CN108647817B - 一种能耗负荷的预测方法及预测*** - Google Patents
一种能耗负荷的预测方法及预测*** Download PDFInfo
- Publication number
- CN108647817B CN108647817B CN201810427462.XA CN201810427462A CN108647817B CN 108647817 B CN108647817 B CN 108647817B CN 201810427462 A CN201810427462 A CN 201810427462A CN 108647817 B CN108647817 B CN 108647817B
- Authority
- CN
- China
- Prior art keywords
- indoor
- energy consumption
- carbon dioxide
- dioxide concentration
- personnel number
- 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
- 238000005265 energy consumption Methods 0.000 title claims abstract description 142
- 238000000034 method Methods 0.000 title claims abstract description 61
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 claims abstract description 224
- 229910002092 carbon dioxide Inorganic materials 0.000 claims abstract description 120
- 239000001569 carbon dioxide Substances 0.000 claims abstract description 111
- 238000007476 Maximum Likelihood Methods 0.000 claims abstract description 52
- 238000005259 measurement Methods 0.000 claims abstract description 28
- 238000012549 training Methods 0.000 claims description 35
- 210000002569 neuron Anatomy 0.000 claims description 25
- 238000013528 artificial neural network Methods 0.000 claims description 20
- 239000006185 dispersion Substances 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 13
- 230000002441 reversible effect Effects 0.000 claims description 11
- 230000005855 radiation Effects 0.000 claims description 9
- 230000035515 penetration Effects 0.000 claims description 4
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 8
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 8
- 238000012360 testing method Methods 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000004378 air conditioning Methods 0.000 description 2
- 230000008595 infiltration Effects 0.000 description 2
- 238000001764 infiltration Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012847 principal component analysis method Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 210000004556 brain Anatomy 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
- 238000003066 decision tree Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000036039 immunity Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000009423 ventilation 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
