CN110135649B - 短期建筑能耗区间预测方法、***、介质及设备 - Google Patents
短期建筑能耗区间预测方法、***、介质及设备 Download PDFInfo
- Publication number
- CN110135649B CN110135649B CN201910424986.8A CN201910424986A CN110135649B CN 110135649 B CN110135649 B CN 110135649B CN 201910424986 A CN201910424986 A CN 201910424986A CN 110135649 B CN110135649 B CN 110135649B
- Authority
- CN
- China
- Prior art keywords
- energy consumption
- building
- prediction
- time period
- value
- 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 139
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000010438 heat treatment Methods 0.000 claims abstract description 33
- 238000012706 support-vector machine Methods 0.000 claims abstract description 32
- 238000013461 design Methods 0.000 claims description 23
- 238000004364 calculation method Methods 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 17
- 238000007781 pre-processing Methods 0.000 claims description 16
- 230000002159 abnormal effect Effects 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 13
- 238000009826 distribution Methods 0.000 claims description 10
- 230000005611 electricity Effects 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 9
- 230000001502 supplementing effect Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 description 15
- 238000010586 diagram Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 7
- 230000003203 everyday effect Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000002354 daily effect Effects 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 229910002056 binary alloy Inorganic materials 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000004378 air conditioning Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开提供了一种短期建筑能耗区间预测方法、***、介质及设备,选定需要进行短时能耗预测的建筑位置和预测时段,获取预测时段的天气情况,获取用户使用建筑的时间计划表;获取能耗数据、天气情况和建筑使用时长作为样本数据;获取建筑面积,获取供暖时间内本地的平均室外气温和计算室内外气温,获取建筑内照明型号和功率,计算相应时间段建筑节能率;获取期望时段的能耗预测数据,计算预测时段的历史数据的方差值,利用方差和建筑节能率,在给定置信水平的情况下,确定预测值得估计区间。实现支持向量机对建筑的能耗预测值的同时,通过建筑节能率和方差估计进一步给出短时建筑能耗预测值的估计区间。
Description
技术领域
本公开涉及能耗估计领域,具体涉及一种短期建筑能耗区间预测方法、***、介质及设备。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息,不必然构成在先技术。
