CN116738856A - 一种用于建筑能耗预测方法和系统 - Google Patents
一种用于建筑能耗预测方法和系统 Download PDFInfo
- Publication number
- CN116738856A CN116738856A CN202310765268.3A CN202310765268A CN116738856A CN 116738856 A CN116738856 A CN 116738856A CN 202310765268 A CN202310765268 A CN 202310765268A CN 116738856 A CN116738856 A CN 116738856A
- Authority
- CN
- China
- Prior art keywords
- energy consumption
- building
- prediction
- building energy
- data
- 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.)
- Granted
Links
- 238000005265 energy consumption Methods 0.000 title claims abstract description 248
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000004458 analytical method Methods 0.000 claims abstract description 11
- 238000012937 correction Methods 0.000 claims abstract description 4
- 238000012795 verification Methods 0.000 claims abstract description 4
- 238000005065 mining Methods 0.000 claims description 17
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 238000012417 linear regression Methods 0.000 claims description 9
- 238000007405 data analysis Methods 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 5
- 238000005286 illumination Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000012353 t test Methods 0.000 claims description 4
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000010438 heat treatment Methods 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 3
- 238000012732 spatial analysis Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000012098 association analyses Methods 0.000 claims description 2
- 238000007619 statistical method Methods 0.000 abstract description 4
- 230000000694 effects Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 238000001134 F-test Methods 0.000 description 2
- 238000000692 Student's t-test Methods 0.000 description 2
- 238000009412 basement excavation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 239000007789 gas Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000005431 greenhouse gas Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/27—Regression, e.g. linear or logistic regression
-
- 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
Abstract
本发明涉及一种用于建筑能耗预测方法和系统,属于建筑能耗预测技术领域。包括以下步骤:S1、建筑能耗类型和影响因素挖掘:选取建筑能耗的类型和相关的影响因素;S2、影响因素关联度分析:挖掘每项建筑能耗类型与影响因素之间的关联关系;S3、能耗数据采集:进行能耗数据采集并生成能耗数据报告;S4、建筑能耗预测:建立能耗预测模型;S5、模型验证与修正:将预测结果与能耗数据报告进行对比进行调整能耗预测模型;S6、调整影响因素:根据预测结果重新修订影响因素关联度分析。本发明通过分析影响建筑能耗的相关因素之间复杂关系的基础上利用统计学方法构建了能耗预测模型,使得预测模型具有更高的预测精度。
