一种基于数据驱动的区域建筑空调器短期耗电量预测方法技术

本发明专利技术公开了一种基于数据驱动的区域建筑空调器短期耗电量预测方法，包括采集空调使用数据建立数据集，建立区域建筑典型空调使用模式挖掘模型、区域建筑空调器使用率预测模型和区域建筑空调器短期耗电量预测模型；将挖掘得到的典型空调使用模式占比输入区域建筑空调器使用率预测模型，预测得到区域建筑空调器逐时使用率；将预测得到的空调器逐时使用率输入区域建筑空调器短期耗电量预测模型，对空调器短期耗电量进行预测。本发明专利技术所提出的一种基于数据驱动的区域建筑空调器短期耗电量预测方法，建模规则简单，具有强大的自学习能力，尤其适用于人员在室情况变化大、空调使用行为随机性强的区域建筑空调器短期耗电量预测。

【技术实现步骤摘要】
一种基于数据驱动的区域建筑空调器短期耗电量预测方法
本专利技术涉及大数据分析应用、区域能源规划、暖通空调等领域，尤其涉及一种基于数据驱动的区域建筑空调器短期耗电量预测方法。
技术介绍
近年来，由于可再生能源、分布式能源系统的推广应用，建筑能源供应侧的复杂性和波动性越来越大。对于供应侧采用了多元能源系统的区域建筑而言，区域建筑短期能耗的准确预测，不仅有助于输配电系统的调度控制、削峰填谷等运行管理，还是能源系统故障诊断和智慧运行的重要基础。因此，区域建筑短期能耗预测已经受到极大关注。而在建筑总能耗中，空调用电通常占据最大的比例。建立准确的区域建筑空调器短期耗电量预测方法，对区域建筑空调系统的优化运行以及能源资源节约型社会建设有着重要的意义。区域建筑空调短期能耗预测的时间尺度为未来小时至数天，且受人员在室情况、天气、以及空调使用行为等因素影响显著，这些因素随机性强、时变性强，且与能耗之间存在非线性关系。对于高校教学楼等人员在室情况变化大、空调使用随机的情况，区域建筑空调短期能耗预测更为复杂。现有的空调短期能耗预测方法通常分为物理建模方法与数据驱动方法。物理建模方法根据建筑热过程进行能耗建模和分析，通常根据固定的人员在室时间表和设备使用时间表进行典型气象条件下的冷热负荷计算，并进行各建筑负荷叠加，从而预测区域建筑的中长期能耗（各月或全年能耗）。这种方法通常需要大量的详细数据建立模型，对数据的准确性要求高。但通常因为很难获得未来小时或者数天的人员在室及用能行为的准确数据，因而很难满足建筑群短期能耗预测的精度和泛化能力要求。例如专利CN106524295A中基于物理建模的能耗预测方法，通过设计规范中建议的固定空调使用率计算空调负荷，进而根据空调系统的效率计算能耗情况。这种方法仅将人员作为空调负荷的内扰，未能考虑建筑不同时期空调使用的随机性变化。基于大数据的数据驱动模型通过机器学习方法，学习历史的能耗数据，结合气象、时间等输入参数，对能耗进行预测。由于这种方法是基于历史规律的学习，其在短期能耗的准确预测领域具有明显的优势和极大的应用前景，尤其适用于预测特定情况下的空调能耗等机理清晰但过程复杂、非线性强、时变性强、不确定性强的模型过程。而目前已有的基于数据驱动的区域建筑空调短期能耗预测方法，大多缺乏对建筑内人员使用行为随机性的考虑。现有的预测方法中对于人员的在室情况和空调使用行为，通常通过固定的时间特征参数（例如工作日或非工作日、工作时间或非工作时间）或根据国家节能设计标准中固定的在室时间表或固定的设备使用时间表作为输入来表征，如专利CN111507511A，采用国家标准中的固定时间表进行估算建筑内人员在室情况，输入至数据驱动模型中，而空调使用行为作息没有相应的考虑。这种方法无论是通过时间特征参数或是固定的人员在室或空调使用时间表来进行预测，均难以体现所预测建筑空调使用的独特性以及人员流动性大的情况下空调使用的随机性和时变性特征，进而不能反映随机空调使用对能耗的影响，从而难以精确地预测区域建筑空调器的短期耗电量。
技术实现思路
