CN111340305A - 一种建筑运行能耗预测方法 - Google Patents
一种建筑运行能耗预测方法 Download PDFInfo
- Publication number
- CN111340305A CN111340305A CN202010162519.5A CN202010162519A CN111340305A CN 111340305 A CN111340305 A CN 111340305A CN 202010162519 A CN202010162519 A CN 202010162519A CN 111340305 A CN111340305 A CN 111340305A
- Authority
- CN
- China
- Prior art keywords
- energy consumption
- prediction
- office building
- operation energy
- svr
- 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
- 238000005265 energy consumption Methods 0.000 title claims abstract description 140
- 238000000034 method Methods 0.000 title claims abstract description 75
- 239000011159 matrix material Substances 0.000 claims abstract description 29
- 238000013528 artificial neural network Methods 0.000 claims abstract description 19
- 230000000739 chaotic effect Effects 0.000 claims abstract description 19
- 238000012937 correction Methods 0.000 claims abstract description 16
- 238000012546 transfer Methods 0.000 claims abstract description 12
- 239000003245 coal Substances 0.000 claims abstract description 8
- 238000004458 analytical method Methods 0.000 claims abstract description 5
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 239000013598 vector Substances 0.000 claims description 37
- 230000007704 transition Effects 0.000 claims description 23
- 230000006870 function Effects 0.000 claims description 11
- 238000005291 chaos (dynamical) Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 7
- 238000012706 support-vector machine Methods 0.000 claims description 7
- 238000001816 cooling Methods 0.000 claims description 6
- 230000005611 electricity Effects 0.000 claims description 6
- 238000000926 separation method Methods 0.000 claims description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 238000010438 heat treatment Methods 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 101000802640 Homo sapiens Lactosylceramide 4-alpha-galactosyltransferase Proteins 0.000 claims description 3
- 102100035838 Lactosylceramide 4-alpha-galactosyltransferase Human genes 0.000 claims description 3
- 230000002068 genetic effect Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 230000001052 transient effect Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 239000007789 gas Substances 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 239000002131 composite material Substances 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000002737 fuel gas Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 1