Description
技术领域
本发明属于建筑能耗预测技术领域,具体涉及一种用于建筑能耗预测方法和系统。
背景技术
随着人们对全球气候变化、资源枯竭、能源短缺、环境恶化、温室气体排放增加等问题认识的加深,当前的能源消耗趋势得到了人们越来越多的关注。已有的数据表明,建筑行业的能源消耗占全球最终能源消耗已超过三分之一。为了降低建筑能耗增加带来的环境和经济负担,需要一系列节能措施来提高建筑的能源效率,实现节能建筑。
节能措施都需要准确可靠的建筑能耗预测提供支持,建筑能耗预测也可以对节能措施的节能潜力进行量化和比较。然而建筑能耗系统作为一个典型的具有多变量、强耦合和不确定特性的复杂动态系统,建立其精确的预测模型仍然面临很大的困难,如人为活动造成的能耗波动以及气象条件和节能指标等多种影响因素之间的复杂关系,往往导致构建的预测模型无法综合考虑各因素之间相关性问题,从而使得预测模型预测精度较低,可靠性较差。
发明内容
为解决现有技术中存在的上述问题,本发明提供了一种用于建筑能耗预测方法和系统,通过分析影响建筑能耗的相关因素之间复杂关系的基础上利用统计学方法构建了能耗预测模型,使得预测模型具有更高的预测精度,能够更好地反映建筑能耗与影响因素之间的关系。
本发明的目的可以通过以下技术方案实现:
本发明提供了一种用于建筑能耗预测方法,包括以下步骤:
S1、建筑能耗类型和影响因素挖掘:根据建筑能耗历史数据通过建筑使用功能的分类,选取建筑能耗的类型,挖掘相关的影响因素;
S2、影响因素关联度分析:通过关联规则算法挖掘每项建筑能耗类型与影响因素之间的关联关系,选择对每项建筑能耗类型影响较大的因素并生成能耗波动因素;
S3、能耗数据采集:通过对建筑能耗进行区域和空间分析,设置能耗数据采集设备进行能耗数据采集并生成能耗数据报告;
S4、建筑能耗预测:根据获取的能耗因素数据,建立能耗预测模型,对未来一段时间内的建筑能耗进行预测;
S5、模型验证与修正:将预测结果与能耗数据报告进行对比,计算出两者之间的误差或偏差,通过分析误差原因通过修正影响因素调整能耗预测模型;
S6、调整影响因素:根据预测结果重新修订影响因素关联度分析,选择最佳的预测模型重新输出预测结果。
进一步地,所述步骤S1中,选取建筑能耗的类型包括:采暖能耗、空调能耗、照明能耗、办公设备能耗、水电能耗、电梯设备能耗和应急电源能耗。
进一步地,所述步骤S1中,挖掘的相关影响因素包括:气象条件、建筑结构性能、人员密度、设施效率、室内温湿度控制、照明行为、用能管理条例、能源价格和设施故障状况。
进一步地,所述步骤S2中,影响因素关联度分析,具体包括以下步骤:
S21、数据预处理:对建筑能耗历史数据进行清洗、归一化和离散化等预处理操作,按照建筑能耗类型和影响因素归类数据;
S22、生成强关联规则:利用关联规则挖掘算法挖掘同一时间段内出现频率较高的组合模式和关联关系;
S23、筛选建筑能耗类型对应的影响因素:通过计算置信度和支持度筛选出强关联规则,根据强关联规则挖掘的结果选择每项建筑能耗类型影响较大的因素。
进一步地,所述步骤S3中,能耗数据报告具体为收集建筑的实际用能数据,包括能源的用量、用途和时间段信息,并匹配有对应的影响因素。
进一步地,所述步骤S4中,建筑能耗预测,具体的包括以下步骤:
S41、建立能耗预测模型:根据能耗因素数据构建多元线性回归模型;
S42、确定模型参数:根据建筑类型能耗和影响因素相关数据运用回归拟合确定有每项类型建筑能耗预测的模型参数;
S43、选择最佳模型:在模型迭代求解的过程中,当赤池信息值达到最小值时模型拟合最佳,选择该次迭代结果,确定最佳模型;
S44、建筑能耗预测:根据建立的能耗预测模型分别预测每项建筑能耗类型的能耗,再通过整合获取整体建筑能耗。
进一步地,所述步骤S43中,选择最佳模型还包括显著性进行检验,对于多元线性回归模型进行F检验和t检验,对于每项类型的建筑能耗预测模型去除不显著的自变量,进一步规整预测模型。
本发明还提供了一种用于建筑能耗预测系统,应用于上述的一种用于建筑能耗预测方法,包括数据分析单元、数据采集单元和建筑能耗预测单元,其中:
所述数据分析单元,用于挖掘建筑能耗的影响因素并进行建筑能耗类型和影响因素之间关联关系的分析;所述数据采集单元,用于采集建筑实际的用能数据并生成能耗数据报告;所述建筑能耗预测单元,用于构建建筑能耗预测模型,并通过预测模型预测未来时间段的建筑能耗。
作为本发明的一种优选技术方案,所述建筑能耗预测单元,还用于通过能耗数据报告进行预测模型的验证与修正。
本发明的有益效果为:
(1)首先通过关联规则算法挖掘每项建筑能耗类型与影响因素之间的关联关系,选择对每项建筑能耗类型影响较大的因素作为能耗预测模型的输入变量,然后构建建筑能耗的多元线性回归模型,最后通过实际采集的能耗数据对模型的准确性进行检验和修正,该能耗预测模型具有更高的预测精度,能够更好地反映建筑能耗与影响因素之间的关系。
(2)通过分析影响建筑能耗的相关因素之间复杂关系的基础上利用统计学方法构建了能耗预测模型,其计算过程简单、快速,可以在短时间内构建出完整模型,获取建筑的预测能耗,同时可以直观地展示各个影响因素的作用,具有较好的可解释性。
