一种具备灵活性与可解释性的建筑区域能源系统冷热负荷数据驱动预测方法技术方案

本发明专利技术公开了一种具备灵活性与可解释性的建筑区域能源系统冷热负荷数据驱动预测方法，包括：建立基于注意力机制的神经网络模型，利用预处理后的历史负荷数据

【技术实现步骤摘要】
一种具备灵活性与可解释性的建筑区域能源系统冷热负荷数据驱动预测方法


[0001]本专利技术涉及建筑负荷预测技术，具体涉及一种具备灵活性与可解释性的建筑区域能源系统冷热负荷数据驱动预测方法
。

技术介绍

[0002]随着生活水平的提高，人民对舒适健康环境的需求愈加迫切，而建筑环境的营造需要消耗大量能源，这就造成了建筑碳排放和人居环境需求两者之间的突出矛盾
。
建筑区域能源系统是解决上述矛盾的重要途经
。
通过对城市建筑能源体系的优化集成和可再生能源的规模化应用，实现低品位冷热源的提质增效
、
冷热输配以及存储，满足建筑终端的冷
、
热等各项需求
。
建筑区域能源具有减少碳基能源消耗
、
提升能源利用效率
、
改善建筑电气化水平三大优势，是联合国环境署和国际能源机构推荐的低碳能源系统方案
。
[0003]由于可再生能源的不稳定性
、
用能和储能设备的多样性以及用户侧能源消耗的不确定性，建筑区域能源系统的控制面临着前所未有的困难，而对供热和制冷负荷的高精度预测是解决这一问题的有效方法
。
对下一小时的预测可用于实现用能系统的全局运行优化，而对未来
24
～
48
小时的预测可用于规划储能设备和负荷转移
。
负荷特性方面，由用户行为驱动的单体建筑的负荷模式往往波动明显，而区域多体建筑则显示出更有规律的运作模式；运行调控方面，以区域建筑作为能源调控平台的单位所需的控制成本更低，可调资源更多，调节范围更大
。
然而，当前大多数的预测研究都集中在单个建筑上，对区域级别的建筑负荷预测的缺乏使得自上而下的城市能源管理困难重重
。
负荷预测常使用物理模型和数据驱动模型，然而基于热力学定律的物理模型对于涉及多个建筑物的大规模模拟来说过于复杂，而数据驱动模型在非线性和动态行为模拟上的高精度表现则获得了越来越多的关注
。
随着预测对象的复杂程度增高，数据驱动模型的结构日趋庞大，对数据数量和质量的要求不断提升，而其抽象的计算机制使其难以理解和解释，导致预测结果难以令人信服
。
针对建筑区域能源系统负荷预测的上述困难，一个可以同时满足高预测精度，高应用灵活性和可解释性的数据驱动模型是迫切需要的
。

