近零能耗社区冷热负荷预测方法技术

本发明专利技术提供了一种近零能耗社区冷热负荷预测方法，包括下列步骤：收集历史气候和能源数据并进行冷热负荷模拟；根据模拟结果训练可解释人工智能模型；收集未来气候变化数据并统计缩减；以及利用训练好的可解释人工智能模型和统计缩减的未来气候变化数据预测和分析社区未来冷热负荷。本发明专利技术提供的近零能耗社区冷热负荷预测方法，能够通过可解释人工智能模型对近零能耗社区中连续的日常能源消耗进行长期预测，并且能够解释预测背后的原理。并且能够解释预测背后的原理。并且能够解释预测背后的原理。

【技术实现步骤摘要】
近零能耗社区冷热负荷预测方法


[0001]专利技术涉及一种预测方法，尤其是一种用于近零能耗社区冷热负荷的预测方法。

技术介绍

[0002]在气候变化的影响下，准确可靠地预测未来社区的长期冷热负荷，可以帮助决策者和利益相关者制定有效的应对策略。虽然目前已存在通过人工智能模型预测社区能耗的方法，然而目前的方法不能对社区中连续的日常冷热负荷进行长期预测，并且不能解释预测背后的原理。

技术实现思路

[0003]本专利技术的目的是提供一种近零能耗社区冷热负荷预测方法，能够对社区中连续的日常冷热负荷进行长期预测，并且能够解释预测背后的原理。
[0004]本专利技术提供了一种近零能耗社区冷热负荷预测方法，包括下列步骤：收集历史气候和能源数据并进行冷热负荷模拟；根据模拟结果训练可解释人工智能模型；收集未来气候变化数据并统计缩减；以及利用训练好的可解释人工智能模型和统计缩减的未来气候变化数据预测和分析社区未来冷热负荷。
[0005]本专利技术提供的近零能耗社区冷热负荷预测方法，提供了一种新颖的可解释人工智能模型，在对该可解释人工智能进行训练后，可解释人工智能模型不仅可以对近零能耗社区未来的冷热负荷做出可靠的预测，还可以提供解释预测背后基本原理的见解。
[0006]在近零能耗社区冷热负荷预测方法的一种示意性实施方式中，步骤：收集历史气候和能源数据并进行冷热负荷模拟具体包括下列步骤：获取当地历史气候数据；根据获取的当地历史气候数据更新建筑节能气象参数标准数据；利用DeST软件模拟近零能耗建筑并组合成近零能耗社区；以及利用组合成的近零能耗社区和更新后的建筑节能气象参数标准数据进行模拟生成冷热负荷数据库。
[0007]在近零能耗社区冷热负荷预测方法的一种示意性实施方式中，当地历史气候数据包括选定的严寒地区、寒冷地区、夏热冬冷地区、夏热冬暖地区和温和气候地区的历史气候数据。
[0008]在近零能耗社区冷热负荷预测方法的一种示意性实施方式中，DeST软件模拟近零能耗建筑包括近零能耗居住建筑、近零能耗办公建筑、近零能耗近零能耗酒店建筑、近零能耗商场建筑、近零能耗医院建筑以及近零能耗学校建筑；组合成的近零能耗社区包括近零能耗居住社区、近零能耗公共建筑社区以及近零能耗混合型社区，每种社区冷热负荷为包括的近零能耗建筑的冷热负荷之和。
[0009]在近零能耗社区冷热负荷预测方法的一种示意性实施方式中，可解释人工智能模型以LSTM长短期记忆神经网络模型作为基础，使用adam训练优化器，并加入dropout和L2正则化进行约束以确保模型不会出现过拟合，在进行网络参数调试验证时，将数据分为三部分，使用70%做为训练集，15%的验证集及15%的测试集。
[0010]在近零能耗社区冷热负荷预测方法的一种示意性实施方式中，步骤：收集未来气候变化数据并统计缩减具体包括下列步骤：获取我国气候变化情景数据；以及利用降尺度技术将我国气候变化情景数据缩减到局部尺度。
[0011]在近零能耗社区冷热负荷预测方法的一种示意性实施方式中，我国气候变化情景为实现NDC的情景，包括全球升温2℃情景以及全球升温1.5℃情景。
[0012]在近零能耗社区冷热负荷预测方法的一种示意性实施方式中，在步骤：利用训练好的可解释人工智能模型和统计缩减的未来气候变化数据预测和分析社区未来冷热负荷中，具体的气候变化预测数据集利用NCAR CESM2
‑
WACCM模型输出结果。
[0013]在近零能耗社区冷热负荷预测方法的一种示意性实施方式中，该方法还包括步骤：收集未来气候变化数据并验证练好的可解释人工智能模型的可预测性。
[0014]在近零能耗社区冷热负荷预测方法的一种示意性实施方式中，在步骤：收集未来气候变化数据并验证练好的可解释人工智能模型的可预测性中，具体为将可解释人工智能模型通过过去一段时间内的实现NDC的情景，包括全球升温2℃情景以及全球升温1.5℃情景的缩减数据预测得出的冷热负荷与原型建筑的观测冷热负荷进行比较，根据比较结果验证可解释人工智能模型的可预测性。
附图说明
