基于数据驱动的混合建筑电耗预测方法及系统技术方案

本申请公开了基于数据驱动的混合建筑电耗预测方法及系统，包括：获取混合建筑电耗数据；对建筑电耗数据进行预处理；对预处理后的建筑电耗数据进行聚类处理，得到若干类能耗数据；对聚类处理后的每一类能耗数据中每个小时能耗数据进行模态分解，基于模态分解结果，实现混合建筑电耗预测。现混合建筑电耗预测。现混合建筑电耗预测。

【技术实现步骤摘要】
基于数据驱动的混合建筑电耗预测方法及系统


[0001]本申请涉及建筑电能耗预测
，特别是涉及基于数据驱动的混合建筑电耗预测方法及系统。

技术介绍

[0002]本部分的陈述仅仅是提到了与本申请相关的
技术介绍
，并不必然构成现有技术。
[0003]随着全球工业化和城市化进程的不断加快，建筑能源的需求总量不断增加。随着建筑能耗用量的不断增加，给周围环境也带来了一些负担，二氧化碳的排放，使得全球气候变暖，给人类社会和自然界带来了难以想象的灾难。因此，寻求合适的策略降低建筑能耗，是非常迫切且必要的。
[0004]目前的建筑电能耗预测方法，对一所建筑数据进行预测时往往只使用一种方法，即使通过聚类算法进行聚类后，所有的类依旧是使用同一种算法，这忽略了每类数据的线性结构不同，针对一所建筑电耗数据，一种算法是无法满足要求的。每种算法对不同的数据预测效果不同，单单使用一种会降低预测的准确率。同时。预测前的数据预处理时极其重要的，目前最多的数据预处理只是简单的对数据进行归一化，只进行归一化的前提是采集的数据是完全准确的。但是，却忽略了在数据采集过程中，会受到天气，断电，设备准确率等情况的影响，导致产生的空值的数据，部分数据连续循环，离群数据等等，因此，只简单地进行标准化预处理的预测结果往往也不准确。

