CN117113018B - 基于特征参数的能耗数据解析方法和*** - Google Patents
基于特征参数的能耗数据解析方法和*** Download PDFInfo
- Publication number
- CN117113018B CN117113018B CN202311385455.5A CN202311385455A CN117113018B CN 117113018 B CN117113018 B CN 117113018B CN 202311385455 A CN202311385455 A CN 202311385455A CN 117113018 B CN117113018 B CN 117113018B
- Authority
- CN
- China
- Prior art keywords
- energy
- energy consumption
- characteristic parameters
- saving
- parameterized
- 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 145
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000007405 data analysis Methods 0.000 title claims abstract description 10
- 238000003066 decision tree Methods 0.000 claims abstract description 27
- 230000006872 improvement Effects 0.000 claims abstract description 13
- 238000011156 evaluation Methods 0.000 claims description 25
- 238000010438 heat treatment Methods 0.000 claims description 17
- 238000005057 refrigeration Methods 0.000 claims description 16
- 238000005315 distribution function Methods 0.000 claims description 12
- 230000035945 sensitivity Effects 0.000 claims description 6
- 206010057040 Temperature intolerance Diseases 0.000 claims description 4
- 230000001186 cumulative effect Effects 0.000 claims description 4
- 230000008543 heat sensitivity Effects 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 3
- 230000009467 reduction Effects 0.000 abstract description 9
- 238000004134 energy conservation Methods 0.000 abstract description 4
- 238000000354 decomposition reaction Methods 0.000 description 6
- 238000005457 optimization Methods 0.000 description 4
- 238000010219 correlation analysis Methods 0.000 description 3
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 229910052799 carbon Inorganic materials 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000004445 quantitative analysis Methods 0.000 description 2
- GHOKWGTUZJEAQD-ZETCQYMHSA-N (D)-(+)-Pantothenic acid Chemical compound OCC(C)(C)[C@@H](O)C(=O)NCCC(O)=O GHOKWGTUZJEAQD-ZETCQYMHSA-N 0.000 description 1