- 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
- G06Q50/08—Construction
-
- 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
- Y02P90/84—Greenhouse gas [GHG] management systems
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明公开一种能耗负荷的预测方法及预测***。预测方法包括:获取室内二氧化碳浓度测量数据、室内新风量数据及二氧化碳浓度‑人员数量连续时间模型;根据室内二氧化碳浓度测量数据、室内新风量数据及二氧化碳浓度‑人员数量连续时间模型确定室内人员数量的最大似然估计数据;将室内人员数量的最大似然估计数据输入到能耗负荷动态预测模型中,得到动态能耗预测值。本发明根据室内二氧化碳浓度值及室内新风量,采用最大似然估计法间接确定了不同时刻的室内人数,然后根据动态的室内人员数量预测能耗负荷。由于本发明充分考虑了室内人员作息的特殊性和随机性对建筑能耗的波动性影响,因此能够动态预测能耗负荷,预测模型误差小,准确性高。
Description
技术领域
本发明涉及确定能耗负荷预测领域,特别是涉及一种能耗负荷的预测方法及预测***。
背景技术
目前,用于建筑能耗模拟与预测的模型多为传统的方法,如EnergyPlus,DeST,IES等建筑模拟能耗软件,以及回归分析法、自回归移动模型、RC网络的灰箱模型等。这些传统的能耗模拟方法基于详细的建筑围护建构热工参数、室外气象参数以及准确的人员行为模型才能构建。由于建筑能耗的复杂性以及室内人员行为的随机性,造成传统的计算方法在短期动态的实时预测中准确度低且运算时间长。而数据驱动模型例如人工神经网络、支持向量机、决策树、基因算法等,作为用于数据处理的通用算法,建立的“黑箱”数学模型可以消除传统的方法在处理非线性问题时的局限性,利用历史的能耗测量数据与环境监测数据反复训练数据驱动模型,得到输入参数与输出参数之间的准确映射,从而避免建立各变量参数间的复杂耦合关系,使得模型的动态能耗预报结果更加接近真实值。
在一系列的数据驱动模型中,人工神经网络(Artificial Neural Network,ANN)在建筑能耗管理中的应用尤为广泛。ANN模拟人脑神经***以神经元为节点形成层,采用某种网络拓扑结构传递信号的活动网络。它善于以任意精度迅速逼近复杂的非线性函数,具有较强的鲁棒性和容错性,以及对数据噪音的免疫力。
近些年来,许多学者对于人工神经网络动态负荷预测模型做了深入研究。目前已有的ANN动态负荷预测模型多以室外气象参数、过去时刻能耗、时间标记参数、室内人员作息等作为输入参数开展模拟,其中室内人员作息多为静态固定的简单描述,这些依据规范或个人经验假设的室内人员难以反映人员活动对建筑能耗的波动性影响,从而使负荷预测的准确性较低,误差较大。
发明内容
本发明的目的是提供一种能耗负荷的预测方法及预测***,所述预测方法及预测***充分考虑了室内人员作息的特殊性和随机性对建筑能耗的波动性影响,能够动态预测能耗负荷,预测模型误差小,准确性高。
为实现上述目的,本发明提供了如下方案:
一种能耗负荷的预测方法,所述预测方法包括:
获取室内二氧化碳浓度测量数据、室内新风量数据及二氧化碳浓度-人员数量连续时间模型;
根据所述室内二氧化碳浓度测量数据、所述室内新风量数据及所述二氧化碳浓度-人员数量连续时间模型确定室内人员数量的最大似然估计数据;
将所述室内人员数量的最大似然估计数据输入到能耗负荷动态预测模型中,得到动态能耗预测值;其中,所述能耗负荷动态预测模型的输入为所述室内人员数量的最大似然估计数据;所述能耗负荷动态预测模型的输出为能耗数据。
可选的,所述根据所述室内二氧化碳浓度测量数据、所述室内新风量数据及所述二氧化碳浓度-人员数量连续时间模型确定室内人员数量的最大似然估计数据,具体包括:
对所述二氧化碳浓度-人员数量连续时间模型进行反向欧拉差分处理,获得二氧化碳浓度-人员数量离散化模型;
根据所述室内二氧化碳浓度测量数据、所述室内新风量数据及所述二氧化碳浓度-人员数量离散化模型,采用最大似然估计方法确定室内人员数量的最大似然估计数据。
可选的,所述二氧化碳浓度-人员数量连续时间模型为:
其中,表示时刻t的室内二氧化碳浓度测量值,表示时刻t的室内新风量,表示时刻t的门窗缝隙渗入风量,V表示待测房间的容积,C(t)表示时刻t的室外二氧化碳浓度值,g表示待测房间内的人均二氧化碳产生量,O(t)表示时刻t的室内人员数量,e(t)表示均值是零、方差为常数的高斯白噪音。
可选的,所述二氧化碳浓度-人员数量离散化模型为:
其中,T表示数据采集时间步长,k表示时间离散时刻,表示时间离散时刻k对应的室内二氧化碳浓度测量值, 表示时间离散时刻k对应的室内新风量,表示时间离散时刻k对应的门窗缝隙渗入风量,C(k)表示时间离散时刻k对应的室外二氧化碳浓度值,O(k)时间离散时刻k对应的室内人员数量,e(k)表示均值是零、方差为常数的高斯白噪音。