技术实现思路

[0005]为了解决现有技术的不足，本申请提供了基于数据驱动的混合建筑电耗预测方法及系统；解决数据前期可能存在的异常问题与适合该类数据的最佳预测算法的选择问题，来最大限度的提高预测的准确率。<br/>[0006]第一方面，本申请提供了基于数据驱动的混合建筑电耗预测方法；
[0007]基于数据驱动的混合建筑电耗预测方法，包括：
[0008]获取混合建筑电耗数据；
[0009]对建筑电耗数据进行预处理；
[0010]对预处理后的建筑电耗数据进行聚类处理，得到若干类能耗数据；
[0011]对聚类处理后的每一类能耗数据中每个小时能耗数据进行模态分解，基于模态分解结果，实现混合建筑电耗预测。
[0012]第二方面，本申请提供了基于数据驱动的混合建筑电耗预测系统；
[0013]基于数据驱动的混合建筑电耗预测系统，包括：
[0014]获取模块，其被配置为：获取混合建筑电耗数据；
[0015]预处理模块，其被配置为：对建筑电耗数据进行预处理；
[0016]聚类模块，其被配置为：对预处理后的建筑电耗数据进行聚类处理，得到若干类能耗数据；
[0017]预测模块，其被配置为：对聚类处理后的每一类能耗数据中每个小时能耗数据进行模态分解，基于模态分解结果，实现混合建筑电耗预测。
[0018]第三方面，本申请还提供了一种电子设备，包括：一个或多个处理器、一个或多个存储器、以及一个或多个计算机程序；其中，处理器与存储器连接，上述一个或多个计算机程序被存储在存储器中，当电子设备运行时，该处理器执行该存储器存储的一个或多个计算机程序，以使电子设备执行上述第一方面所述的方法。
[0019]第四方面，本申请还提供了一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成第一方面所述的方法。
[0020]第五方面，本申请还提供了一种计算机程序(产品)，包括计算机程序，所述计算机程序当在一个或多个处理器上运行的时候用于实现前述第一方面任意一项的方法。
[0021]与现有技术相比，本申请的有益效果是：
[0022]解决了目前采集能耗数据都会遇到的部分问题，同时也解决了预测算法存在的不稳定性问题。通过数据的预处理，聚类，模态识别等前期步骤能大幅度的提升建筑负荷预测的准确率。对于节约建筑能耗，改善环境问题具有重大意义。
附图说明
[0023]构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。
[0024]图1是本申请实施例一的数据预处理的流程图，包括：三种异常数据的处理、聚类、模态分解；
[0025]图2是本申请实施例一的最佳模型选择的流程图；
[0026]图3是本申请实施例一的根据肘部法，不同的n值对应不同的SSE值，来选择n值；
[0027]图4(a)-图4(e)是本申请实施例一的对数据进行模态分解，分为IMF与RES；
[0028]图5(a)-图5(d)是本申请实施例一的使用混合模型对某一天的IMF，RES的分别预测，图显示是真实值与预测值的对比；
[0029]图6是本申请实施例一的对假期中的某一时刻的IMF与RES分别进行的三种预测算法的结果对比图；
[0030]图7是本申请实施例一的对工作日中的某一时刻的IMF与RES分别进行的三种预测算法的结果对比图；
[0031]图8是本申请实施例一的对日常周末中的某一时刻的IMF与RES分别进行的三种预测算法的结果对比图。
具体实施方式
[0032]应该指出，以下详细说明都是示例性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属
的普通技术人员通常理解的相同含义。
[0033]需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，术语“包括”和“具有”以及他们的任何变形，
意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
[0034]在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
[0035]实施例一
[0036]本实施例提供了基于数据驱动的混合建筑电耗预测方法；
[0037]如图1所示，基于数据驱动的混合建筑电耗预测方法，包括：
[0038]S101：获取混合建筑电耗数据；
[0039]S102：对建筑电耗数据进行预处理；
[0040]S103：对预处理后的建筑电耗数据进行聚类处理，得到若干类能耗数据；
[0041]S104：对聚类处理后的每一类能耗数据中每个小时能耗数据进行模态分解，基于模态分解结果，实现混合建筑电耗预测。
[0042]作为一个或多个实施例，所述S101中，获取混合建筑电耗数据；其中混合建筑电耗数据，包括：
[0043]建筑物的电能耗数据和影响建筑物电能耗数据的相关因素数据。
[0044]示例性的，所述影响建筑物电能耗数据的相关因素数据，包括：温度和湿度。
[0045]作为一个或多个实施例，所述S102中，对建筑电耗数据进行预处理；具体步骤包括：
[0046]S1021：对建筑电耗数据进行空值处理；
[0本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于数据驱动的混合建筑电耗预测方法，其特征是，包括：获取混合建筑电耗数据；对建筑电耗数据进行预处理；对预处理后的建筑电耗数据进行聚类处理，得到若干类能耗数据；对聚类处理后的每一类能耗数据中每个小时能耗数据进行模态分解，基于模态分解结果，实现混合建筑电耗预测。2.如权利要求1所述的方法，其特征是，获取混合建筑电耗数据；其中混合建筑电耗数据，包括：建筑物的电能耗数据和影响建筑物电能耗数据的相关因素数据；所述影响建筑物电能耗数据的相关因素数据，包括：温度和湿度。3.如权利要求1所述的方法，其特征是，对建筑电耗数据进行预处理；具体步骤包括：对建筑电耗数据进行空值处理；对建筑电耗数据进行连续重复值处理；对建筑电耗数据进行离散异常值处理。4.如权利要求3所述的方法，其特征是，对建筑电耗数据进行空值处理；具体步骤包括：对空值进行识别；对空值进行分析，是否是在设定时间范围内连续出现；如连续出现，则进行舍弃；如果离散出现，则代表对于后续的预测不会产生较大影响，使用KNN算法进行填补。5.如权利要求3所述的方法，其特征是，对建筑电耗数据进行连续重复值处理；具体步骤包括：对连续重复值进行识别；如果重复值小于等于三个，认为是正常值；如果重复值大于三个，则认为是连续重复值；将连续重复值的第一个数值保留，将连续重复值中的非第一个数值予以剔除。6.如权利要求3所述的方法，其特征是，对建筑电耗数据进行离散异常值处理；具体步骤包括：使用k-means算法对离散异常值进行识别；不断的继续聚类，将每次聚类识别的离散异常值予以删除处理；直至没有异常值的出现；使用KNN算法对删除的数据进行补足；或者，KNN算法输入为连续若干天相同时刻的能耗值及其影响因素，KNN算法的k值通过对预测结果的准确率比较获得；不同的k值对应填补后的数据不同，通过使用不同的k值填补，选取预测方法进行预测，计算MSE，比较获得最佳的k值；或者，对预处理后的建筑电耗数据进行聚类处理，得到若干类能耗数据；具体步骤包括：计算每个聚类中样本...

【专利技术属性】
技术研发人员：陈园园，段培永，
申请(专利权)人：山东师范大学，
类型：发明
国别省市：