相似性，确保典型动态负荷模拟数据的准确性。
应说明的是，基于低碳园区动态发展目标的典型动态负荷模拟数据低碳特性相似性研究由下列三个子步骤构成：
(一)取典型低碳园区建筑负荷数据集：基于不同建设时期、发展水平下的低碳园区减碳目标，构建西南边跨境区域典型城市的典型低碳园区办公、酒店、住宅、医院建筑模型，完成不同节能目标下的低碳建筑负荷模拟仿真，成功得到典型低碳建筑的负荷数据H＝(h1，…，hm)与典型建筑负荷模拟数据R＝(r1，…，rn)。
(二)计算两个数据集序列之间的距离：通过欧几里得距离计算两个序列元素之间的距离d(i,j)，同时利用这些距离构造一个m×n维的距离矩阵，在此过程中，两个序列元素之间是一对多的非线性对应关系：
(三)寻找最优动态路径、计算相似性：首先确定规整路径，借助动态规整思想，在距离矩阵中找到两个序列的相似对齐点，通过序列间对齐点的路径称为规整路径。H序列和R序列的规整路径路径wHR表示为：
wHR＝((h1,r1),…,(hi,rj),…,(hm,rn))
其中1<i≤m,1<j≤n。
然后，由于序列元素的对应是非线性的，所以存在许多条弯曲路径，因此需要从非线性规整路径中寻找最优动态路径。
首先指定弯曲路径从矩阵的左下角开始，累加至其最右端的位置右。其次，在这个过程中设移动步长为1，这意味着它只对准与自己相邻的点，并定义规整路径沿着前一个点的右侧方向前进。此外，当从距离矩阵中(i-1,j-1)点去(i-1,j)点或(i,j-1)-到(i,j)点时，设路径方向为横向或竖向的距离为d(i,j)，方向为斜对角线的距离为2d(i,j)。
计算累积距离，选择累积距离最小的路径作为最优路径，将总累积距离用于分析两个序列的相似度，该相似度与计算的总距离成反比，因此，两个序列的相似性计算为：
其中，s(i,j)表示两个序列都是从起点依次对齐到序列H的第i个点和序列R的第j个点的累计距离。
最后，确定阈值TH，当相似度低于阈值时，离线模型与仿真数据不够准确，需要进一步调整，重新根据建模条件影响因子调整建筑和能源系统动态模拟仿真模型进行模拟，直至相似度高于阈值；当相似度高于阈值时，典型负荷模拟数据将低碳园区特征充分融合。
S3：基于边跨境季节性-迁移性特征的仿真数据学习修正融合。
采用动态模拟仿真手段对西南边跨境地区不同季节和区域的负荷进行模拟，引入蒙特卡洛方法完成负边跨境区域人群和产业的季节性和迁移性负荷变化特征影响因子的权重确定，利用负荷迁移动态特性对典型动态负荷模拟数据进行训练和特征融合，确保典型动态负荷模拟数据的准确性。
更进一步的，基于边跨境季节性-迁移性特征的仿真数据学习修正融合主要由下列三个子步骤构成：西南边跨境典型季节性-迁移性负荷仿真：考虑西南边跨境区域人口、产业等在不同季节时间、区域发展条件作为自变量，考虑迁移和需求变化特征，建立西南边跨境典型季节性-迁移性的负荷仿真模型，完成全年各月的逐时负荷仿真，构建季节迁移性负荷数据集。对季节性-迁移性负荷数据预处理，分为偏自相关函数(PACF)分析、滑动窗口处理和标准化三步，PACF分析用于确定数据的特征维度，滑动窗口处理用于将数据变为有监督形式，数据处理过程如下：
(一)西南边跨境典型季节性-迁移性负荷仿真：考虑西南边跨境区域人口、产业等在不同季节时间、区域发展条件作为自变量，考虑迁移和需求变化特征，建立西南边跨境典型季节性-迁移性的负荷仿真模型，完成全年各月的逐时负荷仿真，构建季节迁移性负荷数据集，得到训练后的计算数据序列P＝(p(1),…,p(m))。对季节性-迁移性负荷数据预处理，分为偏自相关函数(PACF)分析、滑动窗口处理和标准化三步，PACF分析用于确定数据的特征维度，滑动窗口处理用于将数据变为有监督形式，数据处理过程如下：
首先，对于计算数据序列P＝(p(1),…,p(m))，开展数据中p(i),p(i-m)的偏自相关关系进行分析，计算数据的自协方差r(m)：
其次，计算数据间的自协方差函数ρm，并将第一个超过PACF设定值的样本序号n作为预测数据的长度：
然后，利用滑动窗口算法切割季节迁移性负荷数据集，将数据转为由特征和标签组成的有监督形式。设滑动窗口的大小为N(N＝n+1)，即用前n个季节迁移性负荷数据预测第n+1个样本值。经过滑动窗口处理后，数据集数量变为M-N+1，格式为{(x1,…,xn+1),…,(xn+1,…,x2n+1),…}。
最后，利用Min-Max Normalization(标准化线性函数归一化)方法主要对在边缘收集的数据进行标准化，其原理是将数据Z中的每个初始值通过线性化均值转换为0到1范围内的值。Min-Max Normalization方法的计算公式如下，其中Znorm表示标准线性归一后的数据，Zmin表示数据中的最小值，Zmax表示数据中的最大值。：
(二)引入蒙特卡洛法完成季节迁移特性影响因子的权重评估：
(1)利用滑动窗将季节迁移性负荷数据和典型建筑负荷数据变为自变量和因变量综合关系式为，即X＝{(a1x1,…,an+1xn+1),…}；