- 238000004378 air conditioning Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000008542 thermal sensitivity Effects 0.000 description 1
- 238000009423 ventilation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
- G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明提供一种基于特征参数的能耗数据解析方法和***，涉及节能减排技术领域。方法包括：根据建筑的能耗数据以及每个能耗数据对应时间段的平均气温，建立参数化能耗模型，得出b0、h1、c1、h0、c0以及各分项***能耗值；在b0、h1、c1、h0和c0不满足节能目标的情况下，选择未满足设定目标的特征参数，读取决策树中对应的节能改进技术建议，并针对未满足节能目标的特征参数，由对应的节能目标替换未满足节能目标的特征参数，形成新设立的特征参数；将新设立的特征参数代入目标项目对应平均气温的参数化能耗模型，得到优化模型；计算目标项目的参数化模型和优化模型的能耗差值，得到目标项目的节能潜力。
Description
技术领域
本发明涉及节能减排技术领域，具体而言，涉及一种基于特征参数的能耗数据解析方法和***。
背景技术
建筑运行能耗及其对应的碳排放是需要降碳的主要行业。针对建筑节能降耗需要首先从分项能耗数据诊断开始，从而分别针对制冷***、制热***和照明及设备***制定节能减排方案。目前主要的技术方案有加装分项计量电表和非侵入式负荷分解两种。
大型公共建筑往往有较为繁多的用户主体，例如学校有多个教室、写字楼有不同租户，这些用户的暖通空调***末端能耗往往和照明及设备能耗计入同一电表，仅用于结算电费，而不利于节能诊断。针对存量建筑加装分项计量电表和能源管理***存在成本高、协调业主多、施工难度大等问题。
非侵入式负荷分解需要对各用电设备的低频功率数据进行预处理、分割训练、建模评估，从而实现将用电总功率分解为各用电设备的功率值。在针对用电设备种类多种多样、设备标准化程度低的公共建筑时，存在训练量大、预处理复杂、计算精准度低等问题。
发明内容
本发明的目的包括提供了一种基于特征参数的能耗数据解析方法和***，其能够实现分***节能潜力评估，从而出具精细化的节能改进技术建议。
本发明的实施例可以这样实现：
第一方面，本发明提供一种基于特征参数的能耗数据解析方法，方法包括：
根据建筑的能耗数据以及每个能耗数据对应时间段的平均气温，建立参数化能耗模型：
式中，y为能耗强度，x为平均气温，b0为基础负荷，h1为制热启动点，c1为制冷启动点，h0为制热敏感度，c0为制冷敏感度；
基于参数化能耗模型，得出b0、h1、c1、h0、c0以及各分项***能耗值；
将目标项目的5项特征参数代入同类型样本库的标准正态分布函数N(μ，σ2)，分别求解各项特征参数概率密度，获得目标项目的特征参数的表现水平；
判断求解得到的特征参数b0、h1、c1、h0和c0是否满足设立的节能目标；
在b0、h1、c1、h0和c0不满足节能目标的情况下，选择未满足设定目标的特征参数，读取决策树中对应的节能改进技术建议，并针对未满足节能目标的特征参数，由对应的节能目标替换未满足节能目标的特征参数，形成新设立的特征参数；
在b0、h1、c1、h0和c0满足节能目标的情况下，将满足节能目标的特征参数值保持不变，形成新设立的特征参数；
将新设立的特征参数代入目标项目对应平均气温的参数化能耗模型，得到优化模型；
计算目标项目的参数化模型和优化模型的能耗差值，得到目标项目的节能潜力。
在可选的实施方式中，各分项***能耗值的求解公式如下：
全年累积能耗：
制冷***部分能耗：，/>
制热***部分能耗：，/>
照明插座***部分能耗：
其中，j为时间积分。
在可选的实施方式中，同类型样本库的标准正态分布函数N(μ，σ2)的建立方法包括：
在样本库中选择目标项目的同类型项目，提取所有同类型项目中5项特征参数的平均值μ和方差σ2；
以同类型项目的5项特征参数的平均值μ和方差σ2，建立标准正态分布函数N(μ，σ2)。
在可选的实施方式中，设立的节能目标分为三个档位：能耗表现较差值、平均值和良好值，三个档位的取值分别为：μ-σ2、μ和μ+σ2。
在可选的实施方式中，决策树的建立方法包括：
总结既有可采取的所有建筑节能管理措施；
对建筑节能管理措施进行分类，建立依据特征参数强弱指向建筑节能管理措施的决策树。
第二方面，本发明提供一种基于特征参数的能耗数据解析***，***包括：
参数化建模单元，用于根据建筑的能耗数据以及每个能耗数据对应时间段的平均气温，建立参数化能耗模型：
式中，y为能耗强度，x为平均气温，b0为基础负荷，h1为制热启动点，c1为制冷启动点，h0为制热敏感度，c0为制冷敏感度；