- 230000001373 regressive effect Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 239000002699 waste material Substances 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0418—Architecture, e.g. interconnection topology using chaos or fractal principles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种建筑运行能耗预测方法，对办公建筑的运行能耗数据进行预处理并进行特征分析，统一量纲为千克标准煤的形式，得到办公建筑运行能耗的时间序列；利用C‑C相关估计法对办公建筑运行能耗的时间序列进行相空间重构；利用最大lyapunov指数判断重构后的办公建筑运行能耗时间序列是否具备混沌特性；利用Chaos‑SVR神经网络对具备混沌特性的办公建筑运行能耗时间序列进行短期能耗预测；利用均值‑方差法划分预测结果的误差区间，构建Markov概率转移矩阵；对Markov概率转移矩阵进行Markov链误差修正，根据预测值对办公建筑的运行能耗进行预测。本发明显著提高办公建筑运行能耗预测精度，为办公建筑的优化运营与节能管理提供决策依据。
Description
技术领域
本发明属于建筑运行能耗预测技术领域，具体涉及一种建筑运行能耗预测方法。
背景技术
办公建筑在全生命周期中能耗大、能效低等问题普遍存在，导致严重的能源浪费。其节能潜力巨大，降耗幅度可以达到30％～50％。其中，办公建筑运行能耗占比最大。因此，研究办公建筑的运行能耗情况具有重要意义，对其进行实时准确的预测可以为优化运行效率提供数据决策，从而实现节能目标。
建筑能耗的预测方法主要分为两大类：1.正演模型；2.数据驱动模型。机器学习预测方法是最常用的短期能耗预测方法，已经广泛应用于风速预测、电力需求预测、建筑能耗预测、建筑冷负荷预测等能源领域。
目前国内外建筑能耗时间序列预测方法应用较为广泛的有：人工神经网络(Artificial neural network，ANN)、差分整合移动平均自回归(AutoregressiveIntegrated Moving Average，ARIMA)、支持向量回归(Support Vector Regression，SVR)、多元线性回归(Multiple linear regression，MLR)等。除了室外气象参数和围护结构等办公建筑本体能耗外，还有机电设备、节假日、人员占用率等运行能耗造成其能耗时间序列具有非线性特征。为了深入挖掘其时间序列内部的非线性规律，提高预测精度，研究者们将不同的算法与人工神经网络和支持向量机结合，建立了多种办公建筑混合预测模型。有根据天气、人员等多种因素利用MLR方法对办公建筑的逐日冷负荷进行了回归预测，与实际负荷相比平均绝对百分误差小于8％。有利用反馈神经网络(Back Propagation NeuralNetwork，BPNN)，径向基函数神经网络(Radial Basis Function Neural Network，RBFNN)，广义回归神经网络(Generalized Regression Neural Network，GRNN)，支持向量机(Support Vector Machine，SVM)方法分别对办公建筑的逐时能耗进行分析，取得了较好的预测效果，模型已应用于中国广州某办公楼。有建立了小波-支持向量机(Wavelet-SVM)，小波-偏最小二乘-支持向量机(Wavelet-Partial Least Squares-Support VectorMachine，Wavelet-PLS-SVM)模型对办公建筑的逐时能耗进行了分析，最终得出提前1h，2h，3h和24h的预测结果。在其它应用领域将平均速度、平均占有率和平均交通流时间序列利用贝叶斯理论集成到一个时间序列中，将混沌理论和SVR相结合用于交通流的时间序列预测，达到了较高的预测精度。上述研究都是基于多变量输入的，相较于单变量时间序列需要考虑的因素复杂，有使用历史时刻的办公建筑冷负荷根据贝叶斯理论映射到同一时间维度作为机器学习预测模型的单变量输入，利用Chaos-SVR和WD-SVR(Wavelet Decomposition-Support Vector Regression)分别对建筑冷负荷时间序列进行预测，结果表明，选择恰当的预测模型不仅可以避免单变量输入的局限性，而且会取得较好的预测效果，但由于组合模型在迭代过程中存在误差累积的问题，导致不能很好满足实际优化运营的需求。
发明内容
本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种建筑运行能耗预测方法，根据获得的办公建筑历史能耗数据特点，利用数据驱动模型中的时间序列法进行能耗短期预测。
本发明采用以下技术方案：
一种建筑运行能耗预测方法，包括以下步骤：
S1、采集办公建筑的运行能耗数据并进行预处理；
S2、对预处理后的办公建筑运行能耗数据进行特征分析，统一量纲为千克标准煤的形式，得到办公建筑运行能耗的时间序列；
S3、利用C-C相关估计法对办公建筑运行能耗的时间序列进行相空间重构；
S4、利用最大lyapunov指数判断步骤S3重构后的办公建筑运行能耗时间序列是否具备混沌特性；