(2)引入蒙特卡洛方法完成数据特性因子的定量评估。负荷预测模型由特征提取模块和预测模块两部分组成。
将季节性-迁移性影响因素(例如人口迁移变化、经济发展水平、区域产业发展特点等)对负荷变化的影响进行量化归一研究，利用蒙特卡洛方法完成各组数据的分布研究，用于负荷数据的特征提取，完成概率分布的相关数据分析，提取所需的特征信息，确定各特征因子的权重数值，从而得到不同影响因素与负荷变化之间的动态特性关系，将季节性-迁移性特性影响因素进行量化分析。
(3)利用季节迁移性负荷的影响特征训练和修正典型建筑负荷模拟数据。具体过程如下所示：
首先，将预处理后的季节迁移性负荷送入神经网络，重置门rt控制前一状态有多少信息被写入到当前的候选集
上，用来控制需要保留多少之前的记忆；重置门越小，前一状态的信息被写入的越少。如果rt为0则表示
只保留当前序列的输入信息
rt＝σ(Wr·[ht-1,xt]+br)
其中，ht-1表示上一时刻的输入，xt表示t时刻的输入。σ(·)代表函数运算，Wr和br分别代表该运算过程中的权重矩阵和偏置矩阵。
其中tan h(·)为函数运算，W和bt为计算过程中的权重矩阵和偏差矩阵。
然后，更新门zt用于控制前一时刻的状态信息被带入到当前状态中的程度，更新门的值越大说明前一时刻的状态信息带入越多。更新门的计算如下所示：
zt＝σ(Wz·[ht-1,xt]+bz)
其中，ht-1表示上一时刻的输入，xt表示t时刻的输入。σ(·)代表函数运算，Wz和bz分别代表该运算过程中的权重矩阵和偏置矩阵。
最后，得到当前序列的输出隐藏层信息ht，而GRU是没有输出门的。
在训练典型建筑负荷预测模型时，门的值、记忆单元和隐藏状态会循环更新，每个过程的权重矩阵和偏置矩阵都是随机初始化的。采用均方误差(MSE)作为损失函数来评估网络性能，MSE的计算如下：
其中，hi是第i个季节迁移性负荷数据，ri是第i个典型建筑负荷模拟数据，M表示训练数据量。
在网络训练过程中，选用Relu作为全连接层(FCL)的激活函数，然后采用Nadam算法优化网络的训练。
(三)典型建筑负荷模拟数据修正：首先载入保存的季节迁移性负荷数据特征结构，将特征数据权重参数迁移作为典型建筑负荷模拟数据权重特征的参数。
更进一步的，模型性能评估指标采用均方根误差(RMSE)、平均绝对误差(MAE)以及训练时间，其计算方法为：
其中，hi表示第i个季节迁移性负荷数据，ri代表第i个典型建筑负荷模拟数据，M代表总的数据量。RMSE和MAE的值越大，网络的性能越差。而训练时间主要考虑负荷数据集预训练的时间，即考虑模型训练需要的时间。
S4：构建典型负荷数据库，并提出一种基于典型数据库提取特性系数的动态负荷预测方法。
更进一步的，基于典型数据库提取特性系数的动态负荷预测方法主要由下列三个子步骤构成：
(一)构建融合了低碳特征和季节迁移特性的西南边跨境典型城市典型建筑的动态负荷模拟数据库；
(二)对各城市、各类型的典型建筑的动态负荷模拟数据库的冷热电气8760小时逐时负荷数据进行归一化处理，最大负荷归一为1.0、其余负荷值为相对最大负荷的小数，建立典型建筑全年逐时负荷系数数据库；
(三)提炼数据库中冷热电气最大(设计)负荷指标、设计日冷热电气负荷系数和全年逐时冷热电气负荷系数。此三类指标在进行负荷预测环节的使用方法如下：
(1)对低碳园区范围内，根据区域整体建设规划的要求，分类统计各类建筑的建筑面积Si；
(2)根据各类型建筑的冷、热、电、气设计负荷指标(Czi，Hzi，Ezi，Gzi)，计算不同类型建筑的冷、热、电、气设计负荷，考虑区域内建筑的同时使用系数ψ即可计算能源站总冷、热、电、气设计负荷(Cdi，Hdi，Edi，Gdi)；
(3)根据各类型建筑的设计日冷、热、电、气负荷特性系数(Ucij，Uhij，Ueij，Ugij)，计算不同类型建筑的设计日冷、热、电、气逐时负荷，考虑区域内建筑的同时使用系数ψi，即可计算能源站设计日总逐时冷、热、电、气负荷(DCj，DHj，DEj，DGj)；
(4)根据各类型建筑的全年逐时冷、热、电、气负荷特性系数(Ncij，Nhij，Neij，Ngij)，计算不同类型建筑的全年逐时冷、热、电、气负荷，考虑区域内建筑的同时使用系数ψi，即可计算能源站全年冷、热、电、气逐时负荷(YCj，YHj，YEj，YGj)，用于指导能源站的工况分析和方案比对。
冷热电气设计负荷指标、设计日冷热电气负荷特性及系数和全年逐时冷热电气负荷特性及系数使用计算公式如下：
低碳园区总设计冷负荷：Cd＝∑ψi×CZi×Si，
低碳园区总设计热负荷：Hd＝∑ψi×HZi×Si，
低碳园区总设计电负荷：Ed＝∑ψi×EZi×Si，
其中，Cd为能源站总设计冷负荷，Czi为i类建筑的冷负荷设计指标，按数据库选取，Hd为能源站总设计热负荷，Hzi为i类建筑的热负荷设计指标，按数据库选取，Ed为能源站总设计电负荷，Ezi为i类建筑的电负荷设计指标，按数据库选取，Si为i类建筑的建筑面积，ψi为区域内同类建筑的同时使用率。