参数化建模单元还用于基于参数化能耗模型，得出b0、h1、c1、h0、c0以及各分项***能耗值；
特征参数评价单元，用于将目标项目的5项特征参数代入同类型样本库的标准正态分布函数N(μ，σ2)，分别求解各项特征参数概率密度，获得目标项目的特征参数的表现水平；
节能建议生成单元，用于判断求解得到的特征参数b0、h1、c1、h0和c0是否满足设立的节能目标；在b0、h1、c1、h0和c0不满足节能目标的情况下，选择未满足设定目标的特征参数，读取决策树中对应的节能改进技术建议；
节能潜力评估单元，用于针对未满足节能目标的特征参数，由对应的节能目标替换未满足节能目标的特征参数，形成新设立的特征参数；在b0、h1、c1、h0和c0满足节能目标的情况下，将满足节能目标的特征参数值保持不变，形成新设立的特征参数；将新设立的特征参数代入目标项目对应平均气温的参数化能耗模型，得到优化模型；计算目标项目的参数化模型和优化模型的能耗差值，得到目标项目的节能潜力。
在可选的实施方式中，***还包括：
样本库单元，用于在样本库中选择目标项目的同类型项目，提取所有同类型项目中5项特征参数的平均值μ和方差σ2；
其中，特征参数评价单元还用于以同类型项目的5项特征参数的平均值μ和方差σ2，建立标准正态分布函数N(μ，σ2)。
在可选的实施方式中，***还包括：
决策树单元，用于总结既有可采取的所有建筑节能管理措施；对建筑节能管理措施进行分类，建立依据特征参数强弱指向建筑节能管理措施的决策树。
本发明实施例提供的基于特征参数的能耗数据解析方法和***的有益效果包括：
1.通过识别建筑的能耗数据的特征，确立了一套适用于以节能减排为目标的能耗数据分解方法与模型，只需要基于能耗数据和平均气温，通过能耗与气温的相关性分析，用数学手段计算出分项能耗数据，大大降低了分项计量的成本；
2.在兼顾可行性的基础上，提出了一套便于数字化实现定量分析建筑节能潜力的方法，通过数学模型的建立实现能耗数据的分解，实现分***节能潜力评估，从而出具精细化的节能改进技术建议。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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他相关的附图。
图1为本发明实施例提供的基于特征参数的能耗数据解析方法的流程图；
图2为参数化模型的曲线示意图；
图3为一种决策树的示例；
图4为本发明实施例提供的基于特征参数的能耗数据解析***的组成框图。
图标：1-参数化建模单元；2-样本库单元；3-特征参数评价单元；4-节能建议生成单元；5-决策树单元；6-节能潜力评估单元。
具体实施方式
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。通常在此处附图中描述和示出的本发明实施例的组件可以以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。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
需要说明的是，在不冲突的情况下，本发明的实施例中的特征可以相互结合。
请参考图1，本实施例提供了一种基于特征参数的能耗数据解析方法（以下简称：方法），方法包括：
S1：根据建筑的能耗数据以及每个能耗数据对应时间段的平均气温，建立参数化能耗模型：
具体的，收集建筑逐月或逐日的能耗数据以及每个能耗数据对应时间段的平均气温，通过能耗数据除以用能区域面积和天数得到能耗强度。以能耗强度为y轴，以平均气温为x轴建立参数化能耗模型，参数化能耗模型的曲线如图2所示。
参数化能耗模型中5项特征参数代表意义如下：
b0为基础负荷，即能耗强度不随气温变化的平稳水平，单位为kWh/m²-day；
h1为制热启动点，即能耗强度随气温升高而提高的拐点，单位为℃；
c1为制冷启动点，即能耗强度随气温降低而提高的拐点，单位为℃；
h0为制热敏感度，即能耗强度随1℃气温降低而提高的幅度，单位为（kWh/m²-day）/℃；
c0为制冷敏感度，即能耗强度随1℃气温升高而提高的幅度，单位为（kWh/m²-day）/℃。
S2：基于参数化能耗模型，得出b0、h1、c1、h0、c0以及各分项***能耗值。
其中，可以采用最小二乘法求解参数化能耗模型，具体的，按残差和最小的方式将数据散点拟合实线公式，并代入参数化能耗模型，即可得出b0、h1、c1、h0和c0。其中，最小二乘法求解方法中拟合残差和如下：
式中，为预测值，/>为真实值。
特征参数表征了能耗数据拆分后的制冷***、制热***及照明插座***的分项能耗值。本步骤通过输入能耗强度和平均气温，即y值（单位kWh/m²-day）和x值（℃），可以求解各分项***能耗值如下：
全年累积能耗：
