CN111898856A - 基于极限学习机的物理-数据融合楼宇的分析方法 - Google Patents
基于极限学习机的物理-数据融合楼宇的分析方法 Download PDFInfo
- Publication number
- CN111898856A CN111898856A CN202010571025.2A CN202010571025A CN111898856A CN 111898856 A CN111898856 A CN 111898856A CN 202010571025 A CN202010571025 A CN 202010571025A CN 111898856 A CN111898856 A CN 111898856A
- Authority
- CN
- China
- Prior art keywords
- data
- building
- model
- temperature
- physical
- 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
- 230000004927 fusion Effects 0.000 title claims abstract description 58
- 238000004458 analytical method Methods 0.000 title claims abstract description 44
- 238000000034 method Methods 0.000 claims abstract description 50
- 238000012549 training Methods 0.000 claims abstract description 36
- 230000005611 electricity Effects 0.000 claims abstract description 32
- 230000006399 behavior Effects 0.000 claims abstract description 30
- 230000003068 static effect Effects 0.000 claims abstract description 7
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 238000010438 heat treatment Methods 0.000 claims description 114
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 88
- 230000006870 function Effects 0.000 claims description 56
- 238000003860 storage Methods 0.000 claims description 53
- 238000010248 power generation Methods 0.000 claims description 44
- 238000013499 data model Methods 0.000 claims description 42
- 230000007613 environmental effect Effects 0.000 claims description 27
- 230000004913 activation Effects 0.000 claims description 23
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000005338 heat storage Methods 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 238000005457 optimization Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 10
- 238000010801 machine learning Methods 0.000 claims description 9
- 238000005259 measurement Methods 0.000 claims description 9
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims description 8
- 238000009423 ventilation Methods 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 6
- 238000011160 research Methods 0.000 claims description 5
- 230000005540 biological transmission Effects 0.000 claims description 4
- 238000011217 control strategy Methods 0.000 claims description 4
- 238000001816 cooling Methods 0.000 claims description 4
- 238000000354 decomposition reaction Methods 0.000 claims description 4
- 239000007789 gas Substances 0.000 claims description 4
- 230000014509 gene expression Effects 0.000 claims description 4
- 238000004519 manufacturing process Methods 0.000 claims description 4
- 239000000463 material Substances 0.000 claims description 4
- 238000013178 mathematical model Methods 0.000 claims description 4
- 239000003345 natural gas Substances 0.000 claims description 4
- 239000008400 supply water Substances 0.000 claims description 4
- 238000012546 transfer Methods 0.000 claims description 4
- 230000001052 transient effect Effects 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 claims description 2
- 238000009435 building construction Methods 0.000 claims description 2
- 238000004140 cleaning Methods 0.000 claims description 2
- 238000012850 discrimination method Methods 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 230000004044 response Effects 0.000 abstract description 4