能源站设计日总逐时冷、热、电、气负荷计算公式：
能源站设计日j时刻总冷负荷：DCj＝∑ψi×CZi×Si×Ucij，
能源站设计日j时刻总热负荷：DHj＝∑ψi×HZi×Si×Uhij，
能源站设计日j时刻总电负荷：DEj＝∑ψi×EZi×Si×Ueij，
能源站设计日j时刻总气负荷：DEj＝∑ψi×EZi×Si×Ueij，
其中，DCj为能源站设计日j时刻总冷负荷，Ucij为j时刻i类建筑冷负荷特性系数，按数据库选取，DHj为能源站设计日j时刻总冷负荷，Uhij为j时刻i类建筑热负荷特性系数，按数据库选取，DEj为能源站设计日j时刻总电负荷，Ueij为j时刻i类建筑电负荷特性系数，按数据库选取。
能源站全年逐时总冷、热、电负荷计算公式：
能源站全年j时刻总冷负荷：YCj＝∑ψi×CZi×Si×Ncij，
能源站全年j时刻总热负荷：YHj＝∑ψi×HZi×Si×Nhij，
能源站全年j时刻总电负荷：YEj＝∑ψi×EZi×Si×Neij，
其中，YCj为能源站设计日j时刻总冷负荷，Ncij为j时刻i类建筑冷负荷特性系数，按数据库选取，YHj为能源站设计日j时刻总冷负荷，Nhij为j时刻i类建筑热负荷特性系数，按数据库选取，YEj为能源站设计日j时刻总电负荷，Neij为j时刻i类建筑电负荷特性系数，按数据库选取。
实施例2
本发明提供了一种基于典型数据库的低碳园区冷热电气负荷预测方法，为了验证本发明的有益效果，通过仿真实验进行科学论证。
假定北京某能源站所供应的总建筑面积S为89.26万平方米，其中住宅建筑面积S1为18.91万平方米(均为高层住宅)；办公类建筑面积S2为47.91万平方米(均为商务办公楼)；教育类建筑面积S3为0.52万平方米；商场类建筑面积S4为13.12万平方米；医疗设施建筑面积S5为4.27万平方米；酒店类建筑面积S6为4.52万平方米(均为商务酒店)。
本实施例地区为北京，住宅、办公、教育、商场、医院、酒店建筑的同时使用率ψi参照表1常规设计的经验值进行选取，分别为0.6、0.75、0.65、0.9、0.6、0.85；不同建筑的冷热电负荷设计指标(Czi，Hzi，Ezi)由数据库信息可查得如表所示；案例中S1＝189100，S2＝479100，S3＝5200，S4＝131200，S5＝42700，S6＝45200，将以上数据代入公式中：
表1各类型建筑同时使用系数经验值
(1)设计负荷指标计算
能源站总设计冷负荷：
Cd＝∑ψi×CZi×Si
＝ψ住宅×CZ1×S1+ψ办公×CZ2×S2+ψ学校×CZ3×S3+ψ商场×CZ4×S4+ψ医院×CZ5×S5+ψ酒店×CZ6×S6
＝4330.77+44157.45+161.29+15068.19+2485.40+3462.03
＝69665.12(kW)
能源站总设计热负荷：
Hd＝∑ψi×HZi×Si
＝ψ住宅×HZ1×S1+ψ办公×HZ2×S2+ψ学校×HZ3×S3+ψ商场×HZ4×S4+ψ医院×HZ5×S5+ψ酒店×HZ6×S6
＝3562.64+22986.02+235.52+8639.91+1755.23+2431.99
＝39611.31(kW)
能源站总设计电负荷：
Ed＝∑ψi×EZi×Si
＝ψ住宅×EZ1×S1+ψ办公×EZ2×S2+ψ学校×EZ3×S3+ψ商场×EZ4×S4+ψ医院×EZ5×S5+ψ酒店×EZ6×S6
＝2335.01+22993.21+97.01+6976.17+1552.32+1356.61
＝35310.31(kW)
由此可得该能源站冷热电设计负荷，计算结果见下表：
表2能源站冷热电总设计负荷
(2)设计日逐时负荷计算
北京地区住宅、办公、教育、商场、医院、酒店建筑的同时使用率ψ参照表8-1常规设计的经验值进行选取，分别为0.6、0.75、0.65、0.9、0.6、0.85；不同类型建筑设计日负荷特性系数(Ucij，Uhij，Ueij)见附录B，如表8-3所示；案例中S1＝189100，S2＝479100，S3＝5200，S4＝131200，S5＝42700，S6＝45200，将以上数据代入公式中：
能源站设计日j时刻总冷负荷DCj＝∑ψi×CZi×Si×Ucij(kW)；
能源站设计日j时刻总热负荷DHj＝∑ψi×HZi×Si×Uhij(kW)；
能源站设计日j时刻总电负荷DEj＝∑ψi×EZi×Si×Ueij(kW)；
表3能源站设计日逐时冷负荷特性系数
由此可以计算出该能源站整体设计日逐时冷热电负荷，其中设计日逐时冷负荷详细计算结果见下表，设计日逐时热负荷、电负荷的算法同上。
表4能源站设计日逐时冷负荷
实施例3
参照图2-8，为本发明的一个实施例，提供了一种基于典型数据库的低碳园区冷热电气负荷预测方法，为了验证本发明的有益效果，基于实际案例对预测结果与现场实测结果进行数据对比分析验证。