S5、利用Chaos-SVR神经网络对步骤S4中具备混沌特性的办公建筑运行能耗时间序列进行短期能耗预测；
S6、利用Chaos-SVR神经网络划分步骤S5预测结果的误差区间，构建Markov概率转移矩阵；
S7、对步骤S6的Markov概率转移矩阵进行Markov链误差修正，得到预测值对办公建筑的运行能耗进行预测。
具体的，步骤S1中，预处理具体为：将办公建筑运行能耗数据划分为水耗量、电耗量、燃气量、集中供冷/热量和其它能源使用量。
具体的，步骤S3中，通过办公建筑运行能耗逐时序列的关联积分构成统计量，通过统计量和延迟时间的关系图计算延迟时间τ和最佳窗宽τw，根据τω＝(m-1)τ求出嵌入维数，得到重构后的相空间。
具体的，步骤S4中，利用小数据量法求取最大Lyapunov指数，具体为：首先计算平均周期、延迟时间和嵌入维数，然后进行相空间重构，找出最临近点，限制短暂分离，测量平均分离后，用最小二乘法进行直线拟合，当最大Lyapunov指数值为正值时，出办公建筑总能耗量时间序列具有混沌特性。
具体的，步骤S5中，运用混沌理论构造非线性映射，利用相空间重构技术将原始时间序列数据所隐含的信息进行还原重构，作为SVR模型的输入进行非线性训练和预测。
具体的，具体为：
S501、构建预测模型结构，包括输入向量、支持向量的非线性变化和输出；
S502、利用支持向量机中的ε不敏感损失函数得到ε-SVR模型，采用高斯径向基函数f(xi,x)＝exp(-γ||xi-x||2)作为ε-SVR的核，采用遗传算法优化惩罚因子C和核函数参数γ；
S503、进行网络循环学习，修正SVR的输出及权值，直到误差控制在允许范围或迭代次数达到上限，训练结束；
S504、取样本前n个数据之后连续的Q个数据点作为预测数据，对模型进行预测，网络的输出值即为预测值，将预测值进行相应的反归一化处理，得到预测的实际值。
具体的，步骤S6具体为：
S601、分别用E1,E2,...,Em表示误差状态区间，状态转移只在t1,t2,...,tm可数时刻发生，定义误差均值
和标准差S，根据中心极限原理，将误差状态区间划分为5组，即
S602、Markov链由状态Ei经过k步转移到状态Ej的转移概率用
表示，根据一步状态转移概率矩阵计算k步的状态转移概率矩阵；
S603、设初始向量为P(0)，经k步转移后的状态向量判断k步所处的状态空间；
S604、根据步骤S602所得概率转移矩阵和步骤S603所得状态向量，得出误差修正后的值。
进一步的，步骤S601中，误差均值
和标准差S分别为：
其中，
为Chaos-SVR预测模型所求出的预测值矩阵，A(t)为真实值矩阵。
进一步的，步骤S602中，k步的状态转移概率矩阵P(k)为：
P(k)＝(P(1))k
其中，m为行数。
进一步的，步骤S603中，经k步转移后的状态向量为：
P(k)＝P(0)×P(k)＝P(0)×(P(1))k。
与现有技术相比，本发明至少具有以下有益效果：
本发明一种建筑运行能耗预测方法，在支持向量回归神经网络的基础上，探究了混沌现象背后隐藏的决定性规律使得将混沌理论应用于办公建筑运行能耗预测领域的可能性，利用最大lyapunov指数判断办公建筑运行能耗是否具有混沌特性，首先对办公建筑运行能耗数据进行了量纲统一，转化为千克标准煤(kgce)的形式；根据C-C相关估计法计算最大嵌入维数和最佳窗宽，重构办公建筑运行能耗时间序列的相空间，然后利用小数据量法计算最大lyapunov指数，其为正值得到办公建筑运行能耗具有混沌特性；最后利用混沌理论和支持向量回归组合模型对办公建筑运行能耗进行预测，考虑到组合模型预测结果部分还会存在一些相对误差，因此采用Markov链对预测结果作进一步修正来提高精度，Markov链的无效性特征在组合模型的误差修正中得到了充分体现，只对最后的预测结果做处理而不影响传统预测模型的运算过程，Markov修正之后的预测精度显著提高，更符合实际办公建筑运行能耗的变化规律，为办公建筑的优化运营与节能管理提供充分的决策依据。
进一步的，办公建筑运行能耗包括水耗量、电耗量、燃气量、集中供冷/热量和其它能源使用量。为了对办公建筑运行能耗时间序列进行混沌特性分析，由于其组成结构复杂，首先需要对多项数据统一量纲。因此，将所有运行能耗的量纲转化为千克标准煤(kgce)的形式，从而得到该办公建筑运行能耗的逐时序列。
进一步的，相空间是一种工具，用于描述由确定自由度的确定性混沌***生成的单变量或多变量时间序列重构的动态***。相空间重构的主要原理是在拓扑等价意义下从高维空间中恢复混沌吸引子的动力学特性，通过办公建筑运行能耗逐时序列的关联积分构成统计量，通过统计量和延迟时间的关系图计算延迟时间τ和最佳窗宽τw，根据τω＝(m-1)τ求出嵌入维数，得到重构后的相空间。嵌入维数和延迟时间的合理选取决定了办公建筑能耗时间序列相空间重构的质量，同时也保证了在实际预测中有足够高的预测精度。
进一步的，步骤S4中采用小数据量法可以充分利用所有能够利用的数据，对小数据组来说比较可靠，计算量不大，相对容易操作，计算结果精度高。
进一步的，办公建筑的Chaos-SVR的预测方法主要运用混沌理论，构造非线性映射利用相空间重构技术将原始时间序列数据所隐含的信息进行还原重构，并将其作为SVR模型的输入，进行非线性训练和预测。探究了混沌现象背后隐藏的决定性规律使得将混沌理论应用于办公建筑运行能耗预测领域的可能性。
进一步的，Markov链是一种具有无后效性的随机过程，Markov链适用于对存在波动性的预测问题进行修正描述。它可以根据某一已知条件的时刻条件下推求出下一时刻的概率分布，得到下一时刻的状态而与其他时刻无关。因此，在传统Chaos-SVR预测模型基础之上利用Markov链对累积误差进行修正，从而实现办公建筑能耗时间序列的精确预测。