- 238000005265 energy consumption Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000001364 causal effect Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000007500 overflow downdraw method Methods 0.000 description 2
- 238000004940 physical analysis method Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000004088 simulation 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
- G06Q10/067—Enterprise or organisation modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/211—Selection of the most significant subset of features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- 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
- G06N3/045—Combinations of 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
- 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及电力***领域,具体涉及基于极限学习机的物理‑数据融合楼宇建模的分析方法。该方法先数据采集和预处理:通过搜集和预处理后的建筑数据、电气数据,基于总体测辩法构建楼宇物理模型;将楼宇物理模型与搜集和预处理后的用户数据、环境数据以及实际用电数据用极限学习机进行训练,得到物理‑数据融合模型;待分析的用电行为的静态参数通过物理模型,再与动态参数输入到物理‑数据融合模型中,得到分析结果。该***包括数据采集和预处理模块、楼宇物理模块;物理‑数据融合模块。为解决目前楼宇模型精度低,需求侧响应较慢,负荷预测精度低的问题,本发明提出一种基于极限学习机的物理‑数据融合楼宇建模的分析方法。
Description
技术领域
本发明涉及电力***领域,具体涉及基于极限学习机的物理-数据融合楼宇建模的分析方法。
背景技术
随着泛在电力物联网建设的大力推进,海量传感终端的布置使得数字化房屋的用电能耗分析与控制成为了研究和应用的热点现有的房屋能效分析通常是基于配电网台区或单个楼宇的聚合模型。而外部环境的动态变化、楼宇中热量分布不均、内部连通结构的变化状态,甚至人员的活动行为都会引起楼宇用电模型的参数偏差,进而影响房屋用电能耗的准确分析。
因此,构建准确的房屋用电模型对实现用电能耗准确分析和进一步的节能管控等目标至关重要。目前楼宇电能能耗模型的建立主要三种方法,一是基于物理的仿真建模,通过有限元、空间向量法等建模方法,结合楼宇能耗分析软件建立模型;二是基于统计或数据驱动模型,通过大量的实测数据和智能算法建立能耗模型,三是基于物理-数据融合思想的建模方式。在这三种方法中,基于物理模型的仿真方法能有效反映出楼宇电-热转换的因果关系,但由于量测数据不准确,物理模型复杂度高往往导致模型精度较差。方法二和方法三能利用建筑物本身的历史数据和天气数据,来训练和校准建筑物的用电能耗模型,计算时间短可用于实时操作决策,但方法二对样本量非常敏感,训练数据集的需求量远远大于方法三。
现有的基于楼宇电能能耗模型的分析方法并不能完全满足多元数据的需求,急需一种宇模型精度高,需求侧响应较快,负荷预测精高的分析方法。
发明内容
发明目的:
本发明在于克服基于传统楼宇建模的分析方法的缺陷,提出一种基于极限学习机的物理-数据融合楼宇建模的分析方法。其目的为解决目前楼宇模型精度低,需求侧响应较慢,负荷预测精度低的问题。
技术方案:
基于极限学习机的物理-数据融合楼宇建模的分析方法,该方法包括如下步骤:
步骤1,数据采集和预处理:
步骤2,通过搜集和预处理后的建筑数据、电气数据,基于总体测辩法构建楼宇物理模型;
步骤3,将楼宇物理模型与搜集和预处理后的用户数据、环境数据以及实际用电数据用极限学习机进行训练,得到物理-数据融合模型;
待分析的用电行为的静态参数通过物理模型,再与动态参数输入到物理-数据融合模型中,得到分析结果。
基于极限学习机的物理-数据融合楼宇建模的分析***,该***包括数据采集和预处理模块、楼宇物理模块;物理-数据融合模块;采集和预处理模块,用于数据的采集和预处理;楼宇物理模块,用于通过搜集和预处理后的建筑数据、电气数据,基于总体测辩法构建楼宇物理模型;物理-数据融合模块,用于将楼宇物理模型与搜集和预处理后的用户数据、环境数据以及实际量测数用极限学习机进行训练,得到物理-数据融合模型;待分析的用电行为的静态参数通过物理模型,再与动态参数输入到物理-数据融合模型中,得到分析结果。
优点及效果:
本发明具有以下优点和有益效果:
1.采用物理-数据融合的方法对楼宇模型进行建模分析,传统楼宇模型只是从单一物理模型进行建模,环境因素,用户行为并没有考虑,本发明基于机器学习法将物理模型与数据模型进行融合,通过机器学习法将楼宇物理模型与数据模型进行融合,使用用高熵的因果型数据替代一般的主成分,以机器学习方法快速计算不同物理简化模型方法输出结果的可信度,该方法在将物理模型与数据模型结合的基础上对电降低了所建模型的复杂度,同时也提高了楼宇模型的精度。
2.将楼宇物理-数据模型与实际负荷用极限学习机进行训练,因为该方法能够从楼宇负荷的历史和经验数据中挖掘知识,为楼宇负荷的分析、控制和规划等业务提供直接或辅助决策。与其他方法相比,其具有如下特点:①在学习过程中隐层节点/神经元不需要迭代调整;②既属于通用单隐层前馈网络,又属于多隐层前馈网络;③其相同架构可用作特征学习、聚类、回归和分类多种问题;④其权值参数求解方式能够保证求解结果的全局最优。通过改变极限学习机ELM算法的隐含层节点的激活函数,重复训练ELM网络,计算不同激活函数下训练的准确率。以准确率为评价指标,选出适用于用户用电行为分析的激活函数,该方法通过神经算法将所建的物理-数据模型与实际负荷进行最大程度的拟合,极大提高了物理-数据模型的精度,且对楼宇模型负荷预测精度有较大提升。
综上所述,本发明首次将极限学习机与物理-数据融合的方法用于楼宇建模分析中,该方法能够充分计及楼宇内热-电转化特性,以及各种环境参数及设备用电行为的动态变化,实现更为准确的楼宇用电模型构建及精细化用电能耗分析,以及更精准的负荷预测能力。
附图说明
图1是物理-数据融合算法框架图;
图2是分析用电行为的框架图;
图3极限学习机结构示意图。
具体实施方式
下面结合附图对本发明的具体实施方法进行描述,以便本领域的技术人员更好理解本发明。
本发明针对传统楼宇建模分析过程中,由于在建模过程中存在对样本的需求量大,环境数据,用户行为等动态因素没有考量等问题导致所建模型结构复杂,模型精度差,负荷预测精度低的问题,提出了一种基于极限学习机的物理-数据融合楼宇建模方法。本发明适用于楼宇模型,在降低模型复杂度的基础上,提高了模型的准确率,同时对负荷的预测精度大大增加。