实际案例为某综合体医院项目，本项目建筑面积为10.33万㎡，建筑门诊楼每天运行时间为：7:30～18:00，项目采用地埋管地源热泵系统加冷却塔的方式满足该项目全年供暖空调需求。
本实际案例项目于2020年1月5日开展了冬季供暖系统能效测试、2019年7月23日开展了夏季供冷系统能效测试。
实际案例采用基于典型数据库的负荷预测方法，基于项目建筑面积10.33万平方米，乘以数据库中当地医院建筑的负荷设计指标、建筑负荷特性系数，得出7月23日和1月5日的逐时负荷预测结果。
通过将数据库模拟预测数据和现场实测数据进行对比，一方面验证本发明方法的预测准确性，另一方面验证该方法的可复制推广性。
(1)典型测试时段数据对比
在7月23日，地源热泵系统制冷量和耗电量的变化如图2和图3所示。从图中可以看出，实测制冷量和模拟数据库预测制冷量变化趋势基本一致，且系统耗电量和变化趋势也基本一致。
从图4可见，根据现场实测数据和模拟数据库预测计算结果对比分析，夏季工况下，2019年7月23-24日测试时段内，地源热泵系统制冷能效系数(EER)为4.92。系统模拟计算的同等时段内，地源热泵系统制冷能效系数(EER)为4.88。截取有效测试时间内，系统测试和模拟计算差异较小、且变化趋势一致。
从图5可见，根据现场实测数据和模拟计算结果对比分析，冬季工况下，2020年1月4-7日测试时段内，地源热泵系统制热能效系数(EER)为3.74。系统模拟计算的同等时段内，地源热泵系统制热能效系数(EER)为3.69。截取有效测试时间内，系统测试和模拟计算差异较小、且变化趋势一致。
(2)典型周时段数据对比
现场测试持续了2d，为进行更长时间周期的系统分析，将现场监测系统中记录的7月23日至29日完整的一周运行数据通过与测试数据校准后进行分析。在系统运行一周时间段内，项目实际运行耗电量为44150.4kW﹒h，模拟计算耗电量为40817.04kW﹒h，实测与模拟计算结果趋势较接近，差异较小，误差为7.55％，本项目实际运行情况和模拟仿真情况一致性较高，达到设计预期，如图6所示。
(3)全年时段数据对比
课题组首先将示范项目现场监控系统中的全年运行记录数据导出，同时利用本课题的模拟数据库预测完成示范项目全年逐时负荷(冷热供能量)模拟计算，对比结果如图7～8所示。
通过全年预测计算结果和现场系统全年监测运行数据对比可知，实测系统累计制热量为563.42万kWh、实测系统累计制冷量为626.83万kWh，模拟预测系统累计制热量为522.46万kWh、模拟预测系统累计制热量为570.92万kWh，二者全年供能量的差异在8％左右，且变化趋势基本一致。
通过全年模拟预测计算结果和现场系统全年监测运行数据对比可知，系统监测全年累计耗电量为318.09万kWh，系统模拟全年累计耗电量为298.94万kWh，二者全年耗电量的差异约为7％，且整体变化趋势基本一致。
根据本项目验证结果可知，本发明提出的基于数据库的负荷预测方法能够准确完成建筑负荷预测，预测结果和实际运行结果的差异在7％，且逐时负荷变化趋势一致，方法准确性高；本发明提出的方法节省了模型建模、预测计算、数据分析的大量工作，采用简单的数据库调用计算即可实现逐时负荷预测，显著降低了负荷预测难度，具有较好的复制推广价值。
应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。
Claims (10)
1.一种基于典型数据库的低碳园区冷热电气负荷预测方法，其特征在于，包括：
西南边跨境地区典型城市中典型建筑负荷模拟仿真；
基于低碳园区动态发展目标的典型动态负荷模拟数据低碳特性相似性研究；
基于边跨境季节性-迁移性特征的仿真数据学习修正融合；
构建典型负荷数据库，并提出一种基于典型数据库提取特性系数的动态负荷预测方法。
2.如权利要求1所述的基于典型数据库的低碳园区冷热电气负荷预测方法，其特征在于：所述建筑负荷模拟仿真包括：基于建筑和能源系统动态模拟仿真软件，针对西南边跨境地区典型城市，建立与当地办公、酒店、住宅、医院建筑形式基本相同的建筑负荷仿真模型，利用西南边跨境城市典型建筑的围护参数及实际负荷系统运行参数，对典型建筑围护结构做法、门窗热工性能、遮阳做法、人员密度、照明和室内设备密度、新风和空调系统、使用时间表进行设置，计算出各典型城市中典型建筑全年逐时冷热电气负荷值，得到了典型建筑基础负荷模拟仿真数据。
3.如权利要求1所述的基于典型数据库的低碳园区冷热电气负荷预测方法，其特征在于：所述低碳特性相似性研究包括：
基于不同建设时期、发展水平下的低碳园区减碳目标，完成典型低碳园区典型建筑动态仿真，得到典型低碳建筑的负荷数据H＝(h1，…，hm)与典型建筑负荷模拟数据R＝(r1，…，rn)；
通过欧几里得距离计算两个序列元素之间的距离d(i,j)，同时利用这些距离构造一个m×n维的距离矩阵，在此过程中，两个序列元素之间是一对多的非线性对应关系：