可选的,所述能耗负荷动态预测模型的建立方法具体包括:
获取训练样本;所述训练样本包括多个样本对;每个样本对均包括一组输入和一个输出;所述输入为能耗环境参数集,所述能耗环境参数集包括室外温度、室外相对湿度、太阳辐射瞬时值、室外瞬时风速、室内湿度和室内人员数量;所述输出为所述能耗环境参数集对应的能耗量;
将所述训练样本输入前馈型神经网络进行训练,获得神经元的权值和阈值;根据所述神经元的权值和阈值确定能耗负荷动态预测模型。
一种能耗负荷的预测***,所述预测***包括:
输入量获取模块,用于获取室内二氧化碳浓度测量数据、室内新风量数据及二氧化碳浓度-人员数量连续时间模型;
人员数量估计模块,用于根据所述室内二氧化碳浓度测量数据、所述室内新风量数据及所述二氧化碳浓度-人员数量连续时间模型确定室内人员数量的最大似然估计数据;
动态能耗预测模块,用于将所述室内人员数量的最大似然估计数据输入到能耗负荷动态预测模型中,得到动态能耗预测值;其中,所述能耗负荷动态预测模型的输入为所述室内人员数量的最大似然估计数据;所述能耗负荷动态预测模型的输出为能耗数据。
可选的,所述人员数量估计模块具体包括:
反向欧拉差分处理单元,用于对所述二氧化碳浓度-人员数量连续时间模型进行反向欧拉差分处理,获得二氧化碳浓度-人员数量离散化模型;
人员数量确定单元,用于根据所述室内二氧化碳浓度测量数据、所述室内新风量数据及所述二氧化碳浓度-人员数量离散化模型,采用最大似然估计方法确定室内人员数量的最大似然估计数据。
可选的,所述二氧化碳浓度-人员数量连续时间模型为:
其中,表示时刻t的室内二氧化碳浓度测量值,表示时刻t的室内新风量,表示时刻t的门窗缝隙渗入风量,V表示待测房间的容积,C(t)表示时刻t的室外二氧化碳浓度值,g表示待测房间内的人均二氧化碳产生量,O(t)表示时刻t的室内人员数量,e(t)表示均值是零、方差为常数的高斯白噪音。
可选的,所述二氧化碳浓度-人员数量离散化模型为:
其中,T表示数据采集时间步长,k表示时间离散时刻,表示时间离散时刻k对应的室内二氧化碳浓度测量值, 表示时间离散时刻k对应的室内新风量,表示时间离散时刻k对应的门窗缝隙渗入风量,C(k)表示时间离散时刻k对应的室外二氧化碳浓度值,O(k)时间离散时刻k对应的室内人员数量,e(k)表示均值是零、方差为常数的高斯白噪音。
可选的,所述能耗负荷动态预测模型的建立方法具体包括:
获取训练样本;所述训练样本包括多个样本对;每个样本对均包括一组输入和一个输出;所述输入为能耗环境参数集,所述能耗环境参数集包括室外温度、室外相对湿度、太阳辐射瞬时值、室外瞬时风速、室内湿度和室内人员数量;所述输出为所述能耗环境参数集对应的能耗量;
将所述训练样本输入前馈型神经网络进行训练,获得神经元的权值和阈值;
根据所述神经元的权值和阈值确定能耗负荷动态预测模型。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明根据室内二氧化碳浓度值及室内新风量,采用最大似然估计法间接确定了不同时刻的室内人数。然后将动态的室内人员数量输入能耗负荷动态预测模型获得能耗负荷的预测值。由于本发明充分考虑了室内人员作息的特殊性和随机性对建筑能耗的波动性影响,因此能够动态预测能耗负荷,预测模型误差小,准确性高。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它的附图。
图1为本发明实施例1提供的能耗负荷的预测方法的流程图;
图2为本发明实施例2提供的能耗负荷的预测***的结构框图;
图3为本发明实施例3提供的能耗负荷的预测方法的流程图;
图4为本发明实施例3提供的连续4日室内人员数量的估计值分布图;
图5为本发明实施例3提供的前馈型神经网络结构示意图;
图6为本发明实施例3提供的预测数据中空调电耗测量值与预测值的对比图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是提供一种能耗负荷的预测方法及预测***,所述预测方法及预测***充分考虑了室内人员作息的特殊性和随机性对建筑能耗的波动性影响,能够动态预测能耗负荷,预测模型误差小,准确性高。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例1:
图1为本发明实施例1提供的一种能耗负荷的预测方法的流程图。如图1所示,一种能耗负荷的预测方法,所述预测方法包括:
步骤11:获取室内二氧化碳浓度测量数据、室内新风量数据及二氧化碳浓度-人员数量连续时间模型。
所述二氧化碳浓度-人员数量连续时间模型为:
其中,表示时刻t的室内二氧化碳浓度测量值,表示时刻t的室内新风量,表示时刻t的门窗缝隙渗入风量,V表示待测房间的容积,C(t)表示时刻t的室外二氧化碳浓度值,g表示待测房间内的人均二氧化碳产生量,O(t)表示时刻t的室内人员数量,e(t)表示均值是零、方差为常数的高斯白噪音。
步骤12:根据所述室内二氧化碳浓度测量数据、所述室内新风量数据及所述二氧化碳浓度-人员数量连续时间模型确定室内人员数量的最大似然估计数据;