附图说明
为了便于本领域技术人员理解,下面结合附图对本发明作进一步的说明。
图1为本发明建筑能耗预测方法的步骤示意图。
具体实施方式
为更进一步阐述本发明为实现预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明的具体实施方式、结构、特征及其功效,详细说明如下。
请参阅图1,一种用于建筑能耗预测方法,包括以下步骤:
S1、建筑能耗类型和影响因素挖掘:根据建筑能耗历史数据通过建筑使用功能的分类,选取建筑能耗的类型,挖掘相关的影响因素。
可理解的是,由于不同类型的建筑在使用上存在明显的差异,因此能耗的相关影响因素也会有所不同,如机房和办公室的能耗规律存在很大区别。通过分层次、精细化地分类后对影响因素进行挖掘,可以更加准确地把握到影响因素。
需说明的是,按照使用功能分类的建筑类型一般包括住宅、商业、办公、教育、医疗、文化、体育、旅游和娱乐等。具体的,对于实际的建筑能耗分析需具体对应其功能特点,如机房的能耗类型主要包括IT设备和空调能耗。
本实施例中,在普遍化的建筑能耗类型上增加一些特有的能耗类型进行相关影响因素的挖掘,选取的建筑能耗类型包括:采暖能耗、空调能耗、照明能耗、办公设备能耗、水电能耗、电梯设备能耗和应急电源能耗等;对应选取的影响因素包括:气象条件、建筑结构性能、人员密度、设施效率、室内温湿度控制、照明行为、用能管理条例、能源价格和设施故障状况等。
需说明的是,上述基于建筑用途不同的能耗类型选取相关的影响因素是为了挖掘更多的建筑能耗的影响因素,在普遍应用的影响因素的基础上添加不同建筑功能影响该建筑能耗的影响因素,如机房的不间断电源系统在基础设施(如变压器)故障或者负载突然增加而增加的能耗。
S2、影响因素关联度分析:通过关联规则算法挖掘每项建筑能耗类型与影响因素之间的关联关系,选择对每项建筑能耗类型影响较大的因素并生成能耗波动因素。具体的,包括以下步骤:
S21、数据预处理:对建筑能耗历史数据进行清洗、归一化和离散化等预处理操作,按照建筑能耗类型和影响因素归类数据。
S22、生成强关联规则:利用关联规则挖掘算法挖掘同一时间段内出现频率较高的组合模式和关联关系,例如同时出现空调使用和人流量高峰的情况或者室内外温差较大的情况等。
需说明的是,本实施例中将每项建筑能耗类型作为关联规则挖掘的频繁项集,影响因素作为对应的非空子集,通过关联规则挖掘算法(如Apriori算法和FP-Growth算法等)形成建筑能耗类型与影响因素的强关联规则。
S23、筛选建筑能耗类型对应的影响因素:计算置信度和支持度等指标筛选出强关联规则,根据强关联规则挖掘的结果选择每项建筑能耗类型影响较大的因素。
需说明的是,关联规则是形如的蕴含式,其中/> X和Y是不同的项集且非空。/>表示在一次事务中如果前件X出现,那么后件Y会有一定概率出现。置信度(Confidence):假设有关联规则/>置信度/>表示在前件发生的条件下后件发生的概率,是一个条件概率;支持度(Support):假设有关联规则/>支持度/>表示某项集X∪Y在事务数据库中出现的可能性。
S3、能耗数据采集:通过对建筑能耗进行区域和空间分析,设置能耗数据采集设备进行能耗数据采集并生成能耗数据报告。
可理解的是,能耗数据报告具体为收集建筑的实际用能数据,包括电、水、气等能源的用量、用途、时间段等信息,并对应匹配有气候和环境等影响因素。
需说明的是,建筑能耗区域和空间分析可通过能耗水平划分为不同的区域层次获取能耗情况或者通过将该建筑的能耗历史数据绘制成热力图或等高线图以显示不同区域或楼层之间的能耗差异。
可理解的是,能耗数据采集设备包括计量器和传感器,其中计量器用于测量和记录建筑各种能耗数据,如电、水和气等;传感器用于监测建筑内部的温度、湿度、光照、二氧化碳浓度等参数。
S4、建筑能耗预测:根据获取的能耗因素数据,建立能耗预测模型,对未来一段时间内的建筑能耗进行预测,包括总体趋势和具体数值。具体的包括以下步骤:
S41、建立能耗预测模型:根据能耗因素数据构建多元线性回归模型:
Yt=β+β1x1t+β2x2t+…+βnxnt+εt;
其中,Yt为每项类型的建筑能耗,β1...βn是影响因素的回归系数,x1…xn为各个影响因素,εt是一系列服从标准正态分布的干扰项,β为常数。
S42、确定模型参数:根据建筑类型能耗和影响因素相关数据运用回归拟合确定有每项类型建筑能耗预测的模型参数。
S43、选择最佳模型:在模型迭代求解的过程中,当赤池信息值达到最小值时模型拟合最佳,选择该次迭代结果,确定最佳模型。
S44、显著性进行检验:对于多元线性回归模型进行F检验和t检验,对于每项类型的建筑能耗预测模型去除不显著的自变量,进一步规整预测模型。其中,F检验确定因变量和自变量之间的线性关系是否总体显著,t检验确定每一个自变量和因变量是否都显著。
S45、建筑能耗预测:根据建立的能耗预测模型分别预测每项建筑能耗类型的能耗,再通过整合获取整体建筑能耗。
S5、模型验证与修正:将预测结果与能耗数据报告进行对比,计算出两者之间的误差或偏差,通过分析误差原因通过修正影响因素调整能耗预测模型,以提高预测的准确性。
S6、调整影响因素:根据预测结果重新修订影响因素关联度分析,选择最佳的预测模型重新输出预测结果。
可理解的是,影响因素经过筛选后可能并不全面,会忽略一些重要的因素,从而影响预测模型的准确性,同时为避免导致模型过拟合风险,则需要重新调整影响因素,尽可能包含更多的有意义的变量和信息,同时避免出现不必要的冗余变量。经过影响因素的再次调整,与步骤S2形成局部闭环,提高预测模型的预测准确性和实用性。
