基于数据前处理及小波分解的建筑空调负荷预测方法技术

本发明专利技术公开了一种基于数据前处理及小波分解的建筑空调负荷预测方法。可应用于建筑相关领域的科学研究和工程应用。该方法包括：对所有输入模型的数据进行规范化处理，获得原始数据集；对于影响负荷的内部变量和外部变量进行相关性分析，初步提取外部和内部变量之中的建筑空调负荷影响因素获得基础数据集；对基础数据集进行主成分分析，消除多重共线性，构成模型的最终输入；对于建筑空调负荷采用小波分解重构获得多频段负荷信号；采用多层感知神经网络针对不同负荷波段进行负荷预测；最后，将不同波段的负荷值组合，即得到建筑空调负荷的预测结果。本输入参数前处理方法可以增强负荷预测结果的准确性，并减少输入变量，加快预测模型的计算速度。

Building Air Conditioning Load Forecasting Method Based on Data Preprocessing and Wavelet Decomposition

【技术实现步骤摘要】
基于数据前处理及小波分解的建筑空调负荷预测方法
本专利技术涉及一种建筑空调负荷预测方法，具体涉及一种基于数据前处理及小波分解的建筑空调负荷预测方法。
技术介绍
在目前，建筑能耗是非常值得关注的问题，建筑能耗约占社会总能耗的40％。在建筑物的生命周期中，采暖，通风和空调系统占建筑总能耗的68％。暖通空调系统的高能耗可归因于两个主要原因。一个是在部分负载工作条件下机组和泵的运行效率较低。另一个是在空调系统中，流速过高导致的供应和返回冷冻水之间的温差很小。因此，只有采用合理的控制方法才能够真正的提高空调系统的运行效率。当前空调系统大多采用传统的反馈控制方法，基于用户侧的回水温度来调整系统。但是由于建筑结构复杂，人员行为多变，反馈控制已经不再能满足人们的需求。通过预测未来时刻的建筑物供暖负荷，可以实时的响应室内情况的变化，因此，建立精度较高的负荷预测模型可以真正实现能源系统的实施调控，在节能的前提下，保证室内人员的热舒适。对于负荷预测模型的建立，正确选择模型输入是准确进行预测的先决条件。目前的参数前处理方式仍有一些缺点。一方面，变量的类型不足而且不全面，其中大多数是室外气象参数。建筑物的制冷和供暖负荷受室内变量的影响，如人员在室率，也应进行分析和考虑。另一方面，在模型输入的提取过程中，应强调外部和内部变量的潜在多重共线性。冗余或重复的模型输入参数将影响预测模型的准确性和计算速度。因此，采用合理的数据分析方式，对负荷预测模型的输入参数进行选择和筛选，改进目前的参数处理方式，是提高负荷预测精度和计算速度亟待解决的关键问题。
技术实现思路
有鉴于此，本专利技术提供一种建筑空调负荷预测方法的模型输入参数选择及处理方式，以解决上述至少一项技术问题。基于以往的专利技术，本专利技术进行了以下改进：小波分解和重建算法用于对热负荷样本进行多频分析；然后，选择影响因素。相关性分析用于初步提取外部和内部变量之间的建筑物加热负荷的影响因素。主成分分析用于防止影响因素的多重共线性并构成预测模型的输入。考虑到建筑物供暖负荷具有的非线性和随机性特征，选择多层感知神经网络建立供热负荷预测模型。短期供热负荷预测模型可以帮助建筑管理人员提前获得每小时供暖需求，并优化安排暖通空调系统的运行。超短期热负荷预测模型可用于预测可能发生的大负荷波动并用于改善暖通系统的操作安全性。本专利技术提出了一种基于数据前处理及小波分解的建筑空调负荷预测方法，包括以下步骤：采用天气预报及气象站测试的方法获得影响建筑空调负荷的外部参数，通过测试获得影响建筑空调负荷的内部因素及负荷历史变化数值，构成原始数据集；对所有输入的数据进行预处理，使其无量纲化；对经过预处理之后的建筑空调负荷序列进行离散小波分解；对经过预处理之后的原始数据集进行相关性分析，剔除相关性较低的变量，得到基础数据集；对基础数据集进行主成分分析，融合基础数据集的影响因子，消除多重共线性，将线性无关的新变量作为输入数据集；将输入数据集输入多层感知神经网络，对每一个波段的负荷进行负荷预测；组合不同频段的预测结果，并对数据进行反归一化处理，获取负荷预测值，并采用评价指标评价预测结果的精度。