制冷***部分能耗：，/>
制热***部分能耗：，/>
照明插座***部分能耗：
其中，j为时间积分，即所求能耗值对应的天数。
这样，就可以分别评价各***的节能表现，比如制冷比较好，制热比较差，而不是单纯评价总能耗。而且在只需要能耗数据（月度总能耗数据）和平均气温（当月平均气温）的输入情况下，通过能耗与气温的相关性分析，用数学手段将总能耗数据拆分为制冷***、制热***及照明插座***的分项能耗数据，大大降低了分项计量的成本。
S3：在样本库中选择目标项目的同类型项目，提取所有同类型项目中5项特征参数的平均值μ和方差σ2。
S4：以同类型项目的5项特征参数的平均值μ和方差σ2，建立标准正态分布函数N(μ，σ2)。
S5：将目标项目的5项特征参数代入同类型样本库的标准正态分布函数N(μ，σ2)，分别求解各项特征参数的概率密度，获得目标项目的特征参数的表现水平。
其中，各项特征参数的概率密度代表了目标项目的各特征参数优于同类型项目中对应特征参数的百分比，这个百分比也就是目标项目的特征参数的表现水平，从而可以直观、准确地掌握目标项目中各分项***的能耗水平，为后续改进能耗提供依据。
S6：设定目标项目的节能目标的三个档位：能耗表现较差值、平均值和良好值，三个档位的取值分别为：μ-σ2、μ和μ+σ2。
S7：判断S2求解得到的特征参数b0、h1、c1、h0和c0是否满足S6设立的节能目标。
其中，对于不同的项目可以选择节能目标的不同档位。
在b0、h1、c1、h0和c0不满足节能目标的情况下，执行S10。
S10：选择未满足节能目标的特征参数，读取决策树中对应的节能改进技术建议。
请参阅图3，图3给出了一种决策树的示例，例如，特征参数中制热敏感度h0未满足设定目标，读取决策树中对应的节能改进技术建议为：使用高效热泵以及提高制热***效率；特征参数中高电气的基础负荷b0未满足设定目标，读取决策树中对应的节能改进技术建议为：减少设备运行时间、减少照明负荷以及减少插座负荷。
S11：针对未满足节能目标的特征参数，由对应的节能目标替换未满足节能目标的特征参数，形成新设立的特征参数。
在S10之前，方法还包括：
S8：总结既有可采取的所有建筑节能管理措施。
S9：对建筑节能管理措施进行分类，建立依据特征参数强弱指向建筑节能管理措施的决策树。
在S7的判断结果中，在b0、h1、c1、h0和c0满足节能目标的情况下，执行S12。
S12：将满足节能目标的特征参数值保持不变，形成新设立的特征参数。
在S11、S12执行完成后，方法还包括：
S13：将新设立的特征参数代入目标项目对应平均气温的参数化能耗模型，得到优化模型。
S14：计算目标项目的参数化模型与优化模型的能耗差值，得到目标项目的节能潜力。
例如优化模型计算出的能耗为0.8，参数化模型计算出的能耗为1，优化模型与参数化模型的能耗差值即为1-0.8=0.2，目标项目的节能潜力即为0.2/1=20%，也就是说，本实施例中执行S11中读取的节能改进技术建议，会使目标项目的节能提高20%。
请参阅图4，本实施例还提供一种基于特征参数的能耗数据解析***（以下简称：***），***用于实现上述基于特征参数的能耗数据解析方法，***包括参数化建模单元1（英文名：Parametric Modeling Unit,简称：PMU）、样本库单元2（英文名：Sample DatabaseUnit,简称：SDU）、特征参数评价单元3（英文名：Parameter Evaluation Unit,简称：PEU）、决策树单元5（英文名：Decision Tree Unit,简称：DTU）、节能建议生成单元4（英文名：Energy-saving Suggestion Unit，简称：ESU）以及节能潜力评估单元6（英文名：Energy-saving Potential Assessment Unit,简称：PAU）。
其中，参数化建模单元1、特征参数评价单元3、节能建议生成单元4和节能潜力评估单元6依次连接，样本库单元2连接到特征参数评价单元3和节能潜力评估单元6，决策树单元5连接到节能建议生成单元4。
参数化建模单元1用于根据建筑的能耗数据以及每个能耗数据对应时间段的平均气温，建立参数化能耗模型，基于参数化能耗模型，得出b0、h1、c1、h0和c0，用于后续能耗数据拆解和分析，即参数化建模单元1用于执行S1和S2。
样本库单元2是一个大数据基础库，收录大量用能项目的能耗数据，从样本库中提取目标项目的同类型项目，并针对同类型项目的5类特征参数求取平均值μ和方差σ2，用于适应该类型项目的节能目标设定，即样本库单元2用于执行S3。
特征参数评价单元3用于将参数化建模单元1计算所得5类特征参数与样本库单元2提取的同类型项目的5类特征参数的平均值和方差对比，依照样本库单元2建立标准正态分布函数N(μ，σ2)，求解其概率密度，可以获得目标项目的特征参数的表现水平，即特征参数评价单元3用于执行S4、S5。