进一步的，经过Markov链对组合模型中参数传递存在的累积误差进行了有效改进，它的修正过程适用于办公建筑运行能耗这一非线性***。Markov链的无效性特征在组合模型的误差修正中得到了充分体现，只对最后的预测结果做处理而不影响传统预测模型的运算过程，更符合实际办公建筑运行能耗的变化规律。
综上所述，本发明根据混沌理论构造非线性映射对办公建筑运行能耗时间序列进行相空间重构，判定办公建筑能耗时间序列存在混沌特性，提出Chaos-SVR的组合预测模型，并利用Markov链对组合模型中累积误差进行修正的方法，显著提高办公建筑运行能耗预测精度，为办公建筑的优化运营与节能管理提供充分的决策依据。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明流程框图；
图2为本发明C-C相关估计法重构办公建筑总能耗时间序列统计量曲线图；
图3为本发明求取最大lyapunov指数最小二乘法拟合直线图；
图4为本发明Chaos-SVR模型结构图；
图5为本发明所述模型的拟合效果；
图6为小数据量法流程图。
具体实施方式
本发明提供了一种建筑运行能耗预测方法，对研究对象的时间序列进行相空间重构，判断其具备混沌特性，建立混沌理论和支持向量回归的组合模型进行训练，采用Markov链消除组合模型由于参数传递产生的累积误差，得到最终预测结果对建筑的运行能耗进行预测。
请参阅图1，本发明一种建筑运行能耗预测方法，包括以下步骤：
S1、对办公建筑运行能耗数据进行处理；
对办公建筑运行能耗进行处理，将其分类为水耗量、电耗量、燃气量、集中供冷/热量和其它能源使用量。
S2、对办公建筑运行能耗包括水耗量、电耗量、燃气量、集中供冷/热量和其它能源使用量进行特征分析，并统一量纲为千克标准煤(kgce)的形式；
为了对办公建筑运行能耗时间序列进行混沌特性分析，由于办公建筑运行能耗组成结构复杂，首先需要对多项数据统一量纲。因此，将所有运行能耗的量纲转化为千克标准煤(kgce)的形式，从而得到该办公建筑运行能耗的逐时序列。
通过西安市建筑能耗监测平台，采集某办公建筑2019年8月1日0点到9月30日23点各项分类能耗数据，如表1所示。
表1西安某办公建筑能耗量统计
从表1可以看出，办公建筑运行能耗包括水耗量、电耗量、燃气量、集中供冷/热量和其它能源使用量。为了对办公建筑运行能耗时间序列进行混沌特性分析，由于其组成结构复杂，首先需要对多项数据统一量纲。因此，将所有运行能耗的量纲转化为千克标准煤(kgce)的形式，从而得到该办公建筑运行能耗的逐时序列。
S3、利用C-C相关估计法(使用相关积分进行估计延迟时间方法)对办公建筑运行能耗的时间序列进行相空间重构；
相空间是一种工具，用于描述由确定自由度的确定性混沌***生成的单变量或多变量时间序列重构的动态***。相空间重构的主要原理是在拓扑等价意义下从高维空间中恢复混沌吸引子的动力学特性，对于总能耗的逐时时间序列x1,x2,x3,...,xn-1,xn，适当选取嵌入维数m和延迟时间τ，得到重构相空间。
C-C相关估计法通过办公建筑运行能耗的逐时序列的关联积分构成统计量，通过统计量和延迟时间的关系图同时计算出延迟时间τ和最佳窗宽τw，再根据τω＝(m-1)τ求出嵌入维数，得到重构后的相空间。
S4、利用最大lyapunov指数判断办公建筑运行能耗时间序列具备混沌特性；
利用小数据量法求取最大Lyapunov指数，由此判断办公建筑运行能耗时间序列是否具有混沌特性。
请参阅图6，首先计算平均周期、延迟时间和嵌入维数，然后进行相空间重构，找出最临近点，限制短暂分离，测量平均分离后，用最小二乘法进行直线拟合，完成小数据量法；可以充分利用所有能够利用的数据，对小数据组来说比较可靠，计算量不大，相对容易操作，计算结果精度高。因此采用小数据量方法计算最大Lyapunov指数。
一个***的Lyapunov指数谱中有一个或一个以上的正值就可以肯定其存在混沌特性。
根据相空间重构C-C法求出的最佳延迟时间τ＝2及嵌入维数m＝2，利用小数据量法计算得出如图3所示办公建筑能耗时间序列的最小二乘法拟合直线。
根据直线斜率可以得到最大Lyapunov指数值为0.007 7，此为正值，由此可得出办公建筑总能耗量时间序列具有混沌特性。
在相空间重构后，相空间中的两条相邻轨线将随时间逐渐发散或聚合，而Lyapunov指数是其轨线的收敛或发散率，正的最大Lyapunov指数反映时间序列具有混纯特征，负的最大Lyapunov指数表明时间序列具有随机性或周期性；最大Lyapunov指数越大，时间序列的非线性越强，对初值越敏感。
S5、利用Chaos-SVR神经网络进行短期能耗预测；
办公建筑的Chaos-SVR的预测方法运用混沌理论，构造非线性映射，利用相空间重构技术将原始时间序列数据所隐含的信息进行还原重构，并将其作为SVR模型的输入，进行非线性训练和预测。
S501、构建预测模型结构，主要包括三部分：输入向量、支持向量的非线性变化和输出；
西安某办公建筑运行能耗的时间序列进行重构后的相空间为Y2(i)＝[x(i),x(i+2)]，相点数为N＝n-2，每个相点包含了每个序列的主要特征，能够逼近建筑能耗的真实状态。向量xi＝(xi,l)是模型的输入向量，β＝(β1,β2,...βl)是输出的权重向量，yi＝f(xi)是模型的输出。Chaos-SVR模型结构如图4所示；
S502、利用支持向量机中的ε不敏感损失函数，得到ε-SVR模型，采用高斯径向基函数f(xi,x)＝exp(-γ||xi-x||2)作为ε-SVR的核，ε-SVR估计函数的形式为：