确定规整路径，H序列和R序列的规整路径wHR表示为：
wHR＝((h1,r1),…,(hi,rj),…,(hm,rn))
其中1<i≤m,1<j≤n；
计算累积距离，选择累积距离最小的路径作为最优路径，将总累积距离用于分析两个序列的相似度，该相似度与计算的总距离成反比：
当从距离矩阵中(i-1,j-1)点去(i-1,j)点或(i,j-1)-到(i,j)点时，设路径方向为横向或竖向的距离为d(i,j)，方向为斜对角线的距离为2d(i,j)；s(i,j)表示两个序列都是从起点依次对齐到序列H的第i个点和序列R的第j个点的累计距离。
4.如权利要求1所述的基于典型数据库的低碳园区冷热电气负荷预测方法，其特征在于：所述仿真数据学习修正融合方法是：采用动态模拟仿真手段对西南边跨境地区不同季节和区域的负荷进行模拟，引入蒙特卡洛方法完成负边跨境区域人群和产业的季节性和迁移性负荷变化特征影响因子的权重确定，利用负荷迁移动态特性对典型动态负荷模拟数据进行训练和特征融合，得到训练后的计算数据序列P＝(p(1),…,p(m))。
5.如权利要求4所述的基于典型数据库的低碳园区冷热电气负荷预测方法，其特征在于：对季节性-迁移性负荷数据预处理，分为偏自相关函数PACF分析、滑动窗口处理和标准化三步，PACF分析用于确定数据的特征维度，滑动窗口处理用于将数据变为有监督形式，数据处理过程如下：
首先，对于计算数据序列P＝(p(1),…,p(m))，开展数据中p(i),p(i-m)的偏自相关关系进行分析，计算数据的自协方差r(m)，
其次，计算数据间的自协方差函数ρm，并将第一个超过PACF设定值的样本序号n作为预测数据的长度：
然后，利用滑动窗口算法切割季节迁移性负荷数据集，将数据转为由特征和标签组成的有监督形式；设滑动窗口的大小为N(N＝n+1)，即用前n个季节迁移性负荷数据预测第n+1个样本值；经过滑动窗口处理后，数据集数量变为M-N+1，格式为{(x1,…,xn+1),…,(xn+1,…,x2n+1),…}；
最后，利用Min-Max Normalization标准化线性函数归一化方法主要对在边缘收集的数据进行标准化，其原理是将数据Z中的每个初始值通过线性化均值转换为0到1范围内的值；Min-Max Normalization方法的计算公式如下，其中Znorm表示标准线性归一后的数据，Zmin表示数据中的最小值，Zmax表示数据中的最大值。
6.如权利要求4所述的基于典型数据库的低碳园区冷热电气负荷预测方法，其特征在于：所述利用负荷迁移动态特性对典型动态负荷模拟数据进行训练和特征融合具体过程为：
将预处理后的季节迁移性负荷送入神经网络，重置门rt控制前一状态有多少信息被写入到当前的候选集
上，用来控制需要保留多少之前的记忆；重置门越小，前一状态的信息被写入的越少，如果rt为0则表示
只保留当前序列的输入信息：
rt＝σ(Wr·[ht-1，xt]+br)
其中，ht-1表示上一时刻的输入，xt表示t时刻的输入，σ(·)代表函数运算，Wr和br分别代表该运算过程中的权重矩阵和偏置矩阵；
其中tan h(·)为函数运算，W和bt为计算过程中的权重矩阵和偏差矩阵；
然后，更新门zt用于控制前一时刻的状态信息被带入到当前状态中的程度，更新门的值越大说明前一时刻的状态信息带入越多；更新门的计算如下所示：
zt＝σ(Wz·[ht-1，xt]+bz)
其中，ht-1表示上一时刻的输入，xt表示t时刻的输入，σ(·)代表函数运算，Wz和bz分别代表该运算过程中的权重矩阵和偏置矩阵；
最后，得到当前序列的输出隐藏层信息ht，而GRU是没有输出门的；
在训练典型建筑负荷预测模型时，门的值、记忆单元和隐藏状态会循环更新，每个过程的权重矩阵和偏置矩阵都是随机初始化的；采用均方误差MSE作为损失函数来评估网络性能，MSE的计算如下：
其中，hi是第i个季节迁移性负荷数据，ri是第i个典型建筑负荷模拟数据，M表示训练数据量；
在网络训练过程中，选用Relu作为全连接层FCL的激活函数，然后采用Nadam算法优化网络的训练。
7.如权利要求1所述的基于典型数据库的低碳园区冷热电气负荷预测方法，其特征在于：所述构建典型负荷数据库并提出一种基于典型数据库提取特性系数的动态负荷预测方法是指：基于融合低碳特性和边跨境季节-迁移特性的典型负荷数据，构建西南边跨境区域典型城市中典型建筑负荷数据库；对各城市、各类型的典型建筑的动态负荷模拟数据库的冷热电气8760小时逐时负荷数据进行归一化处理，最大负荷归一为1.0、其余负荷值为相对最大负荷的小数，建立典型建筑全年逐时负荷系数数据库；提炼数据库中冷热电气最大设计负荷指标、设计日冷热电气负荷系数和全年逐时冷热电气负荷系数。
8.如权利要求7所述的基于典型数据库的低碳园区冷热电气负荷预测方法，其特征在于：所述冷热电气设计负荷指标计算公式为：
低碳园区总设计冷负荷：Cd＝∑ψi×CZi×Si，