决策树单元5收录了既有建筑所有可采取的建筑节能管理措施，是一颗由特征参数表现强弱而指向各建筑节能管理措施的决策树，即决策树单元5用于执行S8、S9。
节能建议生成单元4用于对比特征参数评价单元3建立的目标项目和同类型项目，当目标项目的某项特征参数不满足依据特征参数评价单元3设立的节能目标时，将根据决策树单元5的指向性给出优化运行建议的建筑节能管理措施，即节能建议生成单元4用于执行S6、S7、S10。
节能潜力评估单元6用于将不满足节能建议生成单元4中目标项目的特征参数由目标值取代，建立目标项目的优化模型，对比优化模型和参数化建模单元1设立的参数化能耗模型的能耗，得到目标项目的节能及节费潜力，即节能潜力评估单元6用于执行S11~S14。
本实施例提供的基于特征参数的能耗数据解析方法及***的有益效果包括：
1.通过识别建筑的能耗数据的特征，确立了一套适用于以节能减排为目标的能耗数据分解方法与模型，只需要基于能耗数据和平均气温，通过能耗与气温的相关性分析，用数学手段将能耗数据拆分为制冷***、制热***及照明插座***的分项能耗数据，大大降低了分项计量的成本；
2.在兼顾可行性的基础上，提出了一套便于数字化实现定量分析建筑节能潜力的方法，通过数学模型的建立实现能耗数据的分解，实现分别针对制冷***、制热***及照明插座***的评价结论，实现分***节能潜力评估，从而出具精细化的节能改进技术建议。
以上，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (5)
1.一种基于特征参数的能耗数据解析方法，其特征在于，所述方法包括：
根据建筑的能耗数据以及每个能耗数据对应时间段的平均气温，建立参数化能耗模型：
式中，y为能耗强度，x为平均气温，b0为基础负荷，h1为制热启动点，c1为制冷启动点，h0为制热敏感度，c0为制冷敏感度；
基于所述参数化能耗模型，得出b0、h1、c1、h0、c0以及各分项***能耗值，其中，采用最小二乘法求解参数化能耗模型，按残差和最小的方式将数据散点拟合实线公式，并代入所述参数化能耗模型，得出b0、h1、c1、h0和c0，其中，最小二乘法求解方法中拟合残差和如下：
式中，为预测值，/>为真实值；
各分项***能耗值的求解公式如下：
全年累积能耗：
制冷***部分能耗：，/>
制热***部分能耗：，/>
照明插座***部分能耗：
其中，j为时间积分；
在样本库中选择目标项目的同类型项目，提取所有同类型项目中5项特征参数的平均值μ和方差σ2；
以同类型项目的5项特征参数的平均值μ和方差σ2，建立标准正态分布函数N(μ，σ2)；
将目标项目的5项特征参数代入同类型样本库的标准正态分布函数N(μ，σ2)，分别求解各项特征参数概率密度，获得目标项目的特征参数的表现水平，其中，各项特征参数的概率密度代表了目标项目的各特征参数优于同类型项目中对应特征参数的百分比；
判断求解得到的特征参数b0、h1、c1、h0和c0是否满足设立的节能目标；
在b0、h1、c1、h0和c0不满足节能目标的情况下，选择未满足设定目标的特征参数，读取决策树中对应的节能改进技术建议，并针对未满足节能目标的特征参数，由对应的节能目标替换未满足节能目标的特征参数，形成新设立的特征参数；
在b0、h1、c1、h0和c0满足节能目标的情况下，将满足节能目标的特征参数值保持不变，形成新设立的特征参数；
将新设立的特征参数代入目标项目对应平均气温的参数化能耗模型，得到优化模型；
计算目标项目的参数化模型和优化模型的能耗差值，得到目标项目的节能潜力。
2.根据权利要求1所述的基于特征参数的能耗数据解析方法，其特征在于，设立的节能目标分为三个档位：能耗表现较差值、平均值和良好值，三个档位的取值分别为：μ-σ2、μ和μ+σ2。
3.根据权利要求1所述的基于特征参数的能耗数据解析方法，其特征在于，决策树的建立方法包括：
总结既有可采取的所有建筑节能管理措施；
对建筑节能管理措施进行分类，建立依据特征参数强弱指向建筑节能管理措施的决策树。
4.一种基于特征参数的能耗数据解析***，其特征在于，所述***包括：
参数化建模单元（1），用于根据建筑的能耗数据以及每个能耗数据对应时间段的平均气温，建立参数化能耗模型：
式中，y为能耗强度，x为平均气温，b0为基础负荷，h1为制热启动点，c1为制冷启动点，h0为制热敏感度，c0为制冷敏感度；
所述参数化建模单元（1）还用于基于所述参数化能耗模型，得出b0、h1、c1、h0、c0以及各分项***能耗值，其中，采用最小二乘法求解参数化能耗模型，按残差和最小的方式将数据散点拟合实线公式，并代入所述参数化能耗模型，得出b0、h1、c1、h0和c0，其中，最小二乘法求解方法中拟合残差和如下：
式中，为预测值，/>为真实值；
各分项***能耗值的求解公式如下：
全年累积能耗：