步骤13:将所述室内人员数量的最大似然估计数据输入到能耗负荷动态预测模型中,得到动态能耗预测值;其中,所述能耗负荷动态预测模型的输入为所述室内人员数量的最大似然估计数据;所述能耗负荷动态预测模型的输出为能耗数据。
具体地,步骤12:所述根据所述室内二氧化碳浓度测量数据、所述室内新风量数据及所述二氧化碳浓度-人员数量连续时间模型确定室内人员数量的最大似然估计数据,具体包括:
对所述二氧化碳浓度-人员数量连续时间模型进行反向欧拉差分处理,获得二氧化碳浓度-人员数量离散化模型。所述二氧化碳浓度-人员数量离散化模型为:
其中,T表示数据采集时间步长,k表示时间离散时刻,表示时间离散时刻k对应的室内二氧化碳浓度测量值, 表示时间离散时刻k对应的室内新风量,表示时间离散时刻k对应的门窗缝隙渗入风量,C(k)表示时间离散时刻k对应的室外二氧化碳浓度值,O(k)时间离散时刻k对应的室内人员数量,e(k)表示均值是零、方差为常数的高斯白噪音。
根据所述室内二氧化碳浓度测量数据、所述室内新风量数据及所述二氧化碳浓度-人员数量离散化模型,采用最大似然估计方法确定室内人员数量的最大似然估计数据。
本实施例中,所述能耗负荷动态预测模型的建立方法具体包括:
获取训练样本;所述训练样本包括多个样本对;每个样本对均包括一组输入和一个输出;所述输入为能耗环境参数集,所述能耗环境参数集包括室外温度、室外相对湿度、太阳辐射瞬时值、室外瞬时风速、室内湿度和室内人员数量;所述输出为所述能耗环境参数集对应的能耗量;
将所述训练样本输入前馈型神经网络进行训练,获得神经元的权值和阈值;
根据所述神经元的权值和阈值确定能耗负荷动态预测模型。
实施例2:
图2为本发明实施例2提供的一种能耗负荷的预测***的结构框图。如图2所示,一种能耗负荷的预测***,所述预测***包括:
输入量获取模块21,用于获取室内二氧化碳浓度测量数据、室内新风量数据及二氧化碳浓度-人员数量连续时间模型。
所述二氧化碳浓度-人员数量连续时间模型为:
其中,表示时刻t的室内二氧化碳浓度测量值,表示时刻t的室内新风量,表示时刻t的门窗缝隙渗入风量,V表示待测房间的容积,C(t)表示时刻t的室外二氧化碳浓度值,g表示待测房间内的人均二氧化碳产生量,O(t)表示时刻t的室内人员数量,e(t)表示均值是零、方差为常数的高斯白噪音。
人员数量估计模块22,用于根据所述室内二氧化碳浓度测量数据、所述室内新风量数据及所述二氧化碳浓度-人员数量连续时间模型确定室内人员数量的最大似然估计数据;
动态能耗预测模块23,用于将所述室内人员数量的最大似然估计数据输入到能耗负荷动态预测模型中,得到动态能耗预测值;其中,所述能耗负荷动态预测模型的输入为所述室内人员数量的最大似然估计数据;所述能耗负荷动态预测模型的输出为能耗数据。
具体地,所述人员数量估计模块22具体包括:
反向欧拉差分处理单元,用于对所述二氧化碳浓度-人员数量连续时间模型进行反向欧拉差分处理,获得二氧化碳浓度-人员数量离散化模型。
所述二氧化碳浓度-人员数量离散化模型为:
其中,T表示数据采集时间步长,k表示时间离散时刻,表示时间离散时刻k对应的室内二氧化碳浓度测量值, 表示时间离散时刻k对应的室内新风量,表示时间离散时刻k对应的门窗缝隙渗入风量,C(k)表示时间离散时刻k对应的室外二氧化碳浓度值,O(k)时间离散时刻k对应的室内人员数量,e(k)表示均值是零、方差为常数的高斯白噪音。
人员数量确定单元,用于根据所述室内二氧化碳浓度测量数据、所述室内新风量数据及所述二氧化碳浓度-人员数量离散化模型,采用最大似然估计方法确定室内人员数量的最大似然估计数据。
本实施例中,所述能耗负荷动态预测模型的建立方法具体包括以下步骤:
获取训练样本;所述训练样本包括多个样本对;每个样本对均包括一组输入和一个输出;所述输入为能耗环境参数集,所述能耗环境参数集包括室外温度、室外相对湿度、太阳辐射瞬时值、室外瞬时风速、室内湿度和室内人员数量;所述输出为所述能耗环境参数集对应的能耗量;
将所述训练样本输入前馈型神经网络进行训练,获得神经元的权值和阈值;
根据所述神经元的权值和阈值确定能耗负荷动态预测模型。
有益效果
实施例3:
本实施例以空调电耗为例,通过动态的室内人员数量预测该办公室的空调能耗。图3为本发明实施例3提供的能耗负荷的预测方法的流程图。如图3所示,一种能耗负荷的预测方法,所述预测方法包括:
(1)从能耗监测平台获取室内二氧化碳浓度测量值和新风***的送风量数据,即室内新风量,同时,根据质量守恒定律,将室内CO2浓度模型简化为公式(1)所示的二氧化碳浓度-人员数量连续时间模型:
其中,表示时刻t的室内二氧化碳浓度测量值,表示时刻t的室内新风量,表示时刻t的门窗缝隙渗入风量,V表示待测房间的容积,C(t)表示时刻t的室外二氧化碳浓度值,g表示待测房间内的人均二氧化碳产生量,O(t)表示时刻t的室内人员数量,e(t)~(0,σ2)表示均值是零、方差为常数σ2的高斯白噪音。
本实施例假设:
2)室外CO2浓度值C(t)恒为420ppm;
3)室内维持平衡通风,即门窗缝隙渗入风量等于渗出风量;
4)室内人员人均CO2产生量g为0.005L/S;
(2)对所述二氧化碳浓度-人员数量连续时间模型进行反向欧拉差分处理,获得二氧化碳浓度-人员数量离散化模型。
对公式(1)进行反向欧拉差分处理,可以得到公式(2)所示的二氧化碳浓度-人员数量离散化模型:
其中,T表示数据采集时间步长,k表示时间离散时刻,表示时间离散时刻k对应的室内二氧化碳浓度测量值, 表示时间离散时刻k对应的室内新风量,表示时间离散时刻k对应的门窗缝隙渗入风量,C(k)表示时间离散时刻k对应的室外二氧化碳浓度值,O(k)时间离散时刻k对应的室内人员数量,e(k)表示均值是零、方差为常数的高斯白噪音。
对公式(2)式进行整理可得公式(3):
其中,bu=βinT,bo=γT,a=1-βinT,I为N维单位矩阵,Δ为N-1维单位矩阵,即
对公式(4)进一步整理可得:
(3)采用最大似然估计方法确定室内人员数量的最大似然估计值。
最大似然估计法是概率论与数理统计中的一种参数估计的方法。设有固定样本观测值x=(x1,x2…x3),其总体分布为p(x;θ),且p(x;θ)形式已知,θ为一个或多个未知参数组成的参数向量,根据样本观测值可以列出该样本值出现的概率L(θ)称为似然函数。最大似然估计法的运算目的是在θ的可能取值范围内挑选使似然函数L(θ)达到上限的作为参数θ的估计值。
在本实施例中,最大似然估计模型的未知参数θ定义为:
其中,
根据最大似然估计法,并利用室内CO2浓度测量值及新风量计算了各个时刻房间在室人数的估测值。图4给出了利用最大似然估计法得到的办公室星期四至星期日连续4日室内人员数量估计值,从图4可以看出,虽然星期四和星期五都是工作日,但是办公人员出勤率、最早到达时间和最晚离开时间都存在较大差异。另外由于加班的原因,工作日的晚上及休息日均存在人员在室的可能性,如星期日就存在人员在室的情况。因此,固定的人员作息表不能真实反映在室人员的数量。
为了验证本申请提供的基于盲识别算法的室内人员数量确定方法的准确性,本申请统计了4日连续时刻的在室人员数量数据作为对比。在此引入均方误差(MSE)作为准确性的判定参数,定义如公式(10)所示:
表1在室人员数量估计准确性统计表
天数 | 均方误差(MSE) |
1 | 44.45% |
2 | 19.87% |
3 | 12.28% |
4 | 35.12% |
(4)将室内人员数量的最大似然估计值输入能耗负荷动态预测模型,完成能耗动态预测。
本实施例首先选取了11项对空调电耗造成影响的参数,包括室外相对湿度、室外温度、太阳辐射强度、室外风速、风向、日照时长、室内人数、室内相对湿度、室内温度、二氧化碳浓度、室内PM2.5浓度,然后利用主成分分析法对该11个初选的影响参数按照影响从大到小的顺序进行排列,取前6项作为本实施例中能耗负荷动态预测模型的优选输入参数。
采用主成分分析法获得优选输入参数的具体实现步骤为:将11项参数排列成一个数组,xi表示第i个参数,并算出该数组的协方差矩阵;计算该协方差矩阵的特征向量值λi,和对应的特征向量i=1,2,…,11,将特征值和对应的特征向量从大到小进行排列,并标记为λ1,λ2…λ11以及计算主成分Pi,从11个主成分中提取前6个,即将11个特征参数降维到6个特征参数。根据分析结果,能耗负荷动态预测模型的6项输入参数包括:室外温度、室外相对湿度、太阳辐射瞬时值、室外瞬时风速、室内湿度和室内人员数量,输出参数为空调能耗。
本实施例采用前馈型神经网络结构作为能耗负荷动态预测模型进行办公室空调电耗的动态预测。图5为前馈型神经网络的结构,包括有神经元连接而成的输入层、隐藏层和输出层构成。当使用大量测试数据对初始前馈型神经网络开展反向传播训练时,是由输入参数的正向传播及输出偏差的反向传播来对模型参数进行调整,从而得到一个预测准确的能耗负荷动态预测模型。为了节省计算时间、减少计算负担、防止模型的过拟合问题的发生,模型结构参数(神经元层数、神经元数量)的优化和计算迭代次数的选择尤为重要。过于复杂的模型结构(即数量较多的神经元)会增加计算负担,过多的迭代次数会造成模型过拟合问题。通过试验不同的模型结构和迭代次数的排列组合,选取均方根误差和平均绝对误差最小的组合作为最终的预测模型。本实施例最终确定的结构参数为[6,12,1,1],即能耗负荷动态预测模型的输入层包含6个神经元,隐含层包含12个神经元,输出层包含1个神经元,迭代次数为1300次。
本实施例中,能耗负荷动态预测模型的激活函数(又称传递函数)为sigmoid函数,其定义如下:
其中,X为本层神经元的输出值,传递到下一层神经元的输入值为S。
本实施例中,所述能耗负荷动态预测模型的建立方法具体包括:
获取训练样本;所述训练样本包括多个样本对;每个样本对均包括一组输入和一个输出;所述输入为能耗环境参数集,所述能耗环境参数集包括室外温度、室外相对湿度、太阳辐射瞬时值、室外瞬时风速、室内湿度和室内人员数量;所述输出为所述能耗环境参数集对应的能耗量;
将所述训练样本输入前馈型神经网络进行训练,获得神经元的权值和阈值;
根据所述神经元的权值和阈值确定能耗负荷动态预测模型。
本实施例中,样本数量的80%(1040组数据)作为训练样本用于模型的迭代训练,剩余20%(208组数据)用于测试预测模型的准确性。在1300次的迭代训练过程中,是用1040组测试数据对神经网络结构开展训练,由输入参数的正向传播及输出偏差的反向传播来对模型参数(神经元的权值和阈值)进行调整,从而得到一个预测准确的能耗负荷动态预测模型。
(5)测试能耗负荷动态预测模型的准确性。
本实施例使用均方根误差(RMSE)和平均绝对误差(MAPE)来评价能耗负荷动态预测模型的预测结果的准确性,其定义为:
为了研究该办公室空调能耗与室内人员数量的相关性,本实施例使用了决定系数R2来表征二者相关的密切程度,即因变量(空调能耗)的变异中有多少百分比可由自变量(人员数量)解释,其取值在0到1之间。表2分别给出了两种计算方法得到的室内人员数量与空调电耗之间的决定系数R2。
表2办公室空调电耗与室内人员数量的相关性
空调电耗(kWh) | 决定系数R<sup>2</sup> |
CO<sub>2</sub>浓度测量值 | 0.71 |
室内人员数量(ASHRAS静态算法) | 0.84 |
室内人员数量(ASHRAS动态算法) | 0.88 |
室内人员数量(本申请的确定方法) | 0.90 |
由表2的计算结果可见,利用本申请提供的基于最大似然估计法确定的室内人员数量与空调能耗之间的决定系数R2为0.90,高于CO2浓度测量值的决定系数R2值,以及ASHRAE协会的官方算法。因此,本申请提供的利用室内CO2浓度测量值及新风量间接地计算室内人员数量的方法能够准确反映室内人员数量对空调电耗的影响,在数据缺失的情况下仍然能够获得较为准确的在室人员数量。
为了验证本实施例预测的空调电耗的准确性较高,下面将动态的在室人员数量的最大似然估计值作为输入参数输入到经过训练的前馈型神经网络,即本申请的能耗负荷动态预测模型,将其标记为模型2。在其他环境参数输入量保持不变的情况下,将在室人员数量的最大似然估计值替换为CO2浓度测量值输入到同样的前馈型神经网络,并将其标记为模型1,两次测试的模型参数详见表3。
表3模型1和模型2的输入参数与输出参数表
表4给出了迭代1300次后两个模型的MAPE值和RMSE值。从训练数据中可以看出,模型2的MAPE值为3.78%RMSE值为4.07,模型1的MAPE值为4.07%和RMSE值为4.09,可见,模型2的MAPE值和RMSE值均低于模型1。同样,在测试数据中,模型2的MAPE值比模型1的MAPE值低1.34%,模型2的RMSE值比模型1的RMSE值低1.81。
表4模型1和模型2的MAPE和RMSE值
图6更加直观地显示了模型1和模型2在测试数据中的表现。图6的(a)部分为模型1的预测数据中空调电耗测量值与预测值的对比图,图6的(b)部分为模型2的预测数据中空调电耗测量值与预测值的对比图。如图6的(a)部分可见,模型1有87%的空调能耗预测数据点落在±10%的误差范围内,由图6的(b)部分可见,模型2有93%的空调能耗预测数据点落在±10%的误差范围内。可见,相比于直接使用CO2浓度测量值预测能耗而言,实时的室内人员数量动态变化更能够反映室内的能耗负荷波动,因此,将动态的室内人员数量数据作为建筑能耗预测模型的输入参数可提高能耗预测的准确性。
本发明基于最大似然估计法的数理统计方法确定了室内人员数量的最大似然估计值,将室内人员数量的最大似然估计值作为能耗负荷动态预测模型的输入参数进行空调电耗的预测,能够有效提高预测结果的准确性。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的***而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (4)
1.一种能耗负荷的预测方法,其特征在于,所述预测方法包括:
获取室内二氧化碳浓度测量数据、室内新风量数据及二氧化碳浓度-人员数量连续时间模型;
所述二氧化碳浓度-人员数量连续时间模型为:
其中,表示时刻t的室内二氧化碳浓度测量值,表示时刻t的室内新风量,表示时刻t的门窗缝隙渗入风量,V表示待测房间的容积,C(t)表示时刻t的室外二氧化碳浓度值,g表示待测房间内的人均二氧化碳产生量,O(t)表示时刻t的室内人员数量,e(t)表示均值是零、方差为常数的高斯白噪音;
根据所述室内二氧化碳浓度测量数据、所述室内新风量数据及所述二氧化碳浓度-人员数量连续时间模型确定室内人员数量的最大似然估计数据,具体包括:
对所述二氧化碳浓度-人员数量连续时间模型进行反向欧拉差分处理,获得二氧化碳浓度-人员数量离散化模型;所述二氧化碳浓度-人员数量离散化模型为:
其中,T表示数据采集时间步长,k表示时间离散时刻,表示时间离散时刻k对应的室内二氧化碳浓度测量值, 表示时间离散时刻k对应的室内新风量,表示时间离散时刻k对应的门窗缝隙渗入风量,C(k)表示时间离散时刻k对应的室外二氧化碳浓度值,O(k)时间离散时刻k对应的室内人员数量,e(k)表示均值是零、方差为常数的高斯白噪音;
根据所述室内二氧化碳浓度测量数据、所述室内新风量数据及所述二氧化碳浓度-人员数量离散化模型,采用最大似然估计方法确定室内人员数量的最大似然估计数据;
将所述室内人员数量的最大似然估计数据输入到能耗负荷动态预测模型中,得到动态能耗预测值;其中,所述能耗负荷动态预测模型的输入为所述室内人员数量的最大似然估计数据;所述能耗负荷动态预测模型的输出为能耗数据。
2.根据权利要求1所述的预测方法,其特征在于,所述能耗负荷动态预测模型的建立方法具体包括:
获取训练样本;所述训练样本包括多个样本对;每个样本对均包括一组输入和一个输出;所述输入为能耗环境参数集,所述能耗环境参数集包括室外温度、室外相对湿度、太阳辐射瞬时值、室外瞬时风速、室内湿度和室内人员数量;所述输出为所述能耗环境参数集对应的能耗量;