低碳园区总设计热负荷：Hd＝∑ψi×HZi×Si，
低碳园区总设计电负荷：Ed＝∑ψi×EZi×Si，
其中，Cd为能源站总设计冷负荷，Czi为i类建筑的冷负荷设计指标，按数据库选取，Hd为能源站总设计热负荷，Hzi为i类建筑的热负荷设计指标，按数据库选取，Ed为能源站总设计电负荷，Ezi为i类建筑的电负荷设计指标，按数据库选取，Si为i类建筑的建筑面积，ψi为区域内同类建筑的同时使用率。
9.如权利要求7所述的基于典型数据库的低碳园区冷热电气负荷预测方法，其特征在于：所述能源站设计日总逐时冷、热、电、气负荷计算公式为：
能源站设计日j时刻总冷负荷：DCj＝∑ψi×CZi×Si×Ucij，
能源站设计日j时刻总热负荷：DHj＝∑ψi×HZi×Si×Uhij，
能源站设计日j时刻总电负荷：DEj＝∑ψi×EZi×Si×Ueij，
能源站设计日j时刻总气负荷：DEj＝∑ψi×EZi×Si×Ueij，
其中，DCj为能源站设计日j时刻总冷负荷，Ucij为j时刻i类建筑冷负荷特性系数，按数据库选取，DHj为能源站设计日j时刻总冷负荷，Uhij为j时刻i类建筑热负荷特性系数，按数据库选取，DEj为能源站设计日j时刻总电负荷，Ueij为j时刻i类建筑电负荷特性系数，按数据库选取。
10.如权利要求7所述的基于典型数据库的低碳园区冷热电气负荷预测方法，其特征在于：所述能源站全年逐时总冷、热、电负荷计算公式为：
能源站全年j时刻总冷负荷：YCj＝∑ψi×CZi×Si×Ncij，
能源站全年j时刻总热负荷：YHj＝∑ψi×HZi×Si×Nhij，
能源站全年j时刻总电负荷：YEj＝∑ψi×EZi×Si×Neij，
其中，YCj为能源站设计日j时刻总冷负荷，Ncij为j时刻i类建筑冷负荷特性系数，按数据库选取，YHj为能源站设计日j时刻总冷负荷，Nhij为j时刻i类建筑热负荷特性系数，按数据库选取，YEj为能源站设计日j时刻总电负荷，Neij为j时刻i类建筑电负荷特性系数，按数据库选取。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211267618.5A CN116205425A (zh) | 2022-10-17 | 2022-10-17 | 一种基于典型数据库的低碳园区冷热电气负荷预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211267618.5A CN116205425A (zh) | 2022-10-17 | 2022-10-17 | 一种基于典型数据库的低碳园区冷热电气负荷预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116205425A true CN116205425A (zh) | 2023-06-02 |
Family
ID=86508333
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211267618.5A Pending CN116205425A (zh) | 2022-10-17 | 2022-10-17 | 一种基于典型数据库的低碳园区冷热电气负荷预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116205425A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116596095A (zh) * | 2023-07-17 | 2023-08-15 | 华能山东发电有限公司众泰电厂 | 基于机器学习的碳排放量预测模型的训练方法及装置 |
| CN117370770A (zh) * | 2023-12-08 | 2024-01-09 | 江苏米特物联网科技有限公司 | 一种基于Shapelet-XGboost的酒店负荷综合预测方法 |
| CN117909928A (zh) * | 2024-03-19 | 2024-04-19 | 国网四川省电力公司成都供电公司 | 基于大数据分析的空调负荷预测方法及系统 |
| CN118503615A (zh) * | 2024-07-09 | 2024-08-16 | 中瑞恒（北京）科技有限公司 | 一种基于大数据库的建筑全年逐时负荷估算方法及系统 |
| CN118656907A (zh) * | 2024-08-21 | 2024-09-17 | 国网（天津）综合能源服务有限公司 | 基于仿真数据与元学习方法的建筑热负荷小样本预测方法 |
-
2022
- 2022-10-17 CN CN202211267618.5A patent/CN116205425A/zh active Pending