制冷***部分能耗：，/>
制热***部分能耗：，/>
照明插座***部分能耗：
其中，j为时间积分；
样本库单元（2），用于在样本库中选择目标项目的同类型项目，提取所有同类型项目中5项特征参数的平均值μ和方差σ2；
特征参数评价单元（3），用于以同类型项目的5项特征参数的平均值μ和方差σ2，建立标准正态分布函数N(μ，σ2)；将目标项目的5项特征参数代入同类型样本库的标准正态分布函数N(μ，σ2)，分别求解各项特征参数概率密度，获得目标项目的特征参数的表现水平，其中，各项特征参数的概率密度代表了目标项目的各特征参数优于同类型项目中对应特征参数的百分比；
节能建议生成单元（4），用于判断求解得到的特征参数b0、h1、c1、h0和c0是否满足设立的节能目标；在b0、h1、c1、h0和c0不满足节能目标的情况下，选择未满足设定目标的特征参数，读取决策树中对应的节能改进技术建议；
节能潜力评估单元（6），用于针对未满足节能目标的特征参数，由对应的节能目标替换未满足节能目标的特征参数，形成新设立的特征参数；在b0、h1、c1、h0和c0满足节能目标的情况下，将满足节能目标的特征参数值保持不变，形成新设立的特征参数；将新设立的特征参数代入目标项目对应平均气温的参数化能耗模型，得到优化模型；计算目标项目的参数化模型和优化模型的能耗差值，得到目标项目的节能潜力。
5.根据权利要求4所述的基于特征参数的能耗数据解析***，其特征在于，所述***还包括：
决策树单元（5），用于总结既有可采取的所有建筑节能管理措施；对建筑节能管理措施进行分类，建立依据特征参数强弱指向建筑节能管理措施的决策树。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311385455.5A CN117113018B (zh) | 2023-10-25 | 2023-10-25 | 基于特征参数的能耗数据解析方法和*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311385455.5A CN117113018B (zh) | 2023-10-25 | 2023-10-25 | 基于特征参数的能耗数据解析方法和*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117113018A CN117113018A (zh) | 2023-11-24 |
| CN117113018B true CN117113018B (zh) | 2024-02-06 |
Family
ID=88795217
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311385455.5A Active CN117113018B (zh) | 2023-10-25 | 2023-10-25 | 基于特征参数的能耗数据解析方法和*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117113018B (zh) |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20120075910A (ko) * | 2010-12-29 | 2012-07-09 | 한국전력거래소 | 전력 수요 예측 방법 |
| CN103853106A (zh) * | 2012-11-28 | 2014-06-11 | 同济大学 | 一种建筑能源供应设备的能耗预测参数优化方法 |
| KR20160027481A (ko) * | 2014-08-29 | 2016-03-10 | 주식회사 에코시안 | 건물 에너지 효율화 및 서비스 평가 시스템 및 그의 처리 방법 |
| CN107203854A (zh) * | 2017-07-27 | 2017-09-26 | 中建科技有限公司 | 一种建筑节能潜力分析方法及设备 |
| 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 |
| CN113282122A (zh) * | 2021-05-31 | 2021-08-20 | 西安建筑科技大学 | 一种商用建筑能耗预测优化方法及*** |
| CN113487063A (zh) * | 2021-06-02 | 2021-10-08 | 杭州市电力设计院有限公司 | 一种商业楼宇能效提升策略方案优化方法 |
| CN113690891A (zh) * | 2021-07-29 | 2021-11-23 | 国网江苏省电力有限公司连云港供电分公司 | 一种基于解析法的电-热互联综合能源***概率潮流确定方法 |