进一步的，所述影响因素包括建筑外部影响因素及建筑内部影响因素，外部因素包括室外干球温度，太阳辐射强度和风速；所述内部因素包括室内空气参数，人员密度及办公设备的操作。进一步的，构成原始数据集的数据为测试得到的所有影响建筑空调负荷的外扰和内扰的变量。对所有数据进行归一化处理，将各类变量的数值统一集中在[0，1]范围内，降低数值差异，将有量纲的变量变为无量纲的变量，所采用的方法是其中：oi表示变量o中一个数据样本原始值；oi′表示变量o中一个数据样本的归一化值；omax表示变量o所有数据样本的最大值；omin表示变量o所有数据样本的最小值。进一步的，使用Haar小波基函数进行小波分解，归一化的小波滤波器系数为低通滤波器H由构成，高通滤波器G由构成，首先，初始信号S进行第一次分解，得到一个低频信号a1和一个高频信号d1。其次，高频信号d1不再分解，低频信号a1被看作是一个新的信号进行第二次分解，得到一个新的低频信号a2和高频信号d2。接着，可对a2进一步执行分解。上述过程一直持续，当有一个新的、足够平滑的低频信号生成，且一系列随机干扰信号被消除时，分解过程停止。最终，经过j次分解，可得到j+1组分解信号(aj，d1，d2，…，dj)，其中am体现了初始信号S的变化趋势及变化规律，d1，d2，…，dj体现了初始信号S中的随机项、噪声项。其中，低频信号a和高频信号d的计算公式为：其中，aj和dj分别为在分辨率2-j下的低频高频信号。进一步的，针对原始数据集进行相关性分析，采用Pearson和Spearman相关性系数来计算各类变量相关性的大小和方向，建筑热负荷和室外干球温度都呈现正态分布，它们之间的关系使用Pearson相关性系数检验。而室外相对湿度、风速和太阳辐射都为非正态分布，它们与建筑热负荷之间的关系应该用Spearman相关性系数检验：式中：pi-变量p的一个样本；zi-变量z的一个样本；n-变量p和z的样本个数。在选择影响因子时遵循以下选择标准，即首先某一变量对建筑冷、热负荷的影响应该是合理的，即正、负相关性合理，其次要求相关性系数的绝对值应该高于0.2这一限值，当达到这一限值时，就认为该变量对建筑空调负荷产生影响，而不论其影响程度的大小。最终，该变量被看作是建筑空调负荷的一个影响因子。进一步的假设初始变量的个数为r，通过主成分分析，可得到r个新变量，称为主成分，每个主成分对应一个特征根λi，按照特征根的大小对各主成分进行排序，每个主成分的贡献率gi计算方式如下。特征根在某种程度上可以看作是表示主成分影响力度大小的指标，本方法选择特征根大于1的主成分作为模型的输入参数，且要求累计方差贡献率在80％以上。进一步的，利用多层感知器神经网络建立预测模型，输入层神经元的个数由模型输入参数个数决定，输出层神经元为预测时刻的负荷值。采用反向传播算法作为网络算法，并对小波分解得到的的各个分量进行预测，具体是指将高频分量和低频分量逐一采用输入数据集进行预测，得到各频段的负荷预测结果。进一步的，将得到每一频段对应的建筑空调负荷预测值执行小波重构，可获得最终的预测值，具体是指，高频段上的预测值dm’和低频段上的预测值am’被重构得到am-1’，该过程一直持续，直到a1’和d1’被重构获得信号的预测值S’。最后对负荷预测数据进行反归一化处理，将无量纲的参数转化为真实的数值，反归一化的计算方法如下：oi＝oi(omax-omin)+omin式中：oi-变量o中一个数据样本原始值；oi′-变量o中一个数据样本的归一化值；omax-变量o所有数据样本的最大值；omin-变量o所有数据样本的最小值。负荷预测的结果可通过计算预测算法的误差来评估算法的性能，所考虑的指标包括平均绝对相对误差(MRE)、平均绝对误差(MAE)、确定性系数(R2)和均方根误差变异系数(CV-RMSE)，定义如下：式中：Fi-实测负荷值，kW；Fi′-预测负荷值，kW；n-负荷样本点数量。本专利技术的有益效果：本专利技术具体通过小波分解对负荷的样本进行多频分析；采用相关性分析初步提取外部和内部变量之间的建本文档来自技高网...