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116596095A (zh) * | 2023-07-17 | 2023-08-15 | 华能山东发电有限公司众泰电厂 | 基于机器学习的碳排放量预测模型的训练方法及装置 |
| CN116596095B (zh) * | 2023-07-17 | 2023-11-07 | 华能山东泰丰新能源有限公司 | 基于机器学习的碳排放量预测模型的训练方法及装置 |
| CN117370770A (zh) * | 2023-12-08 | 2024-01-09 | 江苏米特物联网科技有限公司 | 一种基于Shapelet-XGboost的酒店负荷综合预测方法 |
| CN117370770B (zh) * | 2023-12-08 | 2024-02-13 | 江苏米特物联网科技有限公司 | 一种基于Shapelet-XGboost的酒店负荷综合预测方法 |
| CN117909928A (zh) * | 2024-03-19 | 2024-04-19 | 国网四川省电力公司成都供电公司 | 基于大数据分析的空调负荷预测方法及系统 |
| CN117909928B (zh) * | 2024-03-19 | 2024-05-28 | 国网四川省电力公司成都供电公司 | 基于大数据分析的空调负荷预测方法及系统 |
| CN118503615A (zh) * | 2024-07-09 | 2024-08-16 | 中瑞恒（北京）科技有限公司 | 一种基于大数据库的建筑全年逐时负荷估算方法及系统 |
| CN118656907A (zh) * | 2024-08-21 | 2024-09-17 | 国网（天津）综合能源服务有限公司 | 基于仿真数据与元学习方法的建筑热负荷小样本预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Bre et al. | A computational multi-objective optimization method to improve energy efficiency and thermal comfort in dwellings | |
| Zhao et al. | Digital‐Twin‐Based Evaluation of Nearly Zero‐Energy Building for Existing Buildings Based on Scan‐to‐BIM | |
| Escandón et al. | Thermal comfort prediction in a building category: Artificial neural network generation from calibrated models for a social housing stock in southern Europe | |
| Liu et al. | Impact of urban form on building energy consumption and solar energy potential: A case study of residential blocks in Jianhu, China | |
| Deng et al. | AutoBPS: A tool for urban building energy modeling to support energy efficiency improvement at city-scale | |
| CN116205425A (zh) | 一种基于典型数据库的低碳园区冷热电气负荷预测方法 | |
| Wang et al. | From simulation to data-driven approach: A framework of integrating urban morphology to low-energy urban design | |
| Hong et al. | Correlation between building characteristics and associated energy consumption: Prototyping low-rise office buildings in Shanghai | |
| Etemad et al. | Data-driven performance analysis of a residential building applying artificial neural network (ANN) and multi-objective genetic algorithm (GA) | |
| Kim et al. | Sequence-to-sequence deep learning model for building energy consumption prediction with dynamic simulation modeling | |