随着人们生活的不断改善,人们对建筑功能和室内环境方面提出了更高的要求,能源的消耗问题日益突出。建筑能耗在社会总能耗中所占的比例不断增加,其中公共建筑能耗占很大一部分,公共建筑的用电量占社会建筑的用电量的30%以上,而大型公共建筑的建筑面积占社会建筑的建筑面积不到4%。公共建筑的节能是目前国家特别关注的问题。对于公共建筑的能耗预测显得尤为重要,可以为节能优化措施提供科学理论依据。
建筑在设计时期会有一定的耗电量计算,称为基准能耗。在实际使用过程中,伴随着设备资产库的增加和建筑用电的需求,能耗会发生改变,历史建筑节能率会给能耗预测带来很大的参考。
支持向量机(SVM)作为一种监督学习,成熟度高,适用范围广,可以作为线性和非线性分类器。核函数可以很好的解决因多参数输入导致的计算量变大的问题。目前的研究,将支持向量机应用到建筑能耗预测中,是利用历史数据作为训练样本,获得训练样本整体的认识并进行预测到一个确定值。然而,在有样本的情况下,任何一种能耗预测方法都会依概率收敛到实际值,对能耗预测的结果进行概率估计是很有必要的。目前的建筑能耗预测通常都是在给予预测确定值,没有对能耗预测数值的概率性估计。
发明内容
本公开为了解决上述问题,提出了一种短期建筑能耗区间预测方法、***、介质及设备,本公开能够实现对特定时间的建筑能耗的预测。实现支持向量机对建筑的能耗预测值的同时,通过建筑节能率和方差估计进一步给出短时建筑能耗预测值的估计区间。
根据一些实施例,本公开采用如下技术方案:
一种短期建筑能耗区间预测方法,包括以下步骤:
选定需要进行短时能耗预测的建筑位置和预测时段,获取预测时段的天气情况,获取用户使用建筑的时间计划表;
获取与预测时段前推连续N天相同时段的历史能耗数据、天气情况和建筑使用时长作为样本数据;
获取建筑面积,获取供暖时间内本地的平均室外气温和计算室内外气温,获取建筑内照明型号和功率,获取t预测时间前推N天内的每日建筑使用时长和总的能耗值;
计算在此时间段前推N天内设计时的能耗值,获取设备资产库中对比设计时段前推N天改变的设备并计算其设计能耗值,计算相应时间段建筑节能率;
利用SVM训练数据预处理之后的样本数据构建模型,并将数据预处理之后的预测时段的天气情况和建筑使用时长输入到SVM模型,获取期望时段的能耗预测数据,计算预测时段的历史数据的方差值,利用方差和建筑节能率,在给定置信水平的情况下,确定预测值得估计区间。
作为可能的实施方式,数据预处理包括补充缺失值和处理异常点。
更进一步的,能耗缺失值填补需要找到能耗缺失值所在的时段,求取该时段的建筑节能率,将设计能耗值与节能值差值处理,差值处理结果即为缺失值的填补值。
更进一步的,设计能耗值包括用电能耗,进一步包括采暖、照明用电和中央空调的耗电量。
更进一步的,设计能耗值包括设备资产库中对比设计时段改变的设备的设计能耗值。
作为可能的实施方式,处理异常点,当某日的在预测时间段内的历史能耗不属于设定区间时,可将其视为异常点;出现异常点时,将过小的数处理成设定区间的左端点,将过大的数据处理成设定区间的右端点。
作为可能的实施方式,支持向量机的输入参数为5维,其中N天的历史能耗数据有1维,为建筑历史能耗数据;N天的同一时段的天气数据有3维,分别是温度、湿度和是否晴天,N天的建筑使用时长有1维,为建筑使用时长。
作为可能的实施方式,支持向量机的核函数选择高斯核函数。
作为可能的实施方式,将每相邻两天的样本能耗数据做方差计算,得到方差为σ2,预测时段的实际能耗值E服从于以Y为均值,方差为σ2的正态分布。
其中,式中的Zα/2为标准正态分布显著水平α的分位数。
一种短期建筑能耗区间预测***,包括:
数据获取模块,被配置为选定需要进行短时能耗预测的建筑位置和预测时段,获取预测时段的天气情况,获取用户使用建筑的时间计划表,获取与预测时段前推连续N天相同时段的历史能耗数据、天气情况和建筑使用时长作为样本数据;
建筑信息获取模块,被配置为获取建筑面积,获取供暖时间内本地的平均室外气温和计算室内外气温,获取建筑内照明型号和功率,获取t预测时间前推N天内的每日建筑使用时长和总的能耗值;
计算模块,被配置为计算在此时间段前推N天内设计时的能耗值,获取设备资产库中对比设计时段前推N天改变的设备并计算其设计能耗值,计算相应时间段建筑节能率;
模型构建模块,被配置为利用SVM训练数据预处理之后的样本数据构建模型,并将数据预处理之后的预测时段的天气情况和建筑使用时长输入到SVM模型,获取期望时段的能耗预测数据,计算预测时段的历史数据的方差值,利用方差和建筑节能率,在给定置信水平的情况下,确定预测值得估计区间。
一种计算机可读存储介质,其中存储有多条指令,所述指令适于由终端设备的处理器加载并执行所述的一种短期建筑能耗区间预测方法。