【技术保护点】
1.基于数据前处理及小波分解的建筑空调负荷预测方法，其特征在于，包括以下步骤：(1)采用天气预报及气象站测试的方法获得影响建筑空调负荷的外部参数，通过测试获得影响建筑空调负荷的内部因素及负荷历史变化数值，构成原始数据集；(2)对所有输入的数据进行预处理，使其无量纲化；(3)对步骤(2)得到的经过预处理之后的建筑空调负荷序列进行离散小波分解；(4)对步骤(2)得到的经过预处理之后的原始数据集进行相关性分析，剔除相关性较低的变量，得到基础数据集；(5)对步骤(4)得到的基础数据集进行主成分分析，融合基础数据集的影响因子，消除多重共线性，将线性无关的新变量作为输入数据集；(6)将输入数据集输入多层感知神经网络，对每一个波段的负荷进行负荷预测；(7)组合不同频段的预测结果，并对数据进行反归一化处理，获取负荷预测值，并采用评价指标评价预测结果的精度。

【技术特征摘要】
1.基于数据前处理及小波分解的建筑空调负荷预测方法，其特征在于，包括以下步骤：(1)采用天气预报及气象站测试的方法获得影响建筑空调负荷的外部参数，通过测试获得影响建筑空调负荷的内部因素及负荷历史变化数值，构成原始数据集；(2)对所有输入的数据进行预处理，使其无量纲化；(3)对步骤(2)得到的经过预处理之后的建筑空调负荷序列进行离散小波分解；(4)对步骤(2)得到的经过预处理之后的原始数据集进行相关性分析，剔除相关性较低的变量，得到基础数据集；(5)对步骤(4)得到的基础数据集进行主成分分析，融合基础数据集的影响因子，消除多重共线性，将线性无关的新变量作为输入数据集；(6)将输入数据集输入多层感知神经网络，对每一个波段的负荷进行负荷预测；(7)组合不同频段的预测结果，并对数据进行反归一化处理，获取负荷预测值，并采用评价指标评价预测结果的精度。2.根据权利要求1所述的基于数据前处理及小波分解的建筑空调负荷预测方法，其特征在于，所述影响因素包括建筑外部影响因素及建筑内部影响因素。3.根据权利要求2所述的基于数据前处理及小波分解的建筑空调负荷预测方法，其特征在于，所述外部因素包括室外干球温度，太阳辐射强度和风速；所述内部因素包括室内空气参数，人员密度及办公设备的操作。4.根据权利要求1所述的基于数据前处理及小波分解的建筑空调负荷预测方法，其特征在于，所述步骤(1)中构成原始数据集的数据为测试得到的所有影响建筑空调负荷的外扰和内扰的变量。5.根据权利要求1所述的基于数据前处理及小波分解的建筑空调负荷预测方法，其特征在于，所述步骤(2)中对所有数据进行归一化处理，将各类变量的数值统一集中在[0，1]范围内，降低数值差异，将有量纲的变量变为无量纲的变量，所采用的方法是其中：oi表示变量o中一个数据样本原始值；oi′表示变量o中一个数据样本的归一化值；omax表示变量o所有数据样本的最大值；omin表示变量o所有数据样本的最小值。6.根据权利要求1所述的基于数据前处理及小波分解的建筑空调负荷预测方法，其特征在于，所述步骤(3)中使用Haar小波基函数进行小波分解，归一化的小波滤波器系数为低通滤波器H由构成，高通滤波器G由构成，首先，初始信号S进行第一次分解，得到一个低频信号a1和一个高频信号d1；其次，高频信号d1不再分解，低频信号al被看作是一个新的信号进行第二次分解，得到一个新的低频信号a2和高频信号d2；接着，可对a2进一步执行分解；上述过程一直持续，当有一个新的、足够平滑的低频信号生成，且一系列随机干扰信号被消除时，分解过程停止；最终，经过j次分解，可得到j+1组分解信号(aj，d1，d2，…，dj)，其中am体现了初始信号S的变化趋势及变化规律，d1，d2，…，dj体现了初始信号S中的随机项、噪声项；其中，低频信号a和高频信号d的计算公式为：其中，aj和dj分别为在分辨率2-j下的低频高频信号。7.根据权利要求1所述的基于数据前处理及小波分解的建筑空调负荷预测方法，其特征在于，所述步骤(4)中，针对原始...

【专利技术属性】
技术研发人员：丁研，王翘楚，宿皓，张震勤，
申请(专利权)人：天津大学，
类型：发明
国别省市：天津,12