针对现有方法无法反映建筑在室人员空调使用行为的随机性和时变性，从而影响区域建筑空调器短期耗电量的准确预测，本专利技术从区域建筑空调使用行为入手，得到典型空调使用模式及其占比，表征区域建筑中复杂的空调使用情况。其中，各典型空调使用模式中的逐时空调使用率反映了空调使用的时变性，而整个区域中各典型模式的占比反映了空调使用的随机性；基于此，得到了所预测时刻的区域建筑空调使用率，并进一步建立了基于随机使用行为的区域建筑空调器短期耗电量预测方法。本专利技术解决其技术问题所采用的技术方案如下：一种基于数据驱动的区域建筑空调器短期耗电量预测方法，所述预测方法具体步骤如下：步骤S1：采集建筑群空调的逐时开关状态、建筑群空调逐时能耗、室外温度、以及使用时间特征数据，建立数据集，并计算得到区域建筑的空调逐时使用率；其中使用时间特征数据包括一周中第几天、是否工作日以及所在小时；步骤S2：构建区域建筑典型空调使用模式挖掘模型；所述区域建筑典型空调使用模式挖掘模型以步骤S1中采集的逐时空调开关状态数据，转换为每天的逐时空调开关序列，建立典型空调使用模式挖掘的样本空间；将其作为挖掘模型的输入，通过基于围绕中心点划分PAM的聚类方法，得到建筑群中典型空调使用模式；计算各典型空调使用模式占比；步骤S3：构建区域建筑空调器使用率预测模型；将步骤S1中的区域建筑的空调逐时使用率、室外温度、使用时间特征数据和步骤S2中的区域建筑典型空调使用模式占比作为空调器使用率预测样本空间的解释变量，空调器使用率预测样本空间的因变量为所预测时刻区域建筑的空调使用率；并将样本空间解释变量作为区域建筑空调器使用率预测模型输入，通过回归分析，筛选出空调器使用率预测样本空间中对各季节使用率有相关影响的解释变量；通过k-近邻方法，预测区域建筑的空调器逐时使用率；步骤S4：构建区域建筑空调器短期耗电量预测模型；以步骤S1中建筑群空调逐时能耗数据、步骤S3中区域建筑的空调器逐时使用率以及所在小时作为区域建筑空调器短期耗电量预测样本空间的解释变量，样本空间的因变量为所预测时刻的区域建筑空调器耗电量；将样本空间解释变量作为区域建筑空调器短期耗电量预测模型的输入，使用支持向量回归方法，对区域建筑空调器短期耗电量进行预测。进一步地，根据气象特征和区域建筑空调使用特征进行空调使用阶段的划分，包括夏初、夏末、盛夏、冬初、冬末、严冬和过渡季，分别对每一个使用阶段的区域建筑空调短期耗电量进行预测。进一步地，步骤S2中，建立典型空调使用模式挖掘的样本空间，所述典型空调使用模式挖掘的样本空间的解释变量包括区域建筑群各房间每天的逐时空调开关序列；区域建筑典型空调使用模式挖掘模型对应输出为各典型空调使用模式，所述典型空调使用模式通过PAM方法得到，即日内各小时的空调使用概率；在此基础上，进一步计算各典型空调使用模式占比；所述各典型空调使用模式占比，为得出典型空调模式后，建筑群内一天中属于某典型空调使用模式的逐时空调开关序列条数占这一天的逐时空调开关序列总条数的比例。进一步地，步骤S3中，建立空调器使用率预测的样本空间，所述空调器使用率预测的样本空间包括解释变量和因变量，并通过回归分析，对样本空间中解释变量进行筛选；样本空间中因变量为所预测时刻区域建筑的空调逐时使用率；样本空间中解释变量包括室外温度、一周中第几天、当前是否为工作日、所在小时、所预测时刻前一小时区域建筑空调使用率和各典型空调使用模式占比。进一步地，所述区域建筑空调器使用率预测模型，其通过k-近邻方法在样本空间中进行预测；采用十折交叉验证来评估区域建筑空调器使用率预测模型的预测效果。进一步地，步骤S4中，建立空调器短期耗电量预测的样本空间，所述样本空间包括解释变量和因变量；解释变量为：所预测时刻前一小时的能耗E(0,1)、所预测时刻前两小时的能耗E(0,2)、所预测时刻前一天的能耗E(1,0)、所在小时和预测时刻区域建筑的空调使用率；样本空间因变量为所预测时刻本文档来自技高网...