本发明还提供了一种用于建筑能耗预测系统,包括数据分析单元、数据采集单元和建筑能耗预测单元,其中:
所述数据分析单元,用于挖掘建筑能耗的影响因素并进行建筑能耗类型和影响因素之间关联关系的分析。可理解的是,数据分析单元通过利用建筑能耗的历史数据进行影响因素的挖掘。
所述数据采集单元,用于采集建筑实际的用能数据并生成能耗数据报告。可理解的是,用能数据的采集通过计量器和传感器等设备完成。
所述建筑能耗预测单元,用于构建建筑能耗预测模型,并通过预测模型预测未来时间段的建筑能耗。同时建筑能耗预测单元还用于通过能耗数据报告进行预测模型的验证与修正。
本发明基于强关联规则的多元线性回归模型,能够把影响建筑能耗的主要因素结合起来预测建筑能耗的发展趋势。首先通过关联规则算法挖掘每项建筑能耗类型与影响因素之间的关联关系,选择对每项建筑能耗类型影响较大的因素作为能耗预测模型的输入变量,然后构建建筑能耗的多元线性回归模型,最后通过实际采集的能耗数据对模型的准确性进行检验和修正。
本发明在分析影响建筑能耗的相关因素之间复杂关系的基础上利用统计学方法构建了能耗预测模型,其计算过程简单、快速,可以在短时间内构建出完整模型,获取建筑的预测能耗,同时可以直观地展示各个影响因素的作用,具有较好的可解释性,有助于人们理解不同因素对建筑能源消耗的影响。
以上所述,仅是本发明的较佳实施例而已,并非对本发明作任何形式上的限制,虽然本发明已以较佳实施例揭示如上,然而并非用以限定本发明,任何本领域技术人员,在不脱离本发明技术方案范围内,当可利用上述揭示的技术内容做出些许更动或修饰为等同变化的等效实施例,但凡是未脱离本发明技术方案内容,依据本发明的技术实质对以上实施例所作的任何简介修改、等同变化与修饰,均仍属于本发明技术方案的范围内。
Claims (9)
1.一种用于建筑能耗预测方法,其特征在于:包括以下步骤:
S1、建筑能耗类型和影响因素挖掘:根据建筑能耗历史数据通过建筑使用功能的分类,选取建筑能耗的类型,挖掘相关的影响因素;
S2、影响因素关联度分析:通过关联规则算法挖掘每项建筑能耗类型与影响因素之间的关联关系,选择对每项建筑能耗类型影响较大的因素并生成能耗波动因素;
S3、能耗数据采集:通过对建筑能耗进行区域和空间分析,设置能耗数据采集设备进行能耗数据采集并生成能耗数据报告;
S4、建筑能耗预测:根据获取的能耗因素数据,建立能耗预测模型,对未来一段时间内的建筑能耗进行预测;
S5、模型验证与修正:将预测结果与能耗数据报告进行对比,计算出两者之间的误差或偏差,通过分析误差原因通过修正影响因素调整能耗预测模型;
S6、调整影响因素:根据预测结果重新修订影响因素关联度分析,选择最佳的预测模型重新输出预测结果。
2.根据权利要求1所述的一种用于建筑能耗预测方法,其特征在于:所述步骤S1中,选取建筑能耗的类型包括:采暖能耗、空调能耗、照明能耗、办公设备能耗、水电能耗、电梯设备能耗和应急电源能耗。
3.根据权利要求1所述的一种用于建筑能耗预测方法,其特征在于:所述步骤S1中,挖掘的相关影响因素包括:气象条件、建筑结构性能、人员密度、设施效率、室内温湿度控制、照明行为、用能管理条例、能源价格和设施故障状况。
4.根据权利要求1所述的一种用于建筑能耗预测方法,其特征在于:所述步骤S2中,影响因素关联度分析,具体包括以下步骤:
S21、数据预处理:对建筑能耗历史数据进行清洗、归一化和离散化操作,按照建筑能耗类型和影响因素归类数据;
S22、生成强关联规则:利用关联规则挖掘算法挖掘同一时间段内出现频率较高的组合模式和关联关系;
S23、筛选建筑能耗类型对应的影响因素:通过计算置信度和支持度筛选出强关联规则,根据强关联规则挖掘的结果选择每项建筑能耗类型影响较大的因素。
5.根据权利要求1所述的一种用于建筑能耗预测方法,其特征在于:所述步骤S3中,能耗数据报告具体为收集建筑的实际用能数据,包括能源的用量、用途和时间段信息,并匹配有对应的影响因素。
6.根据权利要求1所述的一种用于建筑能耗预测方法,其特征在于:所述步骤S4中,建筑能耗预测,具体的包括以下步骤:
S41、建立能耗预测模型:根据能耗因素数据构建多元线性回归模型;
S42、确定模型参数:根据建筑类型能耗和影响因素相关数据运用回归拟合确定有每项类型建筑能耗预测的模型参数;
S43、选择最佳模型:在模型迭代求解的过程中,当赤池信息值达到最小值时模型拟合最佳,选择迭代结果,确定最佳模型;
S44、建筑能耗预测:根据建立的能耗预测模型分别预测每项建筑能耗类型的能耗,再通过整合获取整体建筑能耗。
7.根据权利要求6所述的一种用于建筑能耗预测方法,其特征在于:所述步骤S43中,选择最佳模型还包括显著性进行检验,对于多元线性回归模型进行F检验和t检验,对于每项类型的建筑能耗预测模型去除不显著的自变量,进一步规整预测模型。
8.一种用于建筑能耗预测系统,应用于如权利要求1至7任一项所述的一种用于建筑能耗预测方法,其特征在于:包括数据分析单元、数据采集单元和建筑能耗预测单元,其中:
所述数据分析单元,用于挖掘建筑能耗的影响因素并进行建筑能耗类型和影响因素之间关联关系的分析;所述数据采集单元,用于采集建筑实际的用能数据并生成能耗数据报告;所述建筑能耗预测单元,用于构建建筑能耗预测模型,并通过预测模型预测未来时间段的建筑能耗。