| CN114037165A (zh) * | 2021-11-15 | 2022-02-11 | 国网湖北省电力有限公司电力科学研究院 | 一种考虑多源不确定性的建筑冷热负荷预测方法 |
| CN116258277A (zh) * | 2023-05-08 | 2023-06-13 | 清华四川能源互联网研究院 | 区域能源-碳排放预测、规划和优化方法和*** |
| CN116645114A (zh) * | 2023-05-31 | 2023-08-25 | 国网江苏电力设计咨询有限公司 | 一种变电站建筑全生命周期碳排放快速评估法 |
| CN116796403A (zh) * | 2023-06-16 | 2023-09-22 | 昆明理工大学 | 一种基于商业建筑综合能耗预测的建筑节能方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP4439533B2 (ja) * | 2007-03-27 | 2010-03-24 | 株式会社東芝 | 負荷算定装置および負荷算定方法 |
-
2023
- 2023-10-25 CN CN202311385455.5A patent/CN117113018B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20120075910A (ko) * | 2010-12-29 | 2012-07-09 | 한국전력거래소 | 전력 수요 예측 방법 |
| CN103853106A (zh) * | 2012-11-28 | 2014-06-11 | 同济大学 | 一种建筑能源供应设备的能耗预测参数优化方法 |
| KR20160027481A (ko) * | 2014-08-29 | 2016-03-10 | 주식회사 에코시안 | 건물 에너지 효율화 및 서비스 평가 시스템 및 그의 처리 방법 |
| CN107203854A (zh) * | 2017-07-27 | 2017-09-26 | 中建科技有限公司 | 一种建筑节能潜力分析方法及设备 |
| 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 |
| CN113282122A (zh) * | 2021-05-31 | 2021-08-20 | 西安建筑科技大学 | 一种商用建筑能耗预测优化方法及*** |
| CN113487063A (zh) * | 2021-06-02 | 2021-10-08 | 杭州市电力设计院有限公司 | 一种商业楼宇能效提升策略方案优化方法 |
| CN113690891A (zh) * | 2021-07-29 | 2021-11-23 | 国网江苏省电力有限公司连云港供电分公司 | 一种基于解析法的电-热互联综合能源***概率潮流确定方法 |
| CN114037165A (zh) * | 2021-11-15 | 2022-02-11 | 国网湖北省电力有限公司电力科学研究院 | 一种考虑多源不确定性的建筑冷热负荷预测方法 |
| CN116258277A (zh) * | 2023-05-08 | 2023-06-13 | 清华四川能源互联网研究院 | 区域能源-碳排放预测、规划和优化方法和*** |
| CN116645114A (zh) * | 2023-05-31 | 2023-08-25 | 国网江苏电力设计咨询有限公司 | 一种变电站建筑全生命周期碳排放快速评估法 |
| CN116796403A (zh) * | 2023-06-16 | 2023-09-22 | 昆明理工大学 | 一种基于商业建筑综合能耗预测的建筑节能方法 |
Non-Patent Citations (3)
| Title |
|---|
| Inverse modeling toolkit: Numerical algorithms;J. K. Kissock 等;《ASHRAE Transactions》;第109卷(第18期);第425-434页 * |
| 基于BIM的建筑运维期能耗大数据管理与分析;张云翼;《中国博士学位论文全文数据库 (工程科技Ⅱ辑)》(第01期);第C038-14页 * |
| 某办公楼多联机空调***能耗特征与能效比分析;蒋凯 等;《建筑节能》;第47卷(第11期);第25-30页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117113018A (zh) | 2023-11-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Amasyali et al. | A review of data-driven building energy consumption prediction studies | |