基于现有技术,本发明结合建筑,电气,环境和用户行为等多元数据,提出了一种基于极限学习机的物理与数据融合建模的数字化房屋用电模型构建方法,并可实现精细化的负荷用电能效分析。相比于传统的神经网络模型,其具有学习速度快,训练误差小、泛化能力强的优点。通过数据与物理建模方法的结合,可以对大大提高负荷模型的精度,对负荷的需求侧响应,负荷预测精度有较大提升。
如图1和图2所示,基于极限学习机的物理-数据融合楼宇建模的分析方法,其特征在于:该方法包括如下步骤:
步骤1,数据采集和预处理:
步骤2,通过搜集和预处理后的建筑数据、电气数据,基于总体测辩法构建楼宇物理模型;
步骤3,将楼宇物理模型与搜集和预处理后的用户数据、环境数据以及实际用电数据用极限学习机进行训练,得到物理-数据融合模型;
待分析的用电行为的静态参数通过物理模型,再与动态参数输入到物理-数据融合模型中,得到分析结果。
通过总体测辩法建立楼宇物理模型具体包括:
通过机器学习法将物理模型与数据模型融合,利用反映物理关联关系的物理简化模型对楼宇的状态进行描述,生成具有高熵特性的数据,以此作为物理模型和数据模型输入;
物理模型和数据模型的表达式为:
其中k表示时间状态标签,k+1表示未来时刻,Xk+1为k+1时刻预测的***状态特征组成的向量;xk+1'为k+1时刻物理模型预处理的待预测状态特征向量;f和h分别反映物理模型和数据模型中测量数据与待预测数据特征的映射关系;u为数据模型计算中的随机误差向量;Xk和Yk为电力***量测数据组成的向量,区别在于量测数据向量Xk经物理模型处理,而量测数据向量Yk经数据模型处理。
物理-数据融合模型中物理物理模型为数据模型提供高熵的输入特征,让数据模型能够更精准地表达待解决问题的特性,进而建立精准的数据模型。
通过机器学习法将楼宇数据模型与物理模型进行融合,用高熵的因果型数据代替常规的主成分,以机器学习方法快速计算不同物理简化模型方法输出结果的可信度,得到楼宇物理-数据融合模型,之后启动楼宇物理数-据模型进行计算。
物理简化模型具体步骤包括:
首先建立楼宇物理模型;楼宇物理模型包括建筑物理模型和热泵物理模型
智能楼宇的加热模型中,建筑物从外界得热的方式主要有以下三种,热传导,热对流,热辐射。储热能力和导热能力是建立智能楼宇RC网络模型的概念基础。墙壁、天花板、地板以及室内空气可以设为模型中的储热元件。它们储存的热量是其本身质量及其比热容的函数。与此同时,热量不仅被用来储存,智能楼宇也可通过楼宇中的储热元件与外界进行热交换。现阶段最为常用的RC网络模型在保证一定精确度的同时保持了楼宇的动态加热特性,因此获得较为广泛的应用。
表1单位类比
如表1所示,通过类比牛顿冷却定律与欧姆定律,将热量类比为电路中的电荷,温差类比为电压,传热速率类比为电流,热阻类比为电阻;同时为了进一步研究智能楼宇模型的暂态热行为,引入了热容即物体的储热能力;在RC网络模型中,墙体、室内以及室外空气作为该电路模型中的节点。
智能楼宇模型为:假定供暖***位于建筑物的技术室tr中;假设加热***的所有部分对技术室的热量损失都是线性的;这些热量损失表示为热泵损失hp,空间供热储罐sh和生活热水储罐dw的热阻;一个通过传输和通风排入周围的空气amb,并排入假定为恒温的地面gnd;由于假定地板和所有墙壁均使用重质材料建造,因此地板和外墙的热阻在集总热容量的任一侧均分为几部分Rw1、Rw2和Rf1、Rf2,Rw1、Rw2为外墙等效热阻,Rf1、Rf2为地板等效热阻;通风热损失建模为热阻Rve太阳能和内部收益建模为热量流向所有热容量;
所以对建筑模型可以写成:
其中,Cin、Cwi、Cwe、Cf1、Ctr分别表示室内空气,内墙,外墙,地板,技术室温度等效电容,t表示时间变量,Qin表示室空气的加热能力,Qwi表示内墙加热能力,Qwe表示外墙加热能力,Qf1表示地板加热能力,Qhp,loss表示热泵损失热量;
Tin、Tamb、Twi、Tf1、Tsh、Ttr分别表示表示室内空气,流入室内空气,内墙,地板,热水泵,技术室温度;
在最优控制问题中,忽略了热泵对机房的热损失;方程被离散化为:
其中,Ti和Ti+1分别表示i时刻和i+1时刻的温度,Δt表示加热时间
热流向不同的组件由于太阳能和内部增益计算为:
建筑物的工作温度是线性化的:
其中Q表示热泵加热能力,P表示所需功率输入,lt,mt,ht分别表示低温,中温,高温;
对热泵加热***的加热***建模如下:
热泵为空间供暖或生活热水生产提供热量:
表示在i时刻热泵在低温时的加热能力,表示在i时刻热泵在低温时热泵的加热能力,表示在i时刻在低温时储水箱的加热能力,同理;表示在i时刻热泵在中温时的加热能力,表示在i时刻热泵在中温时加热器的加热能力,表示在i时刻在中温时储水箱的加热能力,表示在i时刻热泵在高温时的加热能力,表示在i时刻热泵在高温时加热器的加热能力,表示在i时刻在高温时储水箱的加热能力;
热泵效率随环境温度,水温和压缩机调节而变化的原因如下:
php表示热泵总功率,php,ht表示高温加热功率,php,lt表示低温加热功率,php,mt表示中温加热功率,ζl表示调制度,ζq为约束系数;
辅助加热器效率假定为1:
空间热量存储状态由以下公式计算:
有其他限制:
计算生活热水储罐状态:
Cdw,lt表示低温时储水箱等效电容,Cdw,mt表示中温时储水箱等效电容,Cdw,ht表示高温时储水箱等效电容,Cdw,vht表示超高温时储水箱等效电容,表示在i时刻超高温时的加热能力,表示i时刻超高温时辅助加热器的加热能力;
其他限制:
表示超高温时储水箱温度,表示高温时储水箱温度,表示低温时储水箱温度,示中温时储水箱温度;Tmains表示恒温混合阀将储存的水与来自水管的冷水混合后的温度;Tdw,dem表示储水箱需求温度;c表示水的比热容;
所以所述多标准目标被写为:
对于热泵楼宇物理模型的控制策略定义不同的控制目标;
先从个人消费者的角度来看,消费者希望最小化自己的用于提供热舒适性和生活热水的成本;如果保持了热舒适性,则通过在控制范围内将单个能源成本最小化来实现这一目标;不适的成本被添加到目标函数从作为软约束:
其次,考虑能源使用的环境影响观点,将使用过的能源对环境的影响降到最低;由于每个代工厂的影响都不同,因此优化尝试尽可能地运行最环保的工厂;然后将目标函数写为:
选择发电对不同电厂的影响作为屋顶光伏发电、海上风能发电、核能发电、联合循环天然气发电和开式循环燃气轮机发电的单级影响;最后,考虑到发电对环境的影响,不仅能源的使用是重要的;对于许多发电厂来说,大量的排放是伴随着发电厂的建设和退役而来的;
由于这是一种近似值,将装机容量成本包括在目标函数中,这里指定的容量价格为pimpact;cap几乎没有物理意义;
如果超载情况发生,其影响远远大于在刚好低于超载阈值的功率下发电的影响;将消费者成本、能源影响和产能影响这三种观点融合在一个单一的多目标函数中;将能源影响纳入消费者成本函数环境影响的权重因子能量介绍尺度的环境影响发电成本的消费者;当因素很小,控制器就会忽略发电的影响;因素很大,容量影响观点可以简单地添加到成本函数中;为了改变控制器的行为,为了尽量减量,重载阈值也会改变
根据楼宇物理模型与搜集和预处理后的用户数据、环境数据以及实际量测数用极限学习机进行训练,具体包括:
用最佳特征集作为极限学习机网络的输入;根据实际用电数据给数据贴上分类标签,以作为极限学习机网络的输出,以此来训练极限学习机网络;同时选出适合用户用电行为分析的激活函数;在确定激活函数后,通过改变隐含层的节点个数,多次训练极限学习机网络,计算不同隐含层节点下训练结果准确率;同时降低计算的复杂度,得到物理-数据融合模型。