9.根据权利要求8所述的一种用于建筑能耗预测系统,其特征在于:所述建筑能耗预测单元,还用于通过能耗数据报告进行预测模型的验证与修正。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310765268.3A CN116738856B (zh) | 2023-06-27 | 2023-06-27 | 一种用于建筑能耗预测方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310765268.3A CN116738856B (zh) | 2023-06-27 | 2023-06-27 | 一种用于建筑能耗预测方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116738856A true CN116738856A (zh) | 2023-09-12 |
CN116738856B CN116738856B (zh) | 2024-04-02 |
Family
ID=87913160
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310765268.3A Active CN116738856B (zh) | 2023-06-27 | 2023-06-27 | 一种用于建筑能耗预测方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116738856B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2014105989A (ja) * | 2012-11-28 | 2014-06-09 | Mitsubishi Electric Corp | 建物動力設備のエネルギー消費量予測方法 |
CN112884012A (zh) * | 2021-01-26 | 2021-06-01 | 山东历控能源有限公司 | 基于支持向量机原理的建筑能耗预测方法 |
CN113408659A (zh) * | 2021-07-15 | 2021-09-17 | 重庆大学 | 一种基于数据挖掘的建筑能耗集成分析方法 |
CN113837488A (zh) * | 2021-10-14 | 2021-12-24 | 南京国铁电气有限责任公司 | 能源消耗数据预测方法、系统、设备 |
WO2023005120A1 (zh) * | 2021-07-27 | 2023-02-02 | 上海上实龙创智能科技股份有限公司 | 楼宇能耗预测方法、装置、计算机设备和存储介质 |
-
2023
- 2023-06-27 CN CN202310765268.3A patent/CN116738856B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2014105989A (ja) * | 2012-11-28 | 2014-06-09 | Mitsubishi Electric Corp | 建物動力設備のエネルギー消費量予測方法 |
CN112884012A (zh) * | 2021-01-26 | 2021-06-01 | 山东历控能源有限公司 | 基于支持向量机原理的建筑能耗预测方法 |
CN113408659A (zh) * | 2021-07-15 | 2021-09-17 | 重庆大学 | 一种基于数据挖掘的建筑能耗集成分析方法 |
WO2023005120A1 (zh) * | 2021-07-27 | 2023-02-02 | 上海上实龙创智能科技股份有限公司 | 楼宇能耗预测方法、装置、计算机设备和存储介质 |
CN113837488A (zh) * | 2021-10-14 | 2021-12-24 | 南京国铁电气有限责任公司 | 能源消耗数据预测方法、系统、设备 |
Non-Patent Citations (4)
Title |
---|
刘倩 等: "长沙市商场建筑能耗影响因素与预测模型构建研究", 建筑科学, no. 12, pages 1 - 4 * |
刘菁 等: "办公建筑能耗影响因素与数据标准化分析", 暖通空调, no. 05, pages 1 - 3 * |
孙智超 等: "基于数据挖掘技术的建筑能耗分析集成方法", 计算机应用与软件, no. 11, pages 1 - 5 * |
张国琦 等: "基于回归模型的某高校能耗数据分析研究", 科技情报开发与经济, vol. 22, no. 22, pages 1 - 3 * |
Also Published As
Publication number | Publication date |
---|---|
CN116738856B (zh) | 2024-04-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Grillone et al. | A review of deterministic and data-driven methods to quantify energy efficiency savings and to predict retrofitting scenarios in buildings | |