| Liu et al. | A data mining-based framework for the identification of daily electricity usage patterns and anomaly detection in building electricity consumption data | |
| Papadopoulos et al. | Integrating building performance simulation in agent-based modeling using regression surrogate models: A novel human-in-the-loop energy modeling approach | |
| Zhu et al. | Uncertainty calibration of building energy models by combining approximate Bayesian computation and machine learning algorithms | |
| Sha et al. | Overview of computational intelligence for building energy system design | |
| CN109461025B (zh) | 一种基于机器学习的电能替代潜在客户预测方法 | |
| Lim et al. | Influences of energy data on Bayesian calibration of building energy model | |
| Xuemei et al. | Building cooling load forecasting model based on LS-SVM | |
| Roberts et al. | Characterisation of Australian apartment electricity demand and its implications for low-carbon cities | |
| Yalcintas | An energy benchmarking model based on artificial neural network method with a case example for tropical climates | |
| CN112818458A (zh) | 一种建筑绿色性能设计优化方法及*** | |
| CN112365056A (zh) | 一种电气负荷联合预测方法、装置、终端及存储介质 | |
| CN110796307A (zh) | 一种综合能源***分布式负荷预测方法及*** | |
| Canyurt et al. | Three different applications of genetic algorithm (GA) search techniques on oil demand estimation | |
| Wang et al. | Rapid evaluation of operation performance of multi-chiller system based on history data analysis | |
| CN113297799B (zh) | 一种基于数据驱动的空调集群负荷需求响应潜力评估方法 | |
| CN113393028A (zh) | 一种基于数据挖掘技术的负荷预测方法 | |
| CN113627737A (zh) | 碳排放监测方法、***、电子设备及存储介质 | |
| CN115099511A (zh) | 基于优化copula的光伏功率概率估计方法及*** | |
| CN115907173A (zh) | 一种基于stirpat模型的碳峰值预测方法、***和装置 | |
| CN116757364A (zh) | 一种基于bim技术的碳排放评估方法及*** | |
| CN114764521A (zh) | 基于遗传算法的园区建筑形体优化方法及*** | |
| CN114218751A (zh) | 臭氧污染的定量评估方法、装置、计算机设备和存储介质 | |
| Wang et al. | Data-driven assessment of room air conditioner efficiency for saving energy | |
| CN117634678A (zh) | 基于实际运行场景的低碳园区碳排放预测方法 |
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 |