根据特征优选策略,选出适用于使用的用户用电数据的优选特征集,经过对居民用户负荷曲线的特征优选,优选特征集包括日平均负荷、谷电系数、平段的用电量百分比、峰时耗电率,并对特征集做归一化处理。
式中,j=1,2…,N;wi=[wi1,wi2,…,win],T为连接输入特征和第i个隐层单元的权重向量;βi=[βi1,βi2,…,βin],T为连接第i个隐层单元和输出结果的权重向量;bi为第i个隐层单元偏置:wi·xj代表二者内积;
S2选择满足无限可微的函数g(·)作为隐含层节点的激活函数,随机设定输入层与隐含层之间的权值w和隐含层节点的阈值b;
S3确定的隐含层节点数,进而依据下式:
得到隐含层矩阵;式中:wi为隐含层节点Oi与输入层各个节点的连接权值矩阵;Fj是第j个样本的输入特征,一个样本由n个点构成;n为第j个输入样本所对应的输出值,一个样本的输出由m个点构成;
S4采用奇异值分解法计算输出矩阵H的Moor-Penrose广义逆,之后根据X下式:
本发明采用特征优选策略提取出负荷曲线的最佳特征集,将最佳特征集作为ELM网络的输入。根据真实量测数据给数据贴上分类标签,并作为ELM网络的输出,以此来训练ELM网络;将训练好的网络用于实现对用户用电行为的分类。若ELM网络的输出结果与该组数据的原标签相同,则认为训练正确。然后分别计算训练集和测试集分类的准确率,通过改变算法的输入参数,比较不同参数对训练结果性能的影响。改变ELM算法的隐含层节点的激活函数,重复训练ELM网络,计算不同激活函数下训练的准确率。以准确率为评价指标,选出适用于用户用电行为分析的激活函数;在激活函数确定后,改变隐含层节点个数,重复步训练ELM网络,计算不同隐含层节点下训练结果准确率。在保证准确率的基础上,同时应降低计算的复杂度,选出适用于模型分析隐含层节点数。
基于极限学习机的物理-数据融合楼宇建模的分析***,其特征在于:该***包括数据采集和预处理模块、楼宇物理模块;物理-数据融合模块;
采集和预处理模块,用于数据的采集和预处理;
楼宇物理模块,用于通过搜集和预处理后的建筑数据、电气数据,基于总体测辩法构建楼宇物理模型;
物理-数据融合模块,用于将楼宇物理模型与搜集和预处理后的用户数据、环境数据以及实际量测数用极限学习机进行训练,得到物理-数据融合模型;
待分析的用电行为的静态参数通过物理模型,再与动态参数输入到物理-数据融合模型中,得到分析结果。
采集和预处理模块具体包括:采集的数据包括楼宇建筑数据、电气数据、用户数据、环境数据以及实际量测数;对所收集的楼宇建筑数据、电气数据、用户数据和环境数据进行预处理,清理异常数据,基于拉格朗日插值的Neville算法修复错误数据。
楼宇物理模块具体包括:
通过机器学习法将物理模型与数据模型融合,利用反映物理关联关系的物理简化模型对楼宇的状态进行描述,生成具有高熵特性的数据,以此作为物理模型和数据模型输入;
物理模型和数据模型的表达式为:
其中k表示时间状态标签,k+1表示未来时刻,Xk+1为k+1时刻预测的***状态特征组成的向量;xk+1'为k+1时刻物理模型预处理的待预测状态特征向量;f和h分别反映物理模型和数据模型中测量数据与待预测数据特征的映射关系;u为数据模型计算中的随机误差向量;Xk和Yk为电力***量测数据组成的向量,区别在于量测数据向量Xk经物理模型处理,而量测数据向量Yk经数据模型处理;
物理简化模型模块具体包括:
首先建立楼宇物理模型;楼宇物理模型包括建筑物理模型和热泵物理模型
通过类比牛顿冷却定律与欧姆定律,将热量类比为电路中的电荷,温差类比为电压,传热速率类比为电流,热阻类比为电阻;同时为了进一步研究智能楼宇模型的暂态热行为,引入了热容即物体的储热能力;在RC网络模型中,墙体、室内以及室外空气作为该电路模型中的节点,
智能楼宇模型为:假定供暖***位于建筑物的技术室tr中;假设加热***的所有部分对技术室的热量损失都是线性的;这些热量损失表示为热泵损失hp,空间供热储罐sh和生活热水储罐dw的热阻;一个通过传输和通风排入周围的空气amb,并排入假定为恒温的地面gnd,不考虑温度变化;由于假定地板和所有墙壁均使用重质材料建造,因此地板和外墙的热阻在集总热容量的任一侧均分为几部分Rw1、Rw2和Rf1、Rf2,Rw1、Rw2为外墙等效热阻,Rf1、Rf2为地板等效热阻;通风热损失建模为热阻Rve太阳能和内部收益建模为热量流向所有热容量;
所以对建筑模型可以写成:
其中,Cin、Cwi、Cwe、Cf1、Ctr分别表示室内空气,内墙,外墙,地板,技术室温度等效电容,t表示时间变量,Qin表示室空气的加热能力,Qwi表示内墙加热能力,Qwe表示外墙加热能力,Qf1表示地板加热能力,Qhp,loss表示热泵损失热量;
Tin、Tamb、Twi、Tf1、Tsh、Ttr分别表示表示室内空气,流入室内空气,内墙,地板,热水泵,技术室温度;
在最优控制问题中,忽略了热泵对机房的热损失;方程被离散化为:
其中,Ti和Ti+1分别表示i时刻和i+1时刻的温度,Δt表示加热时间
建筑物的工作温度是线性化的:
其中Q表示热泵加热能力,P表示所需功率输入,lt,mt,ht分别表示低温,中温,高温;
对热泵加热***的加热***建模如下
热泵为空间供暖或生活热水生产提供热量:
表示在i时刻热泵在低温时的加热能力,表示在i时刻热泵在低温时热泵的加热能力,表示在i时刻在低温时储水箱的加热能力,同理;表示在i时刻热泵在中温时的加热能力,表示在i时刻热泵在中温时加热器的加热能力,表示在i时刻在中温时储水箱的加热能力,表示在i时刻热泵在高温时的加热能力,表示在i时刻热泵在高温时加热器的加热能力,表示在i时刻在高温时储水箱的加热能力;
热泵效率随环境温度,水温和压缩机调节而变化的原因如下:
php表示热泵总功率,php,ht表示高温加热功率,php,lt表示低温加热功率,php,mt表示中温加热功率,ζl表示调制度,ζq为约束系数;
辅助加热器效率假定为1:
空间热量存储状态由以下公式计算:
有其他限制:
计算生活热水储罐状态:
Cdw,lt表示低温时储水箱等效电容,Cdw,mt表示中温时储水箱等效电容,Cdw,ht表示高温时储水箱等效电容,Cdw,vht表示超高温时储水箱等效电容,表示在i时刻超高温时的加热能力,表示i时刻超高温时辅助加热器的加热能力;
其他限制:
表示超高温时储水箱温度,表示高温时储水箱温度,表示低温时储水箱温度,示中温时储水箱温度;Tmains表示恒温混合阀将储存的水与来自水管的冷水混合后的温度;Tdw,dem表示储水箱需求温度;c表示水的比热容;
所以所述多标准目标被写为:
对于热泵楼宇物理模型的控制策略定义不同的控制目标;
先从个人消费者的角度来看,消费者希望最小化自己的用于提供热舒适性和生活热水的成本;如果保持了热舒适性,则通过在控制范围内将单个能源成本最小化来实现这一目标;不适的成本被添加到目标函数从作为软约束:
其次,考虑能源使用的环境影响观点,将使用过的能源对环境的影响降到最低;由于每个代工厂的影响都不同,因此优化尝试尽可能地运行最环保的工厂;然后将目标函数写为:
选择发电对不同电厂的影响作为屋顶光伏发电、海上风能发电、核能发电、联合循环天然气发电和开式循环燃气轮机发电的单级影响;最后,考虑到发电对环境的影响,不仅能源的使用是重要的;对于许多发电厂来说,大量的排放是伴随着发电厂的建设和退役而来的;
由于这是一种近似值,将装机容量成本包括在目标函数中,这里指定的容量价格为pimpact;cap几乎没有物理意义;
如果超载情况发生,其影响远远大于在刚好低于超载阈值的功率下发电的影响;将消费者成本、能源影响和产能影响这三种观点融合在一个单一的多目标函数中;将能源影响纳入消费者成本函数环境影响的权重因子能量介绍尺度的环境影响发电成本的消费者;当因素很小,控制器就会忽略发电的影响;因素很大,容量影响观点可以简单地添加到成本函数中;为了改变控制器的行为,为了尽量减量,重载阈值也会改变