| Yue et al. | A metamodel-based multi-objective optimization method to balance thermal comfort and energy efficiency in a campus gymnasium | |
| Han et al. | Energy efficient building envelope using novel RBF neural network integrated affinity propagation | |
| Li et al. | Robust optimal design of zero/low energy buildings considering uncertainties and the impacts of objective functions | |
| Chen et al. | A rapid evaluation method for design strategies of high-rise office buildings achieving nearly zero energy in Guangzhou | |
| Alawode et al. | Feasibility of net zero energy high rise apartment buildings in Australia | |
| An et al. | Chinese prototype building models for simulating the energy performance of the nationwide building stock | |
| Wu et al. | Novel approach to typical air-conditioning behavior pattern extraction based on large-scale VRF system online monitoring data | |
| Song et al. | Framework on low-carbon retrofit of rural residential buildings in arid areas of northwest China: A case study of Turpan residential buildings | |
| Wang et al. | Uncertainty modeling method of weather elements based on deep learning for robust solar energy generation of building | |
| Lim et al. | Prediction model of Cooling Load considering time-lag for preemptive action in buildings | |
| Qu et al. | Optimal design of building integrated energy systems by combining two-phase optimization and a data-driven model | |
| Liu et al. | Fast prediction model of three-dimensional temperature field of commercial complex for entrance-atrium temperature regulation | |
| Peng et al. | Investigation on spatial distributions and occupant schedules of typical residential districts in South China's Pearl River Delta | |
| Aghamolaei | Evaluation of supply and demand in building energy performance: application of retrofit scenarios in residential building | |
| Jayalath et al. | Thermally comfortable energy efficient affordable houses: A review |
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 |