[0015]以下附图仅对本专利技术做示意性说明和解释，并不限定本专利技术的范围。
[0016]图1是近零能耗社区冷热负荷预测方法的一种示意性实施方式的流程示意图。
[0017]图2是近零能耗社区冷热负荷预测方法的部分流程示意图。
[0018]图3是近零能耗社区冷热负荷预测方法的部分流程示意图。
[0019]图4是近零能耗社区冷热负荷预测方法的另一种示意性实施方式的流程示意图。
具体实施方式
[0020]为了对专利技术的技术特征、目的和效果有更加清楚的理解，现对照附图说明本专利技术的具体实施方式，在各图中相同的标号表示结构相同或结构相似但功能相同的部件。
[0021]在本文中，“示意性”表示“充当实例、例子或说明”，不应将在本文中被描述为“示意性”的任何图示、实施方式解释为一种更优选的或更具优点的技术方案。
[0022]图1是近零能耗社区冷热负荷预测方法的一种示意性实施方式的流程示意图。参照图1，近零能耗社区冷热负荷预测方法包括下列步骤S10至S50：S10：收集历史气候和能源数据并进行冷热负荷模拟。
[0023]图2是近零能耗社区冷热负荷预测方法的部分流程示意图。参照图2，步骤S10具体包括下列步骤：S11：获取当地历史气候数据。具体的，当地历史气候数据可以通过官网站获取方。
在示意性实施方式中，当地历史气候数据包括选定的严寒地区、寒冷地区、夏热冬冷地区、夏热冬暖地区和温和气候地区的历史气候数据。
[0024]S12：根据获取的当地历史气候数据更新建筑节能气象参数标准数据。具体更新了建筑节能气象参数标准文件的干球空气温度（dry bulb air temperature，Ta）、露点温度（dew point temperature，Tdp）、相对湿度（relative humidity，RH）、大气压力（atmospheric pressure，P）、直接法向辐射（ direct normal radiation ，SRn）以及扩散水平辐射（diffuse horizontal radiation，SRh）以生成选定历史时间内的实际建筑节能气象参数。
[0025]S13：利用DeST软件模拟近零能耗建筑并组合成近零能耗社区。其中，DeST软件模拟近零能耗建筑包括近零能耗居住建筑、近零能耗办公建筑、近零能耗近零能耗酒店建筑、近零能耗商场建筑、近零能耗医院建筑以及近零能耗学校建筑；组合成的近零能耗社区包括近零能耗居住社区、近零能耗公共建筑社区以及近零能耗混合型社区，每种社区冷热负荷为包括的近零能耗建筑的冷热负荷之和。
[0026]S14：利用组合成的近零能耗社区和更新后的建筑节能气象参数标准数据进行模拟生成冷热负荷数据库。
[0027]S20：根据模拟结果训练可解释人工智能模型。具体的，可解释人工智能模型以LSTM长短期记忆神经网络模型作为基础，使用本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.近零能耗社区冷热负荷预测方法，其特征在于，包括下列步骤：收集历史气候和能源数据并进行冷热负荷模拟；根据模拟结果训练可解释人工智能模型；收集未来气候变化数据并统计缩减；以及利用训练好的可解释人工智能模型和统计缩减的未来气候变化数据预测和分析社区未来冷热负荷。2.如权利要求1所述的近零能耗社区冷热负荷预测方法，其特征在于，步骤：收集历史气候和能源数据并进行冷热负荷模拟具体包括下列步骤：获取当地历史气候数据；根据获取的当地历史气候数据更新建筑节能气象参数标准数据；利用DeST软件模拟近零能耗建筑并组合成近零能耗社区；以及利用组合成的近零能耗社区和更新后的建筑节能气象参数标准数据进行模拟生成冷热负荷数据库。3.如权利要求2所述的近零能耗社区冷热负荷预测方法，其特征在于，当地历史气候数据包括选定的严寒地区、寒冷地区、夏热冬冷地区、夏热冬暖地区和温和气候地区的历史气候数据。4.如权利要求2所述的近零能耗社区冷热负荷预测方法，其特征在于，DeST软件模拟近零能耗建筑包括近零能耗居住建筑、近零能耗办公建筑、近零能耗近零能耗酒店建筑、近零能耗商场建筑、近零能耗医院建筑以及近零能耗学校建筑；组合成的近零能耗社区包括近零能耗居住社区、近零能耗公共建筑社区以及近零能耗混合型社区，每种社区冷热负荷为包括的近零能耗建筑的冷热负荷之和。5.如权利要求1所述的近零能耗社区冷热负荷预测方法，其特征在于，可解释人工智能模型以LSTM长短期记忆神经网络模型作为基础，使用adam训练优化器，并加入dr...

【专利技术属性】
技术研发人员：杨芯岩，张时聪，徐伟，
申请(专利权)人：建科环能科技有限公司，
类型：发明
国别省市：