一种终端设备,包括处理器和计算机可读存储介质,处理器用于实现各指令;计算机可读存储介质用于存储多条指令,所述指令适于由处理器加载并执行所述的一种短期建筑能耗区间预测方法。
与现有技术相比,本公开的有益效果为:
本公开提出的结合支持向量机对短时建筑能耗区间预测的方法,利用历史能耗数据结合各种环境因素和人为因素对支持向量机进行模型训练,算法支持向量机的成熟度高且容易实现,将样本数据进行方差计算和建筑节能率计算,待预测的能耗数据是以支持向量机的预测结果作为均值,样本数据的方差作为方差的正态分布,通过对正态分布的置信区间和置信水平的分析,可以得到围绕算法预测结果的置信区间,并在置信区间的基础上进一步扩大估计范围,将建筑节能率作为一个重要的估计因素。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解,本公开的示意性实施例及其说明用于解释本公开,并不构成对本公开的不当限定。
图1是本公开的流程示意图。
具体实施方式:
下面结合附图与实施例对本公开作进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本公开提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本公开的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
正如背景技术中所述的,建筑在设计时期会有一定的耗电量计算,称为基准能耗。在实际使用过程中,伴随着设备资产库的增加和建筑用电的需求,能耗会发生改变,历史建筑节能率会给能耗预测带来很大的参考。
支持向量机(SVM)作为一种监督学习,成熟度高,适用范围广,可以作为线性和非线性分类器。核函数可以很好的解决因多参数输入导致的计算量变大的问题。目前的研究,将支持向量机应用到建筑能耗预测中,是利用历史数据作为训练样本,获得训练样本整体的认识并进行预测到一个确定值。然而,在有样本的情况下,任何一种能耗预测方法都会依概率收敛到实际值,对能耗预测的结果进行概率估计是很有必要的。目前的建筑能耗预测通常都是在给予预测确定值,没有对能耗预测数值的概率性估计。
一种基于SVM的短时建筑能耗区间预测方法,用以实现对特定时间的建筑能耗的预测。实现支持向量机对建筑的能耗预测值的同时,通过建筑节能率和方差估计进一步给出短时建筑能耗预测值的估计区间。
具体包括以下步骤:
选定需要进行短时能耗预测的建筑位置和预测时段,根据天气预报获取预测时段的天气情况,获取用户使用建筑的时间计划表;
获取与预测时段前推连续N天相同时段的历史能耗数据E0i,i=1,2…,N、天气情况和建筑使用时长作为样本数据;
数据预处理获取的数据;
获取建筑面积,获取供暖时间内本地的平均室外气温和计算室内外气温,获取建筑内照明型号和功率,获取t预测时间前推N天内的每日建筑使用时长Δt0i,获取t预测时间前推N天的总的能耗值E0;
计算在此时间段前推N天内设计时的能耗值E1,获取设备资产库中对比设计时段前推N天改变的设备并计算其设计能耗值E2,计算N天时长建筑节能率η;
利用SVM训练数据预处理之后的样本数据构建模型,并将数据预处理之后的预测时段的天气情况和建筑使用时长输入到SVM模型,获取期望时段的能耗预测数据;并获取预测时段的历史数据的方差值,利用方差和建筑节能率,在给定置信水平的情况下,确定预测值得估计区间;
进一步的,天气情况包括温度、湿度和是否晴天,是否晴天的会细分到晴天、多云、阴天和下雨;预测时段t以小时为单位。
进一步的,数据预处理包括补充缺失值和处理异常点。
进一步的,能耗缺失值填补需要找到能耗缺失值所在的时段t,求取该时段的建筑节能率η,将设计能耗值与节能值差值处理,差值处理结果Et即为缺失值的填补值。公式如下表示:
Et=(E1+E2)-(E1+E2)×η;
上式中的E1表示在此时间段前推N天内设计时的能耗值,包括采暖和照明用电,计算方法如下:
现行供暖方法为所有建筑物24h正常供暖,其年供暖耗热量:
其中,供暖建筑物建筑面积Ac;qh取60W/m2;建筑外采暖期室外平均温度ta,采暖期室外计算温度toh,室内计算温度ti,供暖期天数N为123天,不间断供暖每天供暖小时数h为24h。
待预测时间段前推N天内的采暖计划耗电量为:
E11=W1/123×T(T为t预测时间段前推N天中在采暖期内的天数)。
现行照明参数:开灯时间每天h小时,一个月开灯时长d天,一共有n支灯,每个灯的规格大体可以分为以下几种(不排除有遗漏因素)
T8灯管:功率p=40W;T5灯管:功率p=23W;LED:功率p=16W。
待预测时间段内的计划耗电量为:E12=W2/(h×d×12)×N;
现行中央空调的耗电量累计工作N×Δt0i时长,中央空调的功率为p(W)理论耗电量为:E13=p/1000×N×Δt0i;