其中αi,αi *是lagrange乘子；对于ε-SVR，一个重要的问题是模型参数的选择，采用遗传算法(Genetic Algorithm，GA)来优化惩罚因子C和核函数参数γ；
S503、进行网络循环学习，修正SVR的输出及权值，直到误差控制在允许范围或迭代次数达到上限，训练结束；
S504、取样本前n个数据之后连续的Q个数据点作为预测数据，对模型进行预测，网络的输出值即为预测值，将预测值进行相应的反归一化处理，得到预测的实际值。
S6、利用Chaos-SVR神经网络的预测结果划分误差区间，构建Markov概率转移矩阵；
利用均值-方差法对预测结果进行划分误差区间，然后根据划分好的区间，对误差进行分类，根据分类结果构建Markov概率转移矩阵，确定出初始向量所处的状态来的出预测时间段所处的状态。
S601、误差状态区间划分
误差状态区间表示未来时刻预测值的误差状态，用E1,E2,...,Em分别来表示，并且状态转移只在t1,t2,...,tm等可数时刻发生。定义误差均值
和标准差S分别为：
其中，
为Chaos-SVR预测模型所求出的预测值矩阵，A(t)为真实值矩阵，根据中心极限原理，将误差状态区间划分为5组，即
S602、状态转移概率矩阵
Markov链由状态Ei经过k步转移到状态Ej的转移概率用
表示，其含义是指未来时刻会处于哪一个误差状态区间，计算如下：
其中，Ni表示状态Ei出现的总次数；
表示状态Ei误差经过k步转移到状态Ej的次数；n为划分的状态区间数目，那么一步状态转移概率矩阵如下：
使用C-K方程(切普曼-柯尔莫哥洛夫方程)计算k步的转移概率矩阵为：
P(k)＝(P(1))k
S603、预测模型
设初始向量为P(0)，经k步转移后的状态向量为：
P(k)＝P(0)×P(k)＝P(0)×(P(1))k
据此可以判断k步所处的状态空间。
S604、根据步骤S602所得概率转移矩阵和步骤S603所得状态向量，得出误差修正后的值。
S7、进行Markov链误差修正，得到最终的预测值对建筑的运行能耗进行预测。
根据步骤S6确定的误差区间确定各时间段的状态向量，根据状态转移向量和概率转移矩阵计算经Markov链修正后的Chaos-SVR神经网络预测模型的预测值。
误差修正为利用划分好的误差区间和Markov概率转移矩阵得出特征值和特征向量，根据特征值和特征向量得到修正后的结果。
以该办公建筑9月25日的预测数据为例进行Markov链参数的设置。
首先通过预测能耗值与实际能耗值的误差均值
和标准差S＝0.088确定误差状态空间如表3所示。
表3Markov链的误差状态区间
根据划分的状态区间对Chaos-SVR模型预测值的误差值进行状态划分，划分结果如表4所示。
表4Chaos-SVR模型预测误差分类结果
根据上述误差状态区间的确定可以得到Chaos-SVR预测结果的Markov链的状态转移情况，进一步计算出状态转移概率矩阵P为：
根据Markov链修正模型得到办公建筑9月25日的能耗预测状态向量，针对Chao-SVR预测模型存在的累积误差进行修正，得到该办公建筑能耗的最终预测值。
为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中的描述和所示的本发明实施例的组件可以通过各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作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。
本发明一种建筑运行能耗预测方法，通过西安市建筑能耗监测平台，采集某办公建筑2019年8月1日0点到9月30日23点各项分类能耗数据进行实验验证，表明该模型在实际的应用中能够准确的预测到办公建筑运行能耗的变化情况，对节能减排起到了非常大的积极作用。
选取2019年9月4日到9月24日共计20天480组数据作为训练数据，以9月25日和26日两天共计48组数据作为预测数据来进行模型验证。并与目前在时间序列预测领域应用广泛的两种机器学***均绝对百分比误差MAPE(Mean Absolute Percent Error)作为评价指标。
使用训练后的Chaos-SVR和Markov链相结合的模型在测试数据集上进行分析，测试数据的拟合效果如图5所示，横坐标为采样时间点，纵坐标为办公建筑运行能耗值，从图5中可以看出，Narnet预测曲线波动最大，SVR预测曲线较为平缓，Chaos-SVR预测曲线距离真实值曲线最接近，部分值几乎完全拟合。
本发明所述的一种基于Chaos-SVR与Markov链相结合的办公建筑运行能耗复合预测方法，预测出的具体的负荷值与真实的值有差距，但是预测值曲线的整体升高和降低的变化趋势已经能够很精确的对真实负荷曲线进行反映。
请参阅图2，分析得到，
第一个零点或
第一次取得的极小值，时间序列独立的第一个局部最大值的对应的延迟时间即为最佳延迟时间τ＝2。Scor(t)取得最小值，时间序列独立的第一个整体最大时间窗口t为最佳窗宽τw＝2，根据嵌入时间窗宽公式τw＝(m-1)τ可确定嵌入维数m＝2。因此，该办公建筑总能耗时间序列重构的相空间为Y2(i)＝[x(i),x(i+2)]。
请参阅图3，根据直线斜率可以得到最大Lyapunov指数值为0.007 7，此为正值，由此可得出办公建筑总能耗量时间序列具有混沌特性。
请参阅图4，为预测模型结构，主要包括三部分：输入向量、支持向量的非线性变化和输出。西安某办公建筑运行能耗的时间序列进行重构后的相空间为Y2(i)＝[x(i),x(i+2)]，相点数为N＝n-2，每个相点包含了每个序列的主要特征，能够逼近建筑能耗的真实状态。向量xi＝(xi,l)是模型的输入向量，β＝(β1,β2,...βl)是输出的权重向量，yi＝f(xi)是模型的输出。