技术实现思路

[0004]专利技术目的：本专利技术的目的是提供一种高预测精度，高应用灵活性和具有可解释性的建筑区域能源系统冷热负荷数据驱动预测方法
。
[0005]技术方案：本专利技术的一种具备灵活性与可解释性的建筑区域能源系统冷热负荷数据驱动预测方法，包括以下步骤：
[0006]建立基于注意力机制的神经网络模型，并利用预处理后的历史负荷数据
、
历史气象数据以及时间纬度特征数据集进行训练；对训练好的模型进行评估；利用评估后模型对负荷数据进行预测，并进行可解释性分析；
[0007]其中基于注意力机制的神经网络模型利用了编码器
‑
解码器的模型架构，建立模
型的过程包括：采用多步长输入
‑
多步长输出的预测策略，利用了滑动窗口实现对任意需求步长的输入区间和输出区间的组合，并引入注意力机制；根据每个编码器隐层状态与当前解码器隐层状态的相关性来计算注意力权重；计算上下文向量作为编码器隐藏状态的加权和，模型输出由上下文向量和当前解码器隐层状态计算得出；
[0008]可解释性分析包括：利用评估后模型对负荷数据进行预测，输出预测结果，并导出注意力机制生成的注意力系数矩阵，根据注意力系数矩阵的权重分布，生成热力图，并分析研究对象的负荷变化特征和应用模型的适应性
。
[0009]进一步的，历史负荷数据为历史热负荷数据或历史冷负荷数据；历史气象数据包括室外干球温度
、
室外相对湿度
、
室外露点温度
、
风速
、
风向
、
云量
、
大气压多种历史气象参数；时间纬度特征包括月份
、
日属性
、
小时数
。
[0010]进一步的，对建筑区域能源系统的负荷数据提取应以建筑群整体为目标设定测点，在条件允许时，在能源系统总供冷
/
热水管干管处设置热量表，以避免对单栋建筑逐一测量造成的测量困难和误差累积；对气象站的选取应采用就近原则，以保证气象站气象参数与研究对象的一致性
。
[0011]进一步的，数据预处理包括对原始数据时间单位的统一，对数据异常值
、
缺失值和空值的处理，数据归一化，以及对所有考虑的输入变量通过特征工程进行筛选；
[0012]其中，特征工程通过皮尔逊相关技术计算其他变量
X
和负荷变量
Y
之间的相关性，计算公式为：
[0013][0014]其中，
X
i
是其他变量的真实值，
Y
i
是负荷变量的真实值，和分别是
X
和
Y
的平均值，
N
是负荷数据的数量；相关性系数的值将介于
‑1与1之间，当
|r|>0.8
时，负荷变量和其他变量之间被认为是强相关，而
|r|<0.2
表示弱相关，
|r|
＝0则无关；将
|r|<0.2
的其他变量剔除后，即获得了最终有效的输入变量；并划分训练集和测试集
。
[0015]进一步的，注意力机制采用
Luong
注意力，其计算方法为：
[0016]首先，根据每个编码器隐层状态
h
i
与当前解码器隐层状态
h
j
的相关性来计算注意力权重
a
ji
，其中，其中，为
h
j
的转置，
i
＝
1,
…
,s
，
j
＝
1,
…
,t
，
s
为输入总步长数，
t
为输出总步长数；
[0017]然后，使用
softmax
函数计算上下文向量
cv
j
；
[0018]最终输出的预测值由
cv
j
和
h
j
计算得出
。
[0019]进一步的，模型评估指标包括：
[0020]与尺度相关的指标，包括平均绝对误差
MAE、
均方误差
MSE
和均方根误差
RMSE
；
[0021]与本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种具备灵活性与可解释性的建筑区域能源系统冷热负荷数据驱动预测方法，其特征在于，包括以下步骤：建立基于注意力机制的神经网络模型，并利用预处理后的历史负荷数据
、
历史气象数据以及时间纬度特征数据集进行训练；对训练好的模型进行评估；利用评估后模型对负荷数据进行预测，并进行可解释性分析；其中基于注意力机制的神经网络模型利用了编码器
‑
解码器的模型架构，建立模型的过程包括：采用多步长输入
‑
多步长输出的预测策略，利用了滑动窗口实现对任意需求步长的输入区间和输出区间的组合，并引入注意力机制；根据每个编码器隐层状态与当前解码器隐层状态的相关性来计算注意力权重；计算上下文向量作为编码器隐藏状态的加权和，模型输出由上下文向量和当前解码器隐层状态计算得出；可解释性分析包括：利用评估后模型对负荷数据进行预测，输出预测结果，并导出注意力机制生成的注意力系数矩阵，根据注意力系数矩阵的权重分布，生成热力图，并分析研究对象的负荷变化特征和应用模型的适应性
。2.
根据权利要求1所述的一种具备灵活性与可解释性的建筑区域能源系统冷热负荷数据驱动预测方法，其特征在于，历史负荷数据为历史热负荷数据或历史冷负荷数据；历史气象数据包括室外干球温度
、
室外相对湿度
、
室外露点温度
、
风速
、
风向
、
云量
、
大气压多种历史气象参数；时间纬度特征包括月份
、
日属性
、
小时数
。3.
根据权利要求1所述的一种具备灵活性与可解释性的建筑区域能源系统冷热负荷数据驱动预测方法，其特征在于，对建筑区域能源系统的负荷数据提取应以建筑群整体为目标设定测点，在条件允许时，在能源系统总供冷
/
热水管干管处设置热量表，以避免对单栋建筑逐一测量造成的测量困难和误差累积；对气象站的选取应采用就近原则，以保证气象站气象参数与研究对象的一致性
。4.
根据权利要求1所述的一种具备灵活性与可解释性的建筑区域能源系统冷热负荷数据驱动预测方法，其特征在于，数据预处理包括对原始数据时间单位的统一，对数据异常值
、
缺失值和空值的处理，数据归一化，以及对所有考虑的输入变量通过特征工程进行筛选；其中，特征工程通过皮尔逊相关技术计算其他变量
X
和负荷变量
Y
之间的相关性，计算公式为：其中，
X
i
是其他变量的真实值，
Y
i
是负荷变量的真实值，和分别是
X
和
Y
的平均值，
N
是负荷数据的数量；相关性系数的值将介于
‑1与1之间，当
|r|>0.8
时，负荷变量和其他变量之间被认为是强相关，而
|r|<0.2
表示弱相关，
|r|
＝0则无关；将
|r|<0.2
的其他变量剔除后，即获得了最终有效的输入变量；并划分训练集和测试集
。5.
根据权利要求1所述的一种具备灵活性与可解释性的建筑区域能源系统冷热负荷数据驱动预测方法，其特征在于，注意力机制采用
Luong
注意力，其计算方法为：首先，根据每个编码器隐层状态
h
i
与当前解码器隐层状态
h
j
的相关性来计算注意力权
重
a
ji
，其中，其中，为
h
j
的转置，
i
＝
1,
…
,s
，
j
＝
1,
…
,t
，
s
为输入总步长数，
t

【专利技术属性】
技术研发人员：余涵菲，黄世芳，钟凡，张小松，
申请(专利权)人：东南大学，
类型：发明
国别省市：