由此可以计算E1=E11+E12+E13;
设备资产库中对比设计时段改变的设备的设计能耗值E2,为设备在时段t内不间断运行所花费的标定能耗。
其中,E0i获取的近N天的预测时段t的历史能耗数据
进一步的,处理异常点,当某日的在预测时间段内的历史能耗存在以下关系时,可将其视为异常点;出现异常点时,将过小的数处理成下述区间的左端点,将过大的数据处理成下述区间的右端点。
其中,x为[0,100]区间的常量,需要根据建筑的实际情况确定。
进一步的,支持向量机(SVM)的输入参数为5维,其中近N天的历史能耗数据有1维,为W1(建筑历史能耗数据);近30天的同一时段的天气数据有3维,分别是W2(温度),W3(湿度),W4(是否晴天),其中是否晴天按照二进制标记,晴天00、多云01、阴天10和下雨11;近三十天的建筑使用时长有1维,W5(建筑使用时长)。
进一步的,SVM的核函数选择RBF(高斯核函数),来寻找最佳的惩罚因子和RBF核函数中的方差,对模型进行训练,最后计算预测结果Y。RBF计算公式如下:
进一步的,将每相邻两天的样本能耗数据做方差计算,计算结果如下:
进一步的,预测时段的实际能耗值E服从于以Y为均值,方差为σ2的正态分布。
当给定置信水平为1-α的条件下,预测值的1-α的置信区间可表示为:
其中,式中的Zα/2为标准正态分布显著水平α的分位数,可通过查表获得。
上述提出的结合支持向量机对短时建筑能耗区间预测的方法,利用历史能耗数据结合各种环境因素和人为因素对支持向量机进行模型训练,算法支持向量机的成熟度高且容易实现,将样本数据进行方差计算和建筑节能率计算,待预测的能耗数据是以支持向量机的预测结果作为均值,样本数据的方差作为方差的正态分布,通过对正态分布的置信区间和置信水平的分析,可以得到围绕算法预测结果的置信区间,并在置信区间的基础上进一步扩大估计范围,将建筑节能率作为一个重要的估计因素。
如图1所示,以N为30来进行说明,短时建筑能耗区间预测的流程图,获取以预测时段t前推连续30天内每日同样时段的样本数据,包括前30天的历史能耗数据、对应的天气情况和建筑使用时长;其中天气情况包括温度、湿度和是否晴天,是否晴天的会细分到晴天、多云、阴天和下雨;预测时段t以小时为单位。另外获取预测时段t的天气情况和建筑使用时长计划表,计划表如下所示:
表1建筑日使用时长计划表
将样本数据进行数据预处理,包括缺失值填补和异常点处理。
能耗缺失值填补需要找到能耗缺失值所在的时段t,求取该时段的建筑节能率η,将设计能耗值与节能值差值处理,差值处理结果Et即为缺失值的填补值。公式如下表示:
Et=(E1+E2)-(E1+E2)×η;
上式中的E1表示在此时间段内设计时的能耗值,包括采暖和照明用电,计算方法如下:
现行供暖方法为所有建筑物24h正常供暖,其年供暖耗热量:
其中,供暖建筑物建筑面积Ac;qh取60W/m2;建筑外采暖期室外平均温度ta,采暖期室外计算温度toh,室内计算温度ti,供暖期天数N为123天,不间断供暖每天供暖小时数h为24h。
待预测时间段内的采暖计划耗电量为:
E11=W1/123*T{T=t/24(t在采暖期内),T=0(t不在采暖期内)}
现行照明参数:开灯时间每天h小时,一个月开灯时长d天,一共有n支灯,每个灯的规格大体可以分为以下几种(不排除有遗漏因素)
T8灯管:功率p=40W;T5灯管:功率p=23W;LED:功率p=16W。
待预测时间段内的计划耗电量为:E12=W2/(h×d×12)×t;
现行中央空调的耗电量累计工作t时段,中央空调的功率为p(W)理论耗电量为:E13=p/1000×t。
由此可以计算E1=E11+E12+E13。
设备资产库中对比设计时段改变的设备的设计能耗值E2,为设备在时段t内不间断运行所花费的标定能耗。
其中,E0i获取的近30天的预测时段t的历史能耗数据
异常点处理,当某日的在预测时间段内的历史能耗存在以下关系时,可将其视为异常点;出现异常点时,将过小的数处理成下述区间的左端点,将过大的数据处理成下述区间的右端点。
其中,x为[0,100]区间的常量,需要根据实际情况确定。
将数据预处理之后的样本值结合天气数据和建筑使用时长等数据组成五维的输入矩阵:
其中近30天的历史能耗数据有1维,为W1(建筑历史能耗数据);近30天的同一时段的天气数据有3维,分别是W2(温度),W3(湿度),W4(是否晴天),其中是否晴天按照二进制标记,晴天00、多云01、阴天10和下雨11;近三十天的建筑使用时长有1维,W5(建筑使用时长)。
SVM的核函数选择RBF(高斯核函数),来寻找最佳的惩罚因子和RBF核函数中的方差,对模型进行训练,最后计算预测结果Y。RBF计算公式如下:
将样本数据输入到SVM模型中进行训练,将获取的天气预报的信息和计划使用建筑时长作为预测输入值,可以得到预测的能耗值Y。
然后,将每相邻两天的样本能耗数据做方差计算,计算公式如下:
预测时段的实际能耗值E,预测值随机误差的存在,可看做E服从于以Y为均值,方差为σ2的正态分布,即E~(Y,σ2)。
当给定置信水平为1-α的条件下,预测值的1-α的置信区间可表示为:
其中,式中的Zα/2为标准正态分布显著水平α的分位数,可通过查表获得。
表二常用(1-α)与Zα/2的关系表
1-α | Z<sub>α/2</sub> |
90% | 1.645 |
92.5% | 1.78 |
95% | 1.96 |
97.5% | 2.33 |
99% | 2.58 |
本领域内的技术人员应明白,本公开的实施例可提供为方法、***、或计算机程序产品。因此,本公开可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本公开可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本公开是参照根据本公开实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅为本公开的优选实施例而已,并不用于限制本公开,对于本领域的技术人员来说,本公开可以有各种更改和变化。凡在本公开的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本公开的保护范围之内。
上述虽然结合附图对本公开的具体实施方式进行了描述,但并非对本公开保护范围的限制,所属领域技术人员应该明白,在本公开的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。
Claims (10)
1.一种短期建筑能耗区间预测方法,其特征是:包括以下步骤:
选定需要进行短时能耗预测的建筑位置和预测时段,获取预测时段的天气情况,获取用户使用建筑的时间计划表;
获取与预测时段前推连续N天相同时段的历史能耗数据、天气情况和建筑使用时长作为样本数据;
获取建筑面积,获取供暖时间内本地的平均室外气温和计算室内外气温,获取建筑内照明型号和功率,获取t预测时间前推N天内的每日建筑使用时长和总的能耗值;
计算在此时间段前推N天内设计时的能耗值,获取设备资产库中对比设计时段前推N天改变的设备并计算其设计能耗值,计算相应时间段建筑节能率;
利用SVM训练数据预处理之后的样本数据构建模型,并将数据预处理之后的预测时段的天气情况和建筑使用时长输入到SVM模型,获取期望时段的能耗预测数据,计算预测时段的历史数据的方差值,利用方差和建筑节能率,在给定置信水平的情况下,确定预测值得估计区间。
2.如权利要求1所述的一种短期建筑能耗区间预测方法,其特征是:数据预处理包括补充缺失值和处理异常点。
3.如权利要求2所述的一种短期建筑能耗区间预测方法,其特征是:能耗缺失值填补需要找到能耗缺失值所在的时段,求取该时段的建筑节能率,将设计能耗值与节能值差值处理,差值处理结果即为缺失值的填补值。
4.如权利要求3所述的一种短期建筑能耗区间预测方法,其特征是:设计能耗值包括用电能耗,进一步包括采暖、照明用电和中央空调的耗电量;
或进一步的,设计能耗值包括设备资产库中对比设计时段改变的设备的设计能耗值。
5.如权利要求1所述的一种短期建筑能耗区间预测方法,其特征是:处理异常点,当某日的在预测时间段内的历史能耗不属于设定区间时,可将其视为异常点;出现异常点时,将过小的数处理成设定区间的左端点,将过大的数据处理成设定区间的右端点。
6.如权利要求1所述的一种短期建筑能耗区间预测方法,其特征是:支持向量机的输入参数为5维,其中N天的历史能耗数据有1维,为建筑历史能耗数据;N天的同一时段的天气数据有3维,分别是温度、湿度和是否晴天,N天的建筑使用时长有1维,为建筑使用时长。
8.一种短期建筑能耗区间预测***,其特征是:包括:
数据获取模块,被配置为选定需要进行短时能耗预测的建筑位置和预测时段,获取预测时段的天气情况,获取用户使用建筑的时间计划表,获取与预测时段前推连续N天相同时段的历史能耗数据、天气情况和建筑使用时长作为样本数据;
建筑信息获取模块,被配置为获取建筑面积,获取供暖时间内本地的平均室外气温和计算室内外气温,获取建筑内照明型号和功率,获取t预测时间前推N天内的每日建筑使用时长和总的能耗值;
计算模块,被配置为计算在此时间段前推N天内设计时的能耗值,获取设备资产库中对比设计时段前推N天改变的设备并计算其设计能耗值,计算相应时间段建筑节能率;
模型构建模块,被配置为利用SVM训练数据预处理之后的样本数据构建模型,并将数据预处理之后的预测时段的天气情况和建筑使用时长输入到SVM模型,获取期望时段的能耗预测数据,计算预测时段的历史数据的方差值,利用方差和建筑节能率,在给定置信水平的情况下,确定预测值得估计区间。
9.一种计算机可读存储介质,其特征是:其中存储有多条指令,所述指令适于由终端设备的处理器加载并执行权利要求1-7中任一项所述的一种短期建筑能耗区间预测方法。