将所述训练样本输入前馈型神经网络进行训练,获得神经元的权值和阈值;
根据所述神经元的权值和阈值确定能耗负荷动态预测模型。
3.一种能耗负荷的预测***,其特征在于,所述预测***包括:
输入量获取模块,用于获取室内二氧化碳浓度测量数据、室内新风量数据及二氧化碳浓度-人员数量连续时间模型;
所述二氧化碳浓度-人员数量连续时间模型为:
其中,表示时刻t的室内二氧化碳浓度测量值,表示时刻t的室内新风量,表示时刻t的门窗缝隙渗入风量,V表示待测房间的容积,C(t)表示时刻t的室外二氧化碳浓度值,g表示待测房间内的人均二氧化碳产生量,O(t)表示时刻t的室内人员数量,e(t)表示均值是零、方差为常数的高斯白噪音;
人员数量估计模块,用于根据所述室内二氧化碳浓度测量数据、所述室内新风量数据及所述二氧化碳浓度-人员数量连续时间模型确定室内人员数量的最大似然估计数据;
所述人员数量估计模块具体包括:
反向欧拉差分处理单元,用于对所述二氧化碳浓度-人员数量连续时间模型进行反向欧拉差分处理,获得二氧化碳浓度-人员数量离散化模型;所述二氧化碳浓度-人员数量离散化模型为:
其中,T表示数据采集时间步长,k表示时间离散时刻,表示时间离散时刻k对应的室内二氧化碳浓度测量值, 表示时间离散时刻k对应的室内新风量,表示时间离散时刻k对应的门窗缝隙渗入风量,C(t)表示时间离散时刻k对应的室外二氧化碳浓度值,O(k)时间离散时刻k对应的室内人员数量,e(k)表示均值是零、方差为常数的高斯白噪音;
人员数量确定单元,用于根据所述室内二氧化碳浓度测量数据、所述室内新风量数据及所述二氧化碳浓度-人员数量离散化模型,采用最大似然估计方法确定室内人员数量的最大似然估计数据;
动态能耗预测模块,用于将所述室内人员数量的最大似然估计数据输入到能耗负荷动态预测模型中,得到动态能耗预测值;其中,所述能耗负荷动态预测模型的输入为所述室内人员数量的最大似然估计数据;所述能耗负荷动态预测模型的输出为能耗数据。
4.根据权利要求3所述的预测***,其特征在于,所述能耗负荷动态预测模型的建立方法具体包括:
获取训练样本;所述训练样本包括多个样本对;每个样本对均包括一组输入和一个输出;所述输入为能耗环境参数集,所述能耗环境参数集包括室外温度、室外相对湿度、太阳辐射瞬时值、室外瞬时风速、室内湿度和室内人员数量;所述输出为所述能耗环境参数集对应的能耗量;
将所述训练样本输入前馈型神经网络进行训练,获得神经元的权值和阈值;
根据所述神经元的权值和阈值确定能耗负荷动态预测模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810427462.XA CN108647817B (zh) | 2018-05-07 | 2018-05-07 | 一种能耗负荷的预测方法及预测*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810427462.XA CN108647817B (zh) | 2018-05-07 | 2018-05-07 | 一种能耗负荷的预测方法及预测*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108647817A CN108647817A (zh) | 2018-10-12 |
CN108647817B true CN108647817B (zh) | 2022-03-25 |
Family
ID=63749613
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810427462.XA Active CN108647817B (zh) | 2018-05-07 | 2018-05-07 | 一种能耗负荷的预测方法及预测*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108647817B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109442695A (zh) * | 2018-11-12 | 2019-03-08 | 清华大学 | 基于室内人数的空调及新风***预测性控制方法及*** |
CN110110388A (zh) * | 2019-04-12 | 2019-08-09 | 天津大学 | 基于数据前处理及小波分解的建筑空调负荷预测方法 |
CN113091217B (zh) * | 2021-03-22 | 2022-04-12 | 珠海格力电器股份有限公司 | 空调***能力输出的寻优控制方法、装置、***和空调 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101975673A (zh) * | 2010-09-07 | 2011-02-16 | 区峰 | 中央空调***能效实时监测***及方法 |
CN105910225A (zh) * | 2016-04-18 | 2016-08-31 | 浙江大学 | 一种基于人员信息检测的空调负荷控制***及方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI526852B (zh) * | 2014-07-29 | 2016-03-21 | 國立交通大學 | 基於電器使用狀態的人數計算方法及其監控系統 |