物理-数据融合模块具体:
式中,j=1,2…,N;wi=[wi1,wi2,…,win],T为连接输入特征和第i个隐层单元的权重向量;βi=[βi1,βi2,…,βin],T为连接第i个隐层单元和输出结果的权重向量;bi为第i个隐层单元偏置:wi·xj代表二者内积;
S2选择满足无限可微的函数g(·)作为隐含层节点的激活函数,随机设定输入层与隐含层之间的权值w和隐含层节点的阈值b;
S3确定的隐含层节点数,进而依据下式:
得到隐含层矩阵;式中:wi为隐含层节点Oi与输入层各个节点的连接权值矩阵;Fj是第j个样本的输入特征,一个样本由n个点构成;n为第j个输入样本所对应的输出值,一个样本的输出由m个点构成;
S4采用奇异值分解法计算输出矩阵H的Moor-Penrose广义逆,之后根据X下式:
如图1和图2所示,首先将楼宇采集的用电负荷样本数据分为建筑数据、电气数据、环境数据和行为数据。通过建立物理简易模型以及真实用电数据对物理模型的引导和修正,物理分析方法能够为数据分析方法提供高熵特征的信息,有助于提高数据模型分析的效率,其原理为:输入特征中包含了待预测的楼宇模型,在通过优化过程求解数据模型参数时,可缩小搜索空间,降低计算复杂性;同时有助于建立更优的数据模型,即:高熵的输入特征使建立数据模型的目标更明确,模型参数优化求解时更具针对性,避免陷入局部最优,从而提高数据模型的合理性。数据驱动方法能够弥补物理分析方法中因为模型简化等造成的规律丢失问题。得到最终的物理-数据融合模型。然后将待预测和分析的用电行为数据,输入基于物理-数据融合的用电分析预测模型,得到最终的物理-数据融合模型。
如图3所示,采用特征优选策略提取出负荷曲线的最佳特征集,将最佳特征集作为ELM网络的输入。根据真实量测数据给数据贴上分类标签,并作为ELM网络的输出,以此来训练ELM网络;将训练好的网络用于实现对用户用电行为的分类。若ELM网络的输出结果与该组数据的原标签相同,则认为训练正确。然后分别计算训练集和测试集分类的准确率,通过改变算法的输入参数,比较不同参数对训练结果性能的影响。改变ELM算法的隐含层节点的激活函数,重复训练ELM网络,计算不同激活函数下训练的准确率。以准确率为评价指标,选出适用于用户用电行为分析的激活函数;在激活函数确定后,改变隐含层节点个数,重复步训练ELM网络,计算不同隐含层节点下训练结果准确率。在保证准确率的基础上,同时应降低计算的复杂度,选出适用于模型分析隐含层节点数。
Claims (10)
1.基于极限学习机的物理-数据融合楼宇建模的分析方法,其特征在于:该方法包括如下步骤:
步骤1,数据采集和预处理:
步骤2,通过搜集和预处理后的建筑数据、电气数据,基于总体测辩法构建楼宇物理模型;
步骤3,将楼宇物理模型与搜集和预处理后的用户数据、环境数据以及实际用电数据用极限学习机进行训练,得到物理-数据融合模型;
待分析的用电行为的静态参数通过物理模型,再与动态参数输入到物理-数据融合模型中,得到分析结果。
2.根据权利要求1所述的基于极限学习机的物理-数据融合楼宇建模的分析方法,其特征在于:通过总体测辩法建立楼宇物理模型具体包括:
通过机器学习法将物理模型与数据模型融合,利用反映物理关联关系的物理简化模型对楼宇的状态进行描述,生成具有高熵特性的数据,以此作为物理模型和数据模型输入;
物理模型和数据模型的表达式为:
其中k表示时间状态标签,k+1表示未来时刻,Xk+1为k+1时刻预测的***状态特征组成的向量;xk+1'为k+1时刻物理模型预处理的待预测状态特征向量;f和h分别反映物理模型和数据模型中测量数据与待预测数据特征的映射关系;u为数据模型计算中的随机误差向量;Xk和Yk为电力***量测数据组成的向量,区别在于量测数据向量Xk经物理模型处理,而量测数据向量Yk经数据模型处理。
3.根据权利要求2所述的基于极限学习机的物理-数据融合楼宇建模的分析方法,其特征在于:物理简化模型具体步骤包括:
首先建立楼宇物理模型;楼宇物理模型包括建筑物理模型和热泵物理模型
通过类比牛顿冷却定律与欧姆定律,将热量类比为电路中的电荷,温差类比为电压,传热速率类比为电流,热阻类比为电阻;同时为了进一步研究智能楼宇模型的暂态热行为,引入了热容即物体的储热能力;在RC网络模型中,墙体、室内以及室外空气作为该电路模型中的节点,
智能楼宇模型为:假定供暖***位于建筑物的技术室tr中;假设加热***的所有部分对技术室的热量损失都是线性的;这些热量损失表示为热泵损失hp,空间供热储罐sh和生活热水储罐dw的热阻;一个通过传输和通风排入周围的空气amb,并排入假定为恒温的地面;由于假定地板和所有墙壁均使用重质材料建造,因此地板和外墙的热阻在集总热容量的任一侧均分为几部分Rw1、Rw2和Rf1、Rf2,Rw1、Rw2为外墙等效热阻,Rf1、Rf2为地板等效热阻;通风热损失建模为热阻Rve太阳能和内部收益建模为热量流向所有热容量;
所以对建筑模型写成:
其中,Cin、Cwi、Cwe、Cf1、Ctr分别表示室内空气,内墙,外墙,地板,技术室温度等效电容,t表示时间变量,Qin表示室空气的加热能力,Qwi表示内墙加热能力,Qwe表示外墙加热能力,Qf1表示地板加热能力,Qhp,1oss表示热泵损失热量;
Tin、Tamb、Twi、Tf1、Tsh、Ttr分别表示表示室内空气,流入室内空气,内墙,地板,热水泵,技术室温度;
在最优控制问题中,忽略了热泵对机房的热损失;方程被离散化为:
其中,Ti和Ti+1分别表示i时刻和i+1时刻的温度,Δt表示加热时间
建筑物的工作温度是线性化的:
其中Q表示热泵加热能力,P表示所需功率输入,lt,mt,ht分别表示低温,中温,高温;
对热泵加热***的加热***建模如下
热泵为空间供暖或生活热水生产提供热量:
表示在i时刻热泵在低温时的加热能力,表示在i时刻热泵在低温时热泵的加热能力,表示在i时刻在低温时储水箱的加热能力,同理;表示在i时刻热泵在中温时的加热能力,表示在i时刻热泵在中温时加热器的加热能力,表示在i时刻在中温时储水箱的加热能力,表示在i时刻热泵在高温时的加热能力,表示在i时刻热泵在高温时加热器的加热能力,表示在i时刻在高温时储水箱的加热能力;
热泵效率随环境温度,水温和压缩机调节而变化的原因如下:
php表示热泵总功率,php,ht表示高温加热功率,php,lt表示低温加热功率,php,mt表示中温加热功率,ζl表示调制度,ζq为约束系数;
辅助加热器效率假定为1:
空间热量存储状态由以下公式计算:
有其他限制:
计算生活热水储罐状态:
Cdw,lt表示低温时储水箱等效电容,Cdw,mt表示中温时储水箱等效电容,Cdw,ht表示高温时储水箱等效电容,Cdw,vht表示超高温时储水箱等效电容,表示在i时刻超高温时的加热能力,表示i时刻超高温时辅助加热器的加热能力;
其他限制:
表示超高温时储水箱温度,表示高温时储水箱温度,表示低温时储水箱温度,示中温时储水箱温度;Tmains表示恒温混合阀将储存的水与来自水管的冷水混合后的温度;Tdw,dem表示储水箱需求温度;c表示水的比热容;
所以所述多标准目标被写为:
对于热泵楼宇物理模型的控制策略定义不同的控制目标;
先从个人消费者的角度来看,消费者希望最小化自己的用于提供热舒适性和生活热水的成本;如果保持了热舒适性,则通过在控制范围内将单个能源成本最小化来实现这一目标;不适的成本被添加到目标函数从作为软约束:
其次,考虑能源使用的环境影响观点,将使用过的能源对环境的影响降到最低;由于每个代工厂的影响都不同,因此优化尝试尽可能地运行最环保的工厂;然后将目标函数写为:
选择发电对不同电厂的影响作为屋顶光伏发电、海上风能发电、核能发电、联合循环天然气发电和开式循环燃气轮机发电的单级影响;最后,考虑到发电对环境的影响,不仅能源的使用是重要的;对于许多发电厂来说,大量的排放是伴随着发电厂的建设和退役而来的;
由于这是一种近似值,将装机容量成本包括在目标函数中,这里指定的容量价格为pimpact;cap几乎没有物理意义;
如果超载情况发生,其影响远远大于在刚好低于超载阈值的功率下发电的影响;将消费者成本、能源影响和产能影响这三种观点融合在一个单一的多目标函数中;将能源影响纳入消费者成本函数环境影响的权重因子能量介绍尺度的环境影响发电成本的消费者;当因素很小,控制器就会忽略发电的影响;因素很大,容量影响观点简单地添加到成本函数中;为了改变控制器的行为,为了尽量减量,重载阈值也会改变
4.根据权利要求1所述的基于极限学习机的物理-数据融合楼宇建模的分析方法,其特征在于:根据楼宇物理模型与搜集和预处理后的用户数据、环境数据以及实际量测数用极限学习机进行训练,具体包括:
用最佳特征集作为极限学习机网络的输入;根据实际用电数据给数据贴上分类标签,以作为极限学习机网络的输出,以此来训练极限学习机网络;同时选出适合用户用电行为分析的激活函数;在确定激活函数后,通过改变隐含层的节点个数,多次训练极限学习机网络,计算不同隐含层节点下训练结果准确率;同时降低计算的复杂度,得到物理-数据融合模型。
5.根据权利要求4所述的基于极限学***均负荷、谷电系数、平段的用电量百分比、峰时耗电率,并对特征集做归一化处理。
式中,j=1,2…,N;wi=[wi1,wi2,…,win],T为连接输入特征和第i个隐层单元的权重向量;βi=[βi1,βi2,…,βin],T为连接第i个隐层单元和输出结果的权重向量;bi为第i个隐层单元偏置:wi·xj代表二者内积;
S2选择满足无限可微的函数g(·)作为隐含层节点的激活函数,随机设定输入层与隐含层之间的权值w和隐含层节点的阈值b;
S3确定的隐含层节点数,进而依据下式:
得到隐含层矩阵;式中:wi为隐含层节点Oi与输入层各个节点的连接权值矩阵;Fj是第j个样本的输入特征,一个样本由n个点构成;n为第j个输入样本所对应的输出值,一个样本的输出由m个点构成;
S4采用奇异值分解法计算输出矩阵H的Moor-Penrose广义逆,之后根据X下式:
7.基于极限学习机的物理-数据融合楼宇建模的分析***,其特征在于:该***包括数据采集和预处理模块、楼宇物理模块;物理-数据融合模块;
采集和预处理模块,用于数据的采集和预处理;
楼宇物理模块,用于通过搜集和预处理后的建筑数据、电气数据,基于总体测辩法构建楼宇物理模型;
物理-数据融合模块,用于将楼宇物理模型与搜集和预处理后的用户数据、环境数据以及实际量测数用极限学习机进行训练,得到物理-数据融合模型;
待分析的用电行为的静态参数通过物理模型,再与动态参数输入到物理-数据融合模型中,得到分析结果。
8.根据权利要求7所述的基于极限学习机的物理-数据融合楼宇建模的分析***,其特征在于:采集和预处理模块具体包括:采集的数据包括楼宇建筑数据、电气数据、用户数据、环境数据以及实际量测数;对所收集的楼宇建筑数据、电气数据、用户数据和环境数据进行预处理,清理异常数据,基于拉格朗日插值的Neville算法修复错误数据。
9.根据权利要求7所述的基于极限学习机的物理-数据融合楼宇建模的分析***,其特征在于:楼宇物理模块具体包括:
通过机器学习法将物理模型与数据模型融合,利用反映物理关联关系的物理简化模型对楼宇的状态进行描述,生成具有高熵特性的数据,以此作为物理模型和数据模型输入;
物理模型和数据模型的表达式为:
其中k表示时间状态标签,k+1表示未来时刻,Xk+1为k+1时刻预测的***状态特征组成的向量;xk+1'为k+1时刻物理模型预处理的待预测状态特征向量;f和h分别反映物理模型和数据模型中测量数据与待预测数据特征的映射关系;u为数据模型计算中的随机误差向量;Xk和Yk为电力***量测数据组成的向量,区别在于量测数据向量Xk经物理模型处理,而量测数据向量Yk经数据模型处理;
物理简化模型模块具体包括:
首先建立楼宇物理模型;楼宇物理模型包括建筑物理模型和热泵物理模型
通过类比牛顿冷却定律与欧姆定律,将热量类比为电路中的电荷,温差类比为电压,传热速率类比为电流,热阻类比为电阻;同时为了进一步研究智能楼宇模型的暂态热行为,引入了热容即物体的储热能力;在RC网络模型中,墙体、室内以及室外空气作为该电路模型中的节点,
智能楼宇模型为:假定供暖***位于建筑物的技术室tr中;假设加热***的所有部分对技术室的热量损失都是线性的;这些热量损失表示为热泵损失hp,空间供热储罐sh和生活热水储罐dw的热阻;一个通过传输和通风排入周围的空气amb,并排入假定为恒温的地面gnd;由于假定地板和所有墙壁均使用重质材料建造,因此地板和外墙的热阻在集总热容量的任一侧均分为几部分Rw1、Rw2和Rf1、Rf2,Rw1、Rw2为外墙等效热阻,Rf1、Rf2为地板等效热阻;通风热损失建模为热阻Rve太阳能和内部收益建模为热量流向所有热容量;
所以对建筑模型写成:
其中,Cin、Cwi、Cwe、Cf1、Ctr分别表示室内空气,内墙,外墙,地板,技术室温度等效电容,t表示时间变量,Qin表示室空气的加热能力,Qwi表示内墙加热能力,Qwe表示外墙加热能力,Qf1表示地板加热能力,Qhp,loss表示热泵损失热量;
Tin、Tamb、Twi、Tf1、Tsh、Ttr分别表示表示室内空气,流入室内空气,内墙,地板,热水泵,技术室温度;
在最优控制问题中,忽略了热泵对机房的热损失;方程被离散化为:
其中,Ti和Ti+1分别表示i时刻和i+1时刻的温度,Δt表示加热时间
建筑物的工作温度是线性化的:
其中Q表示热泵加热能力,P表示所需功率输入,lt,mt,ht分别表示低温,中温,高温;
对热泵加热***的加热***建模如下
热泵为空间供暖或生活热水生产提供热量:
表示在i时刻热泵在低温时的加热能力,表示在i时刻热泵在低温时热泵的加热能力,表示在i时刻在低温时储水箱的加热能力,同理;表示在i时刻热泵在中温时的加热能力,表示在i时刻热泵在中温时加热器的加热能力,表示在i时刻在中温时储水箱的加热能力,表示在i时刻热泵在高温时的加热能力,表示在i时刻热泵在高温时加热器的加热能力,表示在i时刻在高温时储水箱的加热能力;
热泵效率随环境温度,水温和压缩机调节而变化的原因如下:
php表示热泵总功率,php,ht表示高温加热功率,php,lt表示低温加热功率,php,mt表示中温加热功率,ζl表示调制度,ζq为约束系数;
辅助加热器效率假定为1:
空间热量存储状态由以下公式计算:
有其他限制:
计算生活热水储罐状态:
Cdw,lt表示低温时储水箱等效电容,Cdw,mt表示中温时储水箱等效电容,Cdw,ht表示高温时储水箱等效电容,Cdw,vht表示超高温时储水箱等效电容,表示在i时刻超高温时的加热能力,表示i时刻超高温时辅助加热器的加热能力;
其他限制:
表示超高温时储水箱温度,表示高温时储水箱温度,表示低温时储水箱温度,示中温时储水箱温度;Tmains表示恒温混合阀将储存的水与来自水管的冷水混合后的温度;Tdw,dem表示储水箱需求温度;c表示水的比热容;
所以所述多标准目标被写为:
对于热泵楼宇物理模型的控制策略定义不同的控制目标;
先从个人消费者的角度来看,消费者希望最小化自己的用于提供热舒适性和生活热水的成本;如果保持了热舒适性,则通过在控制范围内将单个能源成本最小化来实现这一目标;不适的成本被添加到目标函数从作为软约束:
其次,考虑能源使用的环境影响观点,将使用过的能源对环境的影响降到最低;由于每个代工厂的影响都不同,因此优化尝试尽可能地运行最环保的工厂;然后将目标函数写为:
选择发电对不同电厂的影响作为屋顶光伏发电、海上风能发电、核能发电、联合循环天然气发电和开式循环燃气轮机发电的单级影响;最后,考虑到发电对环境的影响,不仅能源的使用是重要的;对于许多发电厂来说,大量的排放是伴随着发电厂的建设和退役而来的;
由于这是一种近似值,将装机容量成本包括在目标函数中,这里指定的容量价格为pimpact;cap几乎没有物理意义;
如果超载情况发生,其影响远远大于在刚好低于超载阈值的功率下发电的影响;将消费者成本、能源影响和产能影响这三种观点融合在一个单一的多目标函数中;将能源影响纳入消费者成本函数环境影响的权重因子能量介绍尺度的环境影响发电成本的消费者;当因素很小,控制器就会忽略发电的影响;因素很大,容量影响观点简单地添加到成本函数中;为了改变控制器的行为,为了尽量减量,重载阈值也会改变
10.根据权利要求7所述的基于极限学习机的物理-数据融合楼宇建模的分析***,其特征在于:物理-数据融合模块具体:
式中,j=1,2…,N;wi=[wi1,wi2,…,win],T为连接输入特征和第i个隐层单元的权重向量;βi=[βi1,βi2,…,βin],T为连接第i个隐层单元和输出结果的权重向量;bi为第i个隐层单元偏置:wi·xj代表二者内积;
S2选择满足无限可微的函数g(·)作为隐含层节点的激活函数,随机设定输入层与隐含层之间的权值w和隐含层节点的阈值b;
S3确定的隐含层节点数,进而依据下式:
得到隐含层矩阵;式中:wi为隐含层节点Oi与输入层各个节点的连接权值矩阵;Fj是第j个样本的输入特征,一个样本由n个点构成;n为第j个输入样本所对应的输出值,一个样本的输出由m个点构成;
S4采用奇异值分解法计算输出矩阵H的Moor-Penrose广义逆,之后根据X下式:
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2020102534371 | 2020-04-02 | ||
CN202010253437 | 2020-04-02 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111898856A true CN111898856A (zh) | 2020-11-06 |
CN111898856B CN111898856B (zh) | 2024-03-22 |
Family
ID=73206865
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010571025.2A Active CN111898856B (zh) | 2020-04-02 | 2020-06-22 | 基于极限学习机的物理-数据融合楼宇的分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111898856B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112669446A (zh) * | 2020-12-24 | 2021-04-16 | 联通(浙江)产业互联网有限公司 | 楼宇场景的建模方法和装置 |
CN113065190A (zh) * | 2021-04-15 | 2021-07-02 | 天津大学 | 一种基于不确定性的居住建筑供热量计算方法 |
CN114237057A (zh) * | 2021-12-20 | 2022-03-25 | 东南大学 | 智慧楼宇用电分析的动态建模方法、***、设备和介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015172560A1 (zh) * | 2014-05-16 | 2015-11-19 | 华南理工大学 | 基于bp神经网络的中央空调冷负荷的预测方法 |
CN105160437A (zh) * | 2015-09-25 | 2015-12-16 | 国网浙江省电力公司 | 基于极限学习机的负荷模型预测方法 |
CN107423839A (zh) * | 2017-04-17 | 2017-12-01 | 湘潭大学 | 一种基于深度学习的智能楼宇微网负荷预测的方法 |
CN108321793A (zh) * | 2018-01-17 | 2018-07-24 | 东北电力大学 | 集成智能楼宇灵活负荷的主动配电网建模及优化调度方法 |
CN109270841A (zh) * | 2018-10-11 | 2019-01-25 | 东北电力大学 | 一种基于模型预测控制的智能楼宇用能灵活性调控方法 |
FR3077119A1 (fr) * | 2018-01-23 | 2019-07-26 | Saint-Gobain Isover | Procede et dispositif de determination predictive d’un indicateur de confort thermique d’un local |
-
2020
- 2020-06-22 CN CN202010571025.2A patent/CN111898856B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015172560A1 (zh) * | 2014-05-16 | 2015-11-19 | 华南理工大学 | 基于bp神经网络的中央空调冷负荷的预测方法 |
CN105160437A (zh) * | 2015-09-25 | 2015-12-16 | 国网浙江省电力公司 | 基于极限学习机的负荷模型预测方法 |
CN107423839A (zh) * | 2017-04-17 | 2017-12-01 | 湘潭大学 | 一种基于深度学习的智能楼宇微网负荷预测的方法 |
CN108321793A (zh) * | 2018-01-17 | 2018-07-24 | 东北电力大学 | 集成智能楼宇灵活负荷的主动配电网建模及优化调度方法 |
FR3077119A1 (fr) * | 2018-01-23 | 2019-07-26 | Saint-Gobain Isover | Procede et dispositif de determination predictive d’un indicateur de confort thermique d’un local |
CN109270841A (zh) * | 2018-10-11 | 2019-01-25 | 东北电力大学 | 一种基于模型预测控制的智能楼宇用能灵活性调控方法 |
Non-Patent Citations (2)
Title |
---|
汤奕 等: ""基于物理-数据融合的数字化楼宇用电模型构建方法"", 《供用电》, no. 10, pages 16 - 21 * |
陆俊 等: ""基于极限学习机的居民用电行为分类分析方法"", 《电力***自动化》, vol. 43, no. 2, pages 97 - 104 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112669446A (zh) * | 2020-12-24 | 2021-04-16 | 联通(浙江)产业互联网有限公司 | 楼宇场景的建模方法和装置 |