10.一种终端设备,其特征是:包括处理器和计算机可读存储介质,处理器用于实现各指令;计算机可读存储介质用于存储多条指令,所述指令适于由处理器加载并执行权利要求1-7中任一项所述的一种短期建筑能耗区间预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910424986.8A CN110135649B (zh) | 2019-05-21 | 2019-05-21 | 短期建筑能耗区间预测方法、***、介质及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910424986.8A CN110135649B (zh) | 2019-05-21 | 2019-05-21 | 短期建筑能耗区间预测方法、***、介质及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110135649A CN110135649A (zh) | 2019-08-16 |
CN110135649B true CN110135649B (zh) | 2021-06-11 |
Family
ID=67572132
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910424986.8A Active CN110135649B (zh) | 2019-05-21 | 2019-05-21 | 短期建筑能耗区间预测方法、***、介质及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110135649B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111160611B (zh) * | 2019-12-02 | 2023-09-19 | 万翼科技有限公司 | 能耗预估方法、装置、计算机设备和存储介质 |
CN112836396B (zh) * | 2021-03-10 | 2022-12-27 | 同济大学 | 一种建筑实时能耗异常诊断*** |
CN112948942B (zh) * | 2021-03-19 | 2023-03-24 | 云南建投第九建设有限公司 | 一种建筑施工用电智能节电控制方法及*** |
FR3123750A1 (fr) * | 2021-06-04 | 2022-12-09 | Murmuration | Système et procédé pour prédire l’impact environnemental d’au moins une structure à construire sur au moins une zone géographique prédéterminée de la terre |
CN113869580A (zh) * | 2021-09-27 | 2021-12-31 | 广州远正智能科技股份有限公司 | 一种能耗参数预测跟踪方法、***及计算机可读存储介质 |
CN117290797B (zh) * | 2023-11-24 | 2024-02-02 | 国网山东省电力公司济宁供电公司 | 一种建筑能耗预测方法、***、装置及介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104199961A (zh) * | 2014-09-19 | 2014-12-10 | 北京建筑技术发展有限责任公司 | 一种基于数据挖掘的公共建筑能耗监管平台数据处理方法 |
CN105676670A (zh) * | 2014-11-18 | 2016-06-15 | 北京翼虎能源科技有限公司 | 用于处理能源数据的方法和*** |
CN107679660A (zh) * | 2017-09-30 | 2018-02-09 | 山东建筑大学 | 基于支持向量机的逐时建筑能耗预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107220472B (zh) * | 2017-08-06 | 2021-06-11 | 马婷 | 基于建筑面积和能效比的能耗仪及能耗评价方法 |
-
2019
- 2019-05-21 CN CN201910424986.8A patent/CN110135649B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104199961A (zh) * | 2014-09-19 | 2014-12-10 | 北京建筑技术发展有限责任公司 | 一种基于数据挖掘的公共建筑能耗监管平台数据处理方法 |
