一种基于孪生模型的建筑能耗预测方法技术

本发明专利技术涉及一种基于孪生模型的建筑能耗预测方法，包括以下步骤：1)建立建筑能耗的预测仿真模型，并预设运行条件，同时基于运行能耗的历史数据，建立数据驱动模型；2)从预测仿真模型和数据驱动模型中提取共同的特征因子，作为预测因子；3)基于运行能耗数据对预测仿真模型进行校准；4)利用校准后的预测仿真模型构建增强训练集数据；5)根据拟预测日的预测因子，判断并选择增强训练数据集或历史数据集，对数据驱动模型进行训练，实施建筑运行能耗预测；6)滚动获取预测日新产生的建筑运行能耗数据，返回执行步骤3)，实现可持续的模型校准及数据更新。与现有技术相比，本发明专利技术具有适应能力、泛化能力强、预测精度高等优点。

【技术实现步骤摘要】
一种基于孪生模型的建筑能耗预测方法
本专利技术涉及建筑能耗预测领域，尤其是涉及一种基于孪生模型的建筑能耗预测方法。
技术介绍
目前关于建筑能耗的预测模型主要是基于建筑物理机理的白箱模型，基于建筑热工参数、机电系统等详细信息建立仿真模型，并预设建筑运行参数进行负荷和能耗预测。长期在设计阶段为方案比选、相对比较分析研究提供了技术支撑，发挥了重要作用。然而，由于模型中的预设参数未能真实反映实际建筑运行状态，尽管经过多年的研究和改良，仍然未能有效解决与实际建筑能耗乖离的现实，结果偏差大，由于这类模型虽然基于机理具有解释性，却难以捕捉建筑实际运行的随机动态特性，制约了模型的实际应用。最近随着大数据、物联网技术的发展，基于实际运行数据的数据驱动模型，包括黑箱模型等基于机器学习算法的模型方法得以积极应用，为动态把握建筑能耗规律，优化运行策略等需求提供了技术支持。然而数驱驱动模型因仅基于历史经验学习获取能耗规律，缺乏对能耗规律背后内在关系的解释性，还由于局限于历史经验的学习，对超出历史经验范围的场景的预测将会失灵，同样也制约了模型的应用。无论是本文档来自技高网...

【技术保护点】
1.一种基于孪生模型的建筑能耗预测方法，其特征在于，包括以下步骤：/n1)建立建筑能耗的预测仿真模型，并预设运行条件，同时基于运行能耗的历史数据，建立数据驱动模型；/n2)从预测仿真模型和数据驱动模型中提取共同的特征因子，作为预测因子；/n3)基于运行能耗数据对预测仿真模型进行校准；/n4)利用校准后的预测仿真模型构建增强训练集数据；/n5)根据拟预测日的预测因子，判断并选择增强训练数据集或历史数据集，对数据驱动模型进行训练，实施建筑运行能耗预测；/n6)滚动获取预测日新产生的建筑运行能耗数据，返回执行步骤3)，进行可持续的模型校准及数据更新。/n

【技术特征摘要】
1.一种基于孪生模型的建筑能耗预测方法，其特征在于，包括以下步骤：
1)建立建筑能耗的预测仿真模型，并预设运行条件，同时基于运行能耗的历史数据，建立数据驱动模型；
2)从预测仿真模型和数据驱动模型中提取共同的特征因子，作为预测因子；
3)基于运行能耗数据对预测仿真模型进行校准；
4)利用校准后的预测仿真模型构建增强训练集数据；
5)根据拟预测日的预测因子，判断并选择增强训练数据集或历史数据集，对数据驱动模型进行训练，实施建筑运行能耗预测；
6)滚动获取预测日新产生的建筑运行能耗数据，返回执行步骤3)，进行可持续的模型校准及数据更新。


2.根据权利要求1所述的一种基于孪生模型的建筑能耗预测方法，其特征在于，所述的步骤4)具体包括：
41)利用校准后的预测仿真模型，获取预测因子全范围的预测结果，作为历史数据集的扩展数据；
42)将扩展数据与历史数据相互融合，合成增强训练集数据。


3.根据权利要求2所述的一种基于孪生模型的建筑能耗预测方法，其特征在于，所述的步骤5)中，当历史数据的经验范围包括拟预测日的预测因子时，选择历史数据集对数据驱动模型进行训练，否则选择增强训练集对数据驱动模型进行训练。


4.根据权利要求3所述的一种基于孪生模型的建筑能耗预测方法，其特征在于，当选择增强训练集对数据驱动模型进行训练时，具体包括：
利用KNN聚类算法，从增强训练集中筛选与拟预测日的预测因子对应的数据集，对数据驱动模型进行训练。


5.根据权利要求1所述的一种基于孪生模型的建筑能耗预测方法，其特征在...

【专利技术属性】
技术研发人员：谭洪卫，
申请(专利权)人：同济大学，
类型：发明
国别省市：上海;31