基于实地监测的开窗仿真算法制造技术

本发明专利技术公开了一种基于实地监测的开窗仿真算法。本发明专利技术基于对住宅建筑中卧室的窗户状态和相关参数长达一年的连续监测，筛选出开窗行为的显著性驱动因素，建立了开窗状态和其驱动因素的主成分Logistic模型。相比于传统的Logistic回归，该数学模型可有效消除数据的多重共线性，提高模型的稳定性和准确性。同时，考虑到实际住户开窗行为的随机性和多样性，采用了k‑means聚类方法对住户进行分类。根据聚类结果，针对每一类住户分别建立主成分Logistic模型，提高预测的准确率。

Simulation algorithm of windowing based on field monitoring

【技术实现步骤摘要】
基于实地监测的开窗仿真算法
本专利技术属于建筑行为、建筑环境及能耗模拟领域，具体涉及一种基于k-means聚类和主成分Logistic模型的开窗仿真算法。
技术介绍
我国住宅的自然通风主要通过开窗来实现，开窗行为是一种简单而有效的改善室内空气品质，调节人体热舒适的方式，同时也是建筑模拟软件一个重要的输入项。研究表明，开窗行为显著影响室内颗粒物、总挥发性有机化合物(TVOC)和二氧化碳浓度；开窗通风也会改变室内的温度、风速等热环境条件，从而影响人体的热舒适；同时，合适的开窗控制策略可实现17％～47％的节能。目前大部分建筑能耗模拟软件都采用固定的时间表来定义人的行为模式，但由于实际建筑中人行为的随机性和多样性，造成建筑模拟能耗和实际运行能耗会产生较大偏差，建立开窗行为模型对于建筑能耗模拟结果的准确性具有重要作用。
技术实现思路
本专利技术针对现有大部分建筑能耗模拟软件采用固定的时间表来定义人的行为模式，忽略实际建筑中人行为的随机性的多样性的现状，提出一种基于k-means聚类和主成分Logistic模型的开窗仿真算法。本文档来自技高网...

【技术保护点】
1.基于实地监测的开窗仿真算法，其特征在于：结合了k-means聚类和主成分Logistic回归模型；/n步骤1)：构建窗户状态及其驱动因素的原始数据集；/n步骤2)：采用欠采样的方法对不平衡的数据集进行处理；/n步骤3)：多重共线性诊断；/n步骤4)：主成分分析：如果存在多重共线性，则采用主成分分析法提取出相互独立的主成分因子来代替原始变量，如果不存在，则直接进入下一步骤；/n步骤5)：采用k-means聚类法对住户进行分类；/n步骤6)：对每一类住户分别建立主成分Logistic模型。/n

【技术特征摘要】
1.基于实地监测的开窗仿真算法，其特征在于：结合了k-means聚类和主成分Logistic回归模型；
步骤1)：构建窗户状态及其驱动因素的原始数据集；
步骤2)：采用欠采样的方法对不平衡的数据集进行处理；
步骤3)：多重共线性诊断；
步骤4)：主成分分析：如果存在多重共线性，则采用主成分分析法提取出相互独立的主成分因子来代替原始变量，如果不存在，则直接进入下一步骤；
步骤5)：采用k-means聚类法对住户进行分类；
步骤6)：对每一类住户分别建立主成分Logistic模型。


2.根据权利要求1所述的基于实地监测的开窗仿真算法，其特征在于：所述步骤1)具体为：收集的数据中窗户状态视为目标变量，潜在驱动因素(室内外环境参数和时间)视为解释变量；
将每种潜在驱动因素分别和窗户状态进行单因素Logistic回归，筛选出具有显著性影响的因子(p<0.05)，构建窗户状态及其驱动因素的原始数据集。


3.根据权利要求1所述的基于实地监测的开窗仿真算法，其特征在于：所述步骤2)具体：欠采样可通过保存所有稀有类样本，并在丰富类别中随机选择与稀有类别样本相等数量的样本，重组为平衡的新数据集以进一步建模。


4.根据权利要求1所述的基于实地监测的开窗仿真算法，其特征在于：所述步骤3)具体：对变量进行多重共线性诊断，一般可根据相关系数、方差膨胀因子VIF(thevarianceinflationfactor)、容许值TOL(Tolerance)诊断...

【专利技术属性】
技术研发人员：刘俊杰，齐悦，
申请(专利权)人：天津大学，
类型：发明
国别省市：天津;12