根据实验数据，采用非线性自回归神经网络(Narnet)、支持向量回归(SVR)、Chao-SVR、Chaos-SVR-Markov方法分别进行办公建筑运行能耗短期预测，对预测结果和实际值进行比较，得到表5所示预测结果误差对比。
表5预测结果误差对比
由表1可以看出，Chaos-SVR预测模型的RMSE为6.326 1，MAPE为0.2875，相较于其他两种方法均最小。实验是在同样的环境和同一组数据的基础上进行的，Chaos-SVR预测方法相较于Narnet和SVR方法，预测效果更好。经Markov修正之后的RMSE和MAPE均降低，这说明经过Markov链对组合模型中存在由于参数传递产生的累积误差进行了有效改进，它的修正过程适用于办公建筑运行能耗这一非线性***。Markov链的无效性特征在组合模型的误差修正中得到了充分体现，只对最后的预测结果做处理而不影响传统预测模型的运算过程，更符合实际办公建筑运行能耗的变化规律。因此，与Chaos-SVR时间序列预测模型相比，基于Markov链修正的Chaos-SVR时间序列预测模型更优良。
综上所述，本发明基于Chaos-SVR神经网络与Markov链相结合的办公建筑运行能耗复合预测方法，对西安某实际办公建筑运行能耗特征进行了分析，发现其时间序列数据存在混沌特性，将其混沌特征作为SVR模型的输入变量，并且对组合模型进行了误差修正，降低冗余度和特征模型的复杂度，提高算法的运算效率。经实验验证，在实际的应用中能够及时并且准确的反应办公建筑的短期用能情况，对办公建筑运行能耗的预测起到了积极作用。
以上内容仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明权利要求书的保护范围之内。
Claims (10)
1.一种建筑运行能耗预测方法，其特征在于，包括以下步骤：
S1、采集办公建筑的运行能耗数据并进行预处理；
S2、对预处理后的办公建筑运行能耗数据进行特征分析，统一量纲为千克标准煤的形式，得到办公建筑运行能耗的时间序列；
S3、利用C-C相关估计法对办公建筑运行能耗的时间序列进行相空间重构；
S4、利用最大lyapunov指数判断步骤S3重构后的办公建筑运行能耗时间序列是否具备混沌特性；
S5、利用Chaos-SVR神经网络对步骤S4中具备混沌特性的办公建筑运行能耗时间序列进行短期能耗预测；
S6、利用Chaos-SVR神经网络划分步骤S5预测结果的误差区间，构建Markov概率转移矩阵；
S7、对步骤S6的Markov概率转移矩阵进行Markov链误差修正，得到预测值对办公建筑的运行能耗进行预测。
2.根据权利要求1所述的建筑运行能耗预测方法，其特征在于，步骤S1中，预处理具体为：将办公建筑运行能耗数据划分为水耗量、电耗量、燃气量、集中供冷/热量和其它能源使用量。
3.根据权利要求1所述的建筑运行能耗预测方法，其特征在于，步骤S3中，通过办公建筑运行能耗逐时序列的关联积分构成统计量，通过统计量和延迟时间的关系图计算延迟时间τ和最佳窗宽τw，根据τω＝(m-1)τ求出嵌入维数，得到重构后的相空间。
4.根据权利要求1所述的建筑运行能耗预测方法，其特征在于，步骤S4中，利用小数据量法求取最大Lyapunov指数，具体为：首先计算平均周期、延迟时间和嵌入维数，然后进行相空间重构，找出最临近点，限制短暂分离，测量平均分离后，用最小二乘法进行直线拟合，当最大Lyapunov指数值为正值时，出办公建筑总能耗量时间序列具有混沌特性。
5.根据权利要求1所述的建筑运行能耗预测方法，其特征在于，步骤S5中，运用混沌理论构造非线性映射，利用相空间重构技术将原始时间序列数据所隐含的信息进行还原重构，作为SVR模型的输入进行非线性训练和预测。
6.根据权利要求5所述的建筑运行能耗预测方法，其特征在于，具体为：
S501、构建预测模型结构，包括输入向量、支持向量的非线性变化和输出；
S502、利用支持向量机中的ε不敏感损失函数得到ε-SVR模型，采用高斯径向基函数f(xi,x)＝exp(-γ||xi-x||2)作为ε-SVR的核，采用遗传算法优化惩罚因子C和核函数参数γ；
S503、进行网络循环学习，修正SVR的输出及权值，直到误差控制在允许范围或迭代次数达到上限，训练结束；
S504、取样本前n个数据之后连续的Q个数据点作为预测数据，对模型进行预测，网络的输出值即为预测值，将预测值进行相应的反归一化处理，得到预测的实际值。
7.根据权利要求1所述的建筑运行能耗预测方法，其特征在于，步骤S6具体为：
S601、分别用E1,E2,...,Em表示误差状态区间，状态转移只在t1,t2,...,tm可数时刻发生，定义误差均值X和标准差S，根据中心极限原理，将误差状态区间划分为5组，即
S602、Markov链由状态Ei经过k步转移到状态Ej的转移概率用
表示，根据一步状态转移概率矩阵计算k步的状态转移概率矩阵；
S603、设初始向量为P(0)，经k步转移后的状态向量判断k步所处的状态空间；
S604、根据步骤S602所得概率转移矩阵和步骤S603所得状态向量，得出误差修正后的值。
8.根据权利要求7所述的建筑运行能耗预测方法，其特征在于，步骤S601中，误差均值
和标准差S分别为：
其中，
为Chaos-SVR预测模型所求出的预测值矩阵，A(t)为真实值矩阵。
9.根据权利要求7所述的建筑运行能耗预测方法，其特征在于，步骤S602中，k步的状态转移概率矩阵P(k)为：
P(k)＝(P(1))k
其中，m为行数。
10.根据权利要求7所述的建筑运行能耗预测方法，其特征在于，步骤S603中，经k步转移后的状态向量为：