【技术保护点】
1.一种基于数据驱动的区域建筑空调器短期耗电量预测方法，其特征在于，所述预测方法具体步骤如下：/n步骤S1：采集建筑群空调的逐时开关状态、建筑群空调逐时能耗、室外温度、以及使用时间特征数据，建立数据集，并计算得到区域建筑的空调逐时使用率；其中使用时间特征数据包括一周中第几天、是否工作日以及所在小时；/n步骤S2：构建区域建筑典型空调使用模式挖掘模型；所述区域建筑典型空调使用模式挖掘模型以步骤S1中采集的逐时空调开关状态数据，转换为每天的逐时空调开关序列，建立典型空调使用模式挖掘的样本空间；将其作为挖掘模型的输入，通过基于围绕中心点划分PAM的聚类方法，得到建筑群中典型空调使用模式；计算各典型空调使用模式占比；/n步骤S3：构建区域建筑空调器使用率预测模型；将步骤S1中的区域建筑的空调逐时使用率、室外温度、使用时间特征数据和步骤S2中的区域建筑典型空调使用模式占比作为空调器使用率预测样本空间的解释变量，空调器使用率预测样本空间的因变量为所预测时刻区域建筑的空调使用率；并将样本空间解释变量作为区域建筑空调器使用率预测模型输入，通过回归分析，筛选出空调器使用率预测样本空间中对各季节使用率有相关影响的解释变量；通过k-近邻方法，预测区域建筑的空调器逐时使用率；/n步骤S4：构建区域建筑空调器短期耗电量预测模型；以步骤S1中建筑群空调逐时能耗数据、步骤S3中区域建筑的空调器逐时使用率以及所在小时作为区域建筑空调器短期耗电量预测样本空间的解释变量，样本空间的因变量为所预测时刻的区域建筑空调器耗电量；将样本空间解释变量作为区域建筑空调器短期耗电量预测模型的输入，使用支持向量回归方法，对区域建筑空调器短期耗电量进行预测。/n...

【技术特征摘要】
1.一种基于数据驱动的区域建筑空调器短期耗电量预测方法，其特征在于，所述预测方法具体步骤如下：
步骤S1：采集建筑群空调的逐时开关状态、建筑群空调逐时能耗、室外温度、以及使用时间特征数据，建立数据集，并计算得到区域建筑的空调逐时使用率；其中使用时间特征数据包括一周中第几天、是否工作日以及所在小时；
步骤S2：构建区域建筑典型空调使用模式挖掘模型；所述区域建筑典型空调使用模式挖掘模型以步骤S1中采集的逐时空调开关状态数据，转换为每天的逐时空调开关序列，建立典型空调使用模式挖掘的样本空间；将其作为挖掘模型的输入，通过基于围绕中心点划分PAM的聚类方法，得到建筑群中典型空调使用模式；计算各典型空调使用模式占比；
步骤S3：构建区域建筑空调器使用率预测模型；将步骤S1中的区域建筑的空调逐时使用率、室外温度、使用时间特征数据和步骤S2中的区域建筑典型空调使用模式占比作为空调器使用率预测样本空间的解释变量，空调器使用率预测样本空间的因变量为所预测时刻区域建筑的空调使用率；并将样本空间解释变量作为区域建筑空调器使用率预测模型输入，通过回归分析，筛选出空调器使用率预测样本空间中对各季节使用率有相关影响的解释变量；通过k-近邻方法，预测区域建筑的空调器逐时使用率；
步骤S4：构建区域建筑空调器短期耗电量预测模型；以步骤S1中建筑群空调逐时能耗数据、步骤S3中区域建筑的空调器逐时使用率以及所在小时作为区域建筑空调器短期耗电量预测样本空间的解释变量，样本空间的因变量为所预测时刻的区域建筑空调器耗电量；将样本空间解释变量作为区域建筑空调器短期耗电量预测模型的输入，使用支持向量回归方法，对区域建筑空调器短期耗电量进行预测。


2.根据权利要求1所述的一种基于数据驱动的区域建筑空调器短期耗电量预测方法，其特征在于，根据气象特征和区域建筑空调使用特征进行空调使用阶段的划分，包括夏初、夏末、盛夏、冬初、冬末、严冬和过渡季，分别对每一个使用阶段的区域建筑空调短期耗电量进行预测。


3.根据权利要求1所述的一种基于数据驱动的区域建筑空调器短期耗电量预测方法，其特征在于，步骤S2中，建立典型空调使用模式挖掘的样本...

【专利技术属性】
技术研发人员：陈淑琴，李鑫悦，李鸿亮，
申请(专利权)人：浙江大学，
类型：发明
国别省市：浙江;33