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。无论是白箱模型还是黑箱模型，应用于建筑能耗的预测都使得预测精度低、效果差，目前没有行之有效的建筑能耗预测方法，这成为了建筑能耗领域发展的一大瓶颈。
技术实现思路
本专利技术的目的就是为了克服上述现有技术存在的缺陷而提供一种提高建筑能耗预测的可靠性、适应性和精度的基于孪生模型的建筑能耗预测方法。本专利技术的目的可以通过以下技术方案来实现：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)，进行可持续的模型校准及数据更新。本专利技术方法明确了两种不同性质、各存局限性的模型如何取长补短形成优势互补的机制。具体来说，对于预测仿真模型(即白箱模型，称为模型A)而言，需要基于实际运行数据进行校准，并满足相关指南的精度要求，因此提供数据驱动模型(成为模型B)相呼应，提取作为预测因子的共同变量；利用模型A预测覆盖预测因子全范围的能耗预测结果，作为扩展的运行能耗数据集，并与局限于有限范围的实际运行能耗历史数据集混合，形成全域增强的训练数据集，提供给模型B进行学习，补足由历史数据构成的训练集在经验范围上的局限。模型A和模型B的方法互为补充、校准，且动态迭代完善。模型A与当下历史数据合成增强训练集数据，提供给模型B进行学习，为新场景预测提供支持，而后续实际的能耗数据将同步应用于模型A的校准和更新迭代，形成一种成长型的孪生模型预测方法。进一步地，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，实现对有限的历史经验数据的补充。进一步地，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。更进一步地，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。进一步地，所述的步骤3)还包括：基于运行能耗数据分别对预测仿真模型和数据驱动模型进行验证。更进一步地，所述的对预测仿真模型进行验证具体包括：验证预测因子在预测仿真模型中的敏感性和适用性；所述的对数据驱动模型进行验证具体包括：验证数据驱动模型对超出历史经验范围的预测因子的偏离特性以及增强训练集对数据驱动模型精度的改善程度。进一步地，所述的预测仿真模型根据建筑信息和能耗设备系统信息建立，并通过规范参数预设运行条件，所述的建筑信息包括建筑形体，所述的能耗设备系统包括机电系统，所述的规范参数包括动态预设参数和静态预设参数；所述的数据驱动模型通过机器学习回归算法建立。进一步地，所述的运行能耗数据包括照明能耗数据、设备能耗数据和空调能耗数据。进一步地，所述的预测因子包括能耗负荷率、室外气象参数、运行方式和/或系统场景，所述的能耗负荷率通过能耗负荷率预测得到，所述的室外气象参数通过天气预报得到，所述的运行方式通过运行方式预设得到，所述的系统场景通过系统变更场景预设得到。进一步地，在所述的预测仿真模型具备分项运行能耗数据的条件下，对多个能耗需求用能设备系统，分别对应建立多个独立的预测仿真模型。例如建筑中含有多个或多种空调系统情形时，对应各系统能耗和承担的空调区域需求分别建立预测仿真模型，提取影响能耗变化的主要动态因子，参照对应的实际数据进行校准并与数据驱动模型(模型B)的预测因子建立协同关系。与现有技术相比，本专利技术具有以下优点：1)本专利技术针对建筑能耗预测领域的瓶颈问题，克服了原来白箱模型由于预设变量的不确定性而导致偏离实际的局限，建立了预测因子与实际情况动态校准和联动关系；解决了数据驱动模型因受限于历史经验数据的学习而应对异动场景能力不足的局限性，增强了训练集范围，提升了模型的适应能力，提高建筑能耗预测的可靠性；2)本专利技术有机融合了包括传统的白箱模型、黑箱模型在内的数据驱动模型的优势，取长补短，实现两模型方法的相互补充和支撑，实现数据交互融合应用，显著提升了预测模型的适应范围和精度，两模型的孪生发展可取长补短发挥其优势，突破了现有模型方法的瓶颈，具有适应能力、泛化能力强、预测精度高等优点。附图说明图1为本专利技术预测流程示意图；图2为预测仿真模型和数据驱动模型的互补孪生发展过程示意图。具体实施方式下面结合附图和具体实施例对本专利技术进行详细说明。显然，所描述的实施例是本专利技术的一部分实施例，而不是全部实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都应属于本专利技术保护的范围。实施例如图1和图2所示，本专利技术提供一种基于孪生模型的建筑能耗预测方法，用以保障建筑能耗预测模型的可靠性、增强适应性和精度，包括以下步骤：S1：根据建筑信息、设备系统信息建立基于对象的建筑能耗的预测仿真模型，即白箱模型(以下称模型A)；S2：根据运行能耗数据建立基于对象的建筑能耗预测的数据驱动模型(以下称模型B)；S3：从模型A和模型B中提取共同的特征因子，作为预测特征变量(以下简称预测因子)，并基于运行能耗数据校准模型A，并验证校准模型A预测因子的敏感性、适应性及本文档来自技高网...

【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