P(k)＝P(0)×P(k)＝P(0)×(P(1))k。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010162519.5A CN111340305A (zh) | 2020-03-10 | 2020-03-10 | 一种建筑运行能耗预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010162519.5A CN111340305A (zh) | 2020-03-10 | 2020-03-10 | 一种建筑运行能耗预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111340305A true CN111340305A (zh) | 2020-06-26 |
Family
ID=71186579
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010162519.5A Pending CN111340305A (zh) | 2020-03-10 | 2020-03-10 | 一种建筑运行能耗预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111340305A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111830350A (zh) * | 2020-07-23 | 2020-10-27 | 珠海格力电器股份有限公司 | 能耗计量方法、装置及电器 |
| CN112180733A (zh) * | 2020-10-14 | 2021-01-05 | 西安建筑科技大学 | 一种基于模糊逻辑的建筑能耗***预测控制参数整定方法 |
| CN112288139A (zh) * | 2020-10-10 | 2021-01-29 | 浙江中烟工业有限责任公司 | 基于混沌时间序列的空调能耗预测方法、***及存储介质 |
| CN115081763A (zh) * | 2022-08-24 | 2022-09-20 | 山东鲁晟精工机械有限公司 | 一种数控车床车削过程能耗预测*** |
| CN117294019A (zh) * | 2023-10-11 | 2023-12-26 | 中铁十四局集团建筑工程有限公司 | 一种基于物联网的绿色建筑能耗监测方法及*** |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110260470A (zh) * | 2019-06-20 | 2019-09-20 | 西安建筑科技大学 | 基于群智能架构的中央空调并联冷机负荷优化分配方法 |
| CN110264004A (zh) * | 2019-06-20 | 2019-09-20 | 西安建筑科技大学 | 一种基于PSO-BP与Markov链相结合的空调冷负荷动态预测方法 |
| CN110621031A (zh) * | 2019-07-31 | 2019-12-27 | 中南大学 | 一种基于异构能量获取的多用户多任务移动边缘计算节能方法 |
-
2020
- 2020-03-10 CN CN202010162519.5A patent/CN111340305A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110260470A (zh) * | 2019-06-20 | 2019-09-20 | 西安建筑科技大学 | 基于群智能架构的中央空调并联冷机负荷优化分配方法 |
| CN110264004A (zh) * | 2019-06-20 | 2019-09-20 | 西安建筑科技大学 | 一种基于PSO-BP与Markov链相结合的空调冷负荷动态预测方法 |
| CN110621031A (zh) * | 2019-07-31 | 2019-12-27 | 中南大学 | 一种基于异构能量获取的多用户多任务移动边缘计算节能方法 |
Non-Patent Citations (3)
| Title |
|---|
| ZHOUXUAN ET AL.: "Forecasting performance comparison of two hybrid machine learning models for cooling load of a large-scale commercial building", 《JOURNAL OF BUILDING ENGINEERING》 * |
| 王富强 等: "基于混沌相空间重构与支持向量机的风速预测", 《太阳能学报》 * |
| 郭杰昊: "基于混沌时间序列的短期负荷预测研究", 《中国优秀硕士学位论文全文数据库 基础科学辑》 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111830350A (zh) * | 2020-07-23 | 2020-10-27 | 珠海格力电器股份有限公司 | 能耗计量方法、装置及电器 |
| CN112288139A (zh) * | 2020-10-10 | 2021-01-29 | 浙江中烟工业有限责任公司 | 基于混沌时间序列的空调能耗预测方法、***及存储介质 |
| CN112180733A (zh) * | 2020-10-14 | 2021-01-05 | 西安建筑科技大学 | 一种基于模糊逻辑的建筑能耗***预测控制参数整定方法 |