-
2018
- 2018-05-07 CN CN201810427462.XA patent/CN108647817B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101975673A (zh) * | 2010-09-07 | 2011-02-16 | 区峰 | 中央空调***能效实时监测***及方法 |
CN105910225A (zh) * | 2016-04-18 | 2016-08-31 | 浙江大学 | 一种基于人员信息检测的空调负荷控制***及方法 |
Non-Patent Citations (3)
Title |
---|
《Enhanced building thermal model by using CO2 based occupancy data》;Tomoya Imanishi 等;《IECON 2015 - 41st Annual Conference of the IEEE Industrial Electronics 》;20160128;全文 * |
北京某高校办公建筑人员开窗行为研究;潘嵩等;《建筑科学》;20151015(第10期);全文 * |
基于二氧化碳测量的室内人数估计算法;刘德峰等;《兵工自动化》;20180215(第02期);第43-47页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108647817A (zh) | 2018-10-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108320016B (zh) | 一种建筑能耗短期预测方法 | |
CN108038300B (zh) | 基于改进的隶属度函数结合神经网络的光纤状态评估方法 | |
CN110232203B (zh) | 知识蒸馏优化rnn短期停电预测方法、存储介质及设备 | |
CN106951611A (zh) | 一种基于使用者行为的严寒地区建筑节能设计优化方法 | |
CN108647817B (zh) | 一种能耗负荷的预测方法及预测*** | |
CN107730031A (zh) | 一种超短期高峰负荷预测方法及其*** | |
CN112990500B (zh) | 基于改进加权灰色关联分析的台区线损分析方法及*** | |
CN108399470B (zh) | 一种基于多示例遗传神经网络的室内pm2.5预测方法 | |
CN111795761B (zh) | 一种基于强化学习模型的预测机柜进风温度的方法 | |
CN110309609B (zh) | 一种基于粗糙集和wnn的建筑室内空气品质评价方法 | |
CN114819102A (zh) | 基于gru的空调设备故障诊断方法 | |
CN108664452B (zh) | 一种室内人员数量的确定方法及确定*** | |
CN110991776A (zh) | 一种基于gru网络实现水位预测的方法及*** | |
CN114862032A (zh) | 一种基于XGBoost-LSTM的电网负荷预测方法及装置 | |
CN114200839B (zh) | 一种耦合环境行为动态监测的办公建筑能耗智能控制模型 | |
CN115096357A (zh) | 一种基于ceemdan-pca-lstm的室内环境质量预测方法 | |
Kumar et al. | Forecasting indoor temperature for smart buildings with ARIMA, SARIMAX, and LSTM: A fusion approach | |
Zang et al. | The credit risk assessment of P2P lending based on BP neural network | |
CN115907204A (zh) | 麻雀搜索算法优化bp神经网络的林木蒸腾耗水预测方法 | |
Kowalski et al. | The comparison of linear models for PM10 and PM2. 5 forecasting | |
CN114881338A (zh) | 基于最大互信息系数与深度学习的配电网线损预测方法 | |
CN114626594A (zh) | 一种基于聚类分析和深度学习的中长期电量预测方法 | |
Liu et al. | Machine learning approaches for estimating building energy consumption | |
CN113177675A (zh) | 一种基于天牛群算法优化神经网络的空调冷负荷预测方法 | |
Jiang et al. | Forecast of air temperature based on BP neural network |
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 |