CN112669446B (zh) * | 2020-12-24 | 2024-04-19 | 联通(浙江)产业互联网有限公司 | 楼宇场景的建模方法和装置 |
CN113065190A (zh) * | 2021-04-15 | 2021-07-02 | 天津大学 | 一种基于不确定性的居住建筑供热量计算方法 |
CN113065190B (zh) * | 2021-04-15 | 2022-05-27 | 天津大学 | 一种基于不确定性的居住建筑供热量计算方法 |
CN114237057A (zh) * | 2021-12-20 | 2022-03-25 | 东南大学 | 智慧楼宇用电分析的动态建模方法、***、设备和介质 |
CN114237057B (zh) * | 2021-12-20 | 2023-09-19 | 东南大学 | 智慧楼宇用电分析的动态建模方法、***、设备和介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111898856B (zh) | 2024-03-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Fu et al. | Applications of reinforcement learning for building energy efficiency control: A review | |
Harish et al. | A review on modeling and simulation of building energy systems | |
Zhang et al. | An optimal and learning-based demand response and home energy management system | |
Noye et al. | A review of advanced ground source heat pump control: Artificial intelligence for autonomous and adaptive control | |
CN111898856B (zh) | 基于极限学习机的物理-数据融合楼宇的分析方法 | |
Olabi et al. | Application of artificial intelligence for prediction, optimization, and control of thermal energy storage systems | |
US11859838B2 (en) | System and method for aligning HVAC consumption with renewable power production with the aid of a digital computer | |
KR102194002B1 (ko) | 최적 물리 학습모델과 기계학습을 이용한 에너지 운영관리 시스템 | |
CN113112077B (zh) | 基于多步预测深度强化学习算法的hvac控制*** | |
CN113572157A (zh) | 一种基于近端策略优化的用户实时自治能量管理优化方法 | |
Deb et al. | A machine learning-based framework for cost-optimal building retrofit | |
Hosamo et al. | Digital Twin of HVAC system (HVACDT) for multiobjective optimization of energy consumption and thermal comfort based on BIM framework with ANN-MOGA | |
Shann et al. | An active learning approach to home heating in the smart grid | |
CN108303898B (zh) | 新型太阳能-空气能耦合冷热联供***的智能调度方法 | |
Huang et al. | An open-source virtual testbed for a real Net-Zero Energy Community | |
Sun et al. | Research on control strategy integrated with characteristics of user's energy-saving behavior of district heating system | |
Abtahi et al. | Control-oriented thermal network models for predictive load management in Canadian houses with on-Site solar electricity generation: application to a research house | |
Han et al. | Physical-data fusion modeling method for energy consumption analysis of smart building | |
Ferrarini et al. | Predictive control-oriented models of a domestic air-to-water heat pump under variable conditions | |
Dominguez et al. | Distributed co-simulation for smart homes energy management in the presence of electrical thermal storage | |
Danza et al. | Application of model predictive control for the optimization of thermo-hygrometric comfort and energy consumption of buildings | |
de Oliveira et al. | Dynamic online optimization of a house heating system in a fluctuating energy price scenario | |
Avotins et al. | IoT Solution Approach for Energy Consumption Reduction in Buildings: Part 3. Mathematical Model of Building and Experimental Results | |
Li et al. | Gossen’s First Law in the Modeling for Demand Side Management: A First Heat Pump Case Study | |
Qin et al. | Exploring new building energy saving control strategy application under the energy internet of things |
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 |