| CN115081763A (zh) * | 2022-08-24 | 2022-09-20 | 山东鲁晟精工机械有限公司 | 一种数控车床车削过程能耗预测*** |
| CN115081763B (zh) * | 2022-08-24 | 2022-11-11 | 山东鲁晟精工机械有限公司 | 一种数控车床车削过程能耗预测*** |
| CN117294019A (zh) * | 2023-10-11 | 2023-12-26 | 中铁十四局集团建筑工程有限公司 | 一种基于物联网的绿色建筑能耗监测方法及*** |
| CN117294019B (zh) * | 2023-10-11 | 2024-03-22 | 中铁十四局集团建筑工程有限公司 | 一种基于物联网的绿色建筑能耗监测方法及*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111340305A (zh) | 一种建筑运行能耗预测方法 | |
| CN111626506B (zh) | 基于联邦学习的区域光伏功率概率预测方法及其协同调控*** | |
| Gao et al. | Day-ahead power forecasting in a large-scale photovoltaic plant based on weather classification using LSTM | |
| CN108846517B (zh) | 一种分位数概率性短期电力负荷预测集成方法 | |
| CN110705743B (zh) | 一种基于长短期记忆神经网络的新能源消纳电量预测方法 | |
| CN110880789B (zh) | 一种风电、光伏联合发电***经济调度方法 | |
| CN111260136A (zh) | 一种基于arima-lstm组合模型的楼宇短期负荷预测方法 | |
| Wang et al. | Design of a combined system based on two-stage data preprocessing and multi-objective optimization for wind speed prediction | |
| CN110729764B (zh) | 一种含光伏发电***的优化调度方法 | |
| CN113107626B (zh) | 一种基于多变量lstm的联合循环发电机组负荷预测方法 | |
| CN113205207A (zh) | 一种基于XGBoost算法的用电短期负荷波动预测方法及*** | |
| CN111353656A (zh) | 一种基于生产计划的钢铁企业氧气负荷预测方法 | |
| CN113344192B (zh) | 企业级电机***节能优化自动控制方法及*** | |
| CN116167531A (zh) | 一种基于数字孪生的光伏发电预测方法 | |
| CN115965132A (zh) | 基于ga-bp神经网络的分布式光伏数字孪生***功率预测方法 | |
| Wang et al. | Multi-criteria comprehensive study on predictive algorithm of heating energy consumption of district heating station based on timeseries processing | |
| CN109190786A (zh) | 一种光伏发电效率的组合预测方法 | |
| Kuan et al. | Short-term CHP heat load forecast method based on concatenated LSTMs | |
| Wang et al. | Load forecasting method of integrated energy system based on CNN-BiLSTM with attention mechanism | |
| CN116485139A (zh) | 一种基于多特征融合的短期光伏发电量预测方法 | |
| Qu et al. | A trend forecast of import and export trade total volume based on LSTM | |
| Ren et al. | Calculation Method of the Line Loss Rate in Transformer District Based on Neural Network with Optimized Input Variables | |
| CN112669169B (zh) | 一种短期光伏功率预测装置及方法 | |
| Yao et al. | Short term power load forecasting method based on particle swarm optimization algorithm and recurrent neural network | |
| Li et al. | Short-Term Load Forecasting of Energy Internet Based on Energy Consumption Structure |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200626 |
|
| RJ01 | Rejection of invention patent application after publication |