CN105676670A (zh) * | 2014-11-18 | 2016-06-15 | 北京翼虎能源科技有限公司 | 用于处理能源数据的方法和*** |
CN107679660A (zh) * | 2017-09-30 | 2018-02-09 | 山东建筑大学 | 基于支持向量机的逐时建筑能耗预测方法 |
Non-Patent Citations (3)
Title |
---|
中华人民共和国行业标准民用建筑能耗数据采集标准;中华人民共和国***;《中华人民共和国行业标准民用建筑能耗数据采集标准》;20080101;第1-2页 * |
支持向量机在建筑能耗预测中的应用;李建 等;《建筑节能》;20141231;第42卷(第12期);第77-80页 * |
采暖室内、外计算温度对能源消耗的影响;郝学兵;《商情(教育经济研究)》;20080731;第20-21页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110135649A (zh) | 2019-08-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110135649B (zh) | 短期建筑能耗区间预测方法、***、介质及设备 | |
Hu et al. | Planning of Electric Power Generation Systems under Multiple Uncertainties and Constraint-Violation Levels. | |
CN111695742A (zh) | 一种综合能源***日前调度区间优化方法、***及设备 | |
Li et al. | A clustering-based approach for “cross-scale” load prediction on building level in HVAC systems | |
CN113052389A (zh) | 基于多任务的分布式光伏电站超短期功率预测方法及*** | |
CN111723085B (zh) | 公共建筑空调用电能耗数据清洗方法及*** | |
CN114925874A (zh) | 一种基于bert神经网络模型的碳排量预判方法及装置 | |
CN114066071A (zh) | 一种基于能耗的电力参数优化方法、终端设备及存储介质 | |
CN116579496A (zh) | 基于大数据的园区短期负荷预测方法 | |
CN115915708A (zh) | 制冷设备控制参数预测方法、装置、电子设备及存储介质 | |
CN113790516B (zh) | 中央空调制冷站全局优化节能控制方法、***和电子设备 | |
Ku et al. | Building electric energy prediction modeling for BEMS using easily obtainable weather factors with Kriging model and data mining | |
CN109214610B (zh) | 一种基于长短期记忆神经网络的饱和电力负荷预测方法 | |
CN111199065A (zh) | 零能耗建筑设计方法、装置及终端设备 | |
CN110797865B (zh) | 一种数据驱动的供电薄弱环节识别方法及*** | |
CN108446783A (zh) | 一种新风机运行功率的预测及监控方法 | |
CN105184408A (zh) | 基于电器用电效用分级和用户用电行为识别的节能方法 | |
CN115859808A (zh) | 一种泵组工作预测方法、装置、电子设备及存储介质 | |
CN115293456A (zh) | 一种预测含微电网的楼宇碳达峰的方法、装置及存储介质 | |
CN113609778B (zh) | 一种综合能源***多目标优化方法及*** | |
CN109301820A (zh) | 一种企业电力控制方法及*** | |
CN107832204A (zh) | 一种基于mdc的服务器cpu能耗预测方法 | |
CN117355710A (zh) | 一种用于控制制冷设备的方法和装置 | |
Anderson et al. | Wind output forecasts and scenario analysis for stochastic multiperiod optimal power flow | |
CN104484756B (zh) | 一种提高含风光储发电微网的企业能效方法 |
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 |