Liu et al. | Energy consumption prediction and diagnosis of public buildings based on support vector machine learning: A case study in China | |
Chang et al. | Data and analytics for heating energy consumption of residential buildings: The case of a severe cold climate region of China | |
US9575475B2 (en) | Systems and methods for generating an energy usage model for a building | |
Harte et al. | The entropy score and its uses in earthquake forecasting | |
Yalcintas | An energy benchmarking model based on artificial neural network method with a case example for tropical climates | |
US20120158631A1 (en) | Analyzing inputs to an artificial neural network | |
Liu et al. | Energy-saving potential prediction models for large-scale building: A state-of-the-art review | |
CN111639823B (zh) | 一种基于特征集构建的建筑冷热负荷预测方法 | |
US20160041574A1 (en) | Consumer electric power control system and consumer electric power control method | |
CN101853290A (zh) | 基于地理信息系统的气象服务效益评估方法 | |
Qiu et al. | Data mining based framework to identify rule based operation strategies for buildings with power metering system | |
Chen et al. | An energy planning oriented method for analyzing spatial-temporal characteristics of electric loads for heating/cooling in district buildings with a case study of one university campus | |
Liu et al. | A data mining research on office building energy pattern based on time-series energy consumption data | |
CN108827386A (zh) | 一种建筑模型室内自然通风测试装置及测试方法 | |
De Jaeger et al. | A probabilistic building characterization method for district energy simulations | |
CN111486555A (zh) | 一种人工智能ai专家系统进行中央空调节能调控的方法 | |
de la Puente-Gil et al. | True power consumption labeling and mapping of the health system of the Castilla y León region in Spain by clustering techniques | |
Im et al. | Building energy use prediction owing to climate change: A case study of a university campus | |
CN110880055A (zh) | 楼宇智能电表系统 | |
CN115759393A (zh) | 基于集成学习的累积负荷基线预测方法 | |
CN115564125A (zh) | 一种区域碳达峰预测方法和系统、存储介质 | |
Lin et al. | Data-driven prediction of building energy consumption using an adaptive multi-model fusion approach | |
CN116738856B (zh) | 一种用于建筑能耗预测方法和系统 | |
Zhang et al. | A segmented evaluation model for building energy performance considering seasonal dynamic fluctuations |
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 |