一种教育建筑运行阶段碳排放预测方法与系统技术方案

本发明专利技术公开了一种教育建筑运行阶段碳排放预测方法与系统

【技术实现步骤摘要】
一种教育建筑运行阶段碳排放预测方法与系统


[0001]本专利技术属于建筑碳排放预测
，特别涉及一种教育建筑运行阶段碳排放预测方法及系统
。

技术介绍

[0002]近年来自然环境及社会环境问题日益严重，可持续发展的需求越来越迫切，同时建筑能源需求服务也在不断增长，因此，我们需要建立高效的建筑能源规划策略，确保未来建筑环境发展的同时提高建筑能源的使用效率，节约资源，达到可持续发展，而高效的建筑能源规划策略离不开建筑的碳排放预测，它有助于我们对建筑能源进行有效的管理和节约，并且可以通过检测系统对能源系统进行调试
、
控制和运行
。
[0003]常见的建筑碳排放预测模型主要分为三类，他们分别是白箱模型
、
灰箱模型和黑箱模型
。
白箱模型也被称为工程学方法，根据热力学规则呈现系统的物理性状以及根据系统与环境的相互作用来估量碳排放
。
灰箱模型是一种介于白箱模型和黑箱模型之间的方法
。
黑箱模型也被称为
AI
数据驱动方法，其在不了解建筑内部和单个组件的情况下预测碳排放量，由于其建模过程简单
、
预测精度高
、
解决非线性问题的能力强，所以近年来受到研究者们的广泛关注，
AI
数据驱动方法具体又可以分为单一碳排放预测方法和集成碳排放预测方法
。
[0004]单一碳排放预测方法指应用单一预测算法对碳排放进行预测，主要包括常见的机器学习方法，例如多元线性回归
、
支持向量回归
、
人工神经网络等，研究表明，在过去的几十年中，由于单一碳排放预测模型的可靠性及其易于实现且计算速度较快等优点，已经广泛的应用到了建筑碳排放预测领域之中，其在建筑碳排放预测中的应用主要有两个发展趋势：
(1)
参数和结构优化；
(2)
与其他机器学习算法的混合
。
[0005]集成学习是
20
世纪
90
年代初提出的一种更先进的数据挖掘技术
。
集成碳排放预测模型的数据采集和数据预处理与单一碳排放预测模型相似
。
然而，单一碳排放预测模型与集成碳排放预测模型之间的主要区别在于选择和训练算法的过程，单一碳排放预测模型只包含一种基本模型，而集成碳排放预测模型由多个基本模型组成，在实际预测过程中，模型通过切换或者使用权重组合不同算法进行预测
。
利用单一碳排放预测模型的互补优势，集成碳排放预测模型可以比单一碳排放预测模型预测的更加稳定和准确
。
集成预测模型现已应用于生物技术
、
疾病诊断
、
数据分类和计算机科学等领域，而其在建筑碳排放预测领域的应用最近几年才开始
。
[0006]不论是单一碳排放预测模型还是集成碳排放预测模型，目前的研究主要集中于预测模型的输入特征选择和参数优化，但对单个特征在预测周期内的影响缺乏有效监控
。
集成模型强大之处在于不同基础模型的组合，因此如何选择基础模型也是至关重要的，选择的模型除了关注特征的时间序列，还应关注其空间特性
。
此外，在现有碳排放预测模型很少对确定最佳训练数据大小进行研究
。

技术实现思路

[0007]为解决现有的模型对单个特征在预测周期内的影响缺乏有效监控，在构建集成模型过程中缺乏对时间数据序列的空间特性的模型考虑，以及模型训练的数据量确定的问题，本专利技术提供了一种教育建筑运行阶段碳排放预测方法及系统
。
[0008]本专利技术提供一种教育建筑运行阶段碳排放预测方法，包括以下步骤：
[0009]获取教育建筑碳排放数据，对碳排放数据进行预处理形成碳排放数据集，将碳排放数据集划分为训练集和测试集；
[0010]用训练集构建教育建筑集成碳排放预测模型，用测试集代入教育建筑集成碳排放预测模型，进行教育建筑碳排放预测；
[0011]对影响教育建筑碳排放的因素进行特征分析，选取影响建筑碳排放预测结果的重要因素，作为特征指标输入教育建筑集成碳排放预测模型；
[0012]选择适合教育建筑集成碳排放预测模型的数据量，对训练集和测试集重新划分；
[0013]用划分后的训练集对教育建筑集成碳排放预测模型训练，用划分后的测试集代入经过训练的教育建筑集成碳排放预测模型，进行教育建筑碳排放预测
。
[0014]教育建筑碳排放数据包括碳排放历史数据，时间数据和当地气象数据
。
[0015]碳排放数据的预处理包括碳排放量计算
、
数据集成
、
异常值判断
、
缺失值处理和归一化处理；
[0016]碳排放量计算：根据区域电网基准线排放因子计算教育建筑运行阶段碳排放量，取电量边际排放因子和容量边际排放因子的权重为
0.5:0.5
；
[0017]数据集成：将各项采集的数据，按照一小时的时间尺度进行整合；
[0018]异常值判断：使用3σ
法对数据中的异常值进行处理；
[0019]缺失值处理：采用线性插值对缺失数据进行填充，根据数据序列中需要插值的点的左右临近两个数据按比重来进行数值估计；
[0020]归一化处理：使用
Min
‑
max normalization
对数据进行归一化处理，处理后的数据位于
[0,1]之间
。
[0021]构建教育建筑集成碳排放预测模型，具体步骤如下：
[0022]选择五种单一碳排放预测模型作为教育建筑集成碳排放预测模型的第一层基础模型，选择多元线性回归模型作为教育建筑集成碳排放预测模型的第二层元模型
。
[0023]在构建第一层基础模型时，采用五折交叉验证并用划分后的训练集对教育建筑集成碳排放预测模型的第一层基础模型进行训练，并输出训练集
P
；
[0024]将训练集
P
输入到教育建筑集成碳排放预测模型的第二层元模型进行训练；
[0025]碳教育建筑碳排放预测，具体操作如下：
[0026]用测试集在教育建筑集成碳排放预测模型的第一层基础模型进行预测，输出测试集
T
，将测试集
T
输入到教育建筑集成碳排放预测模型的第二层元模型进行预测
。
[0027]影响教育建筑碳排放的因素包括三类：时间特征
、
气象特征和历史数据；其中时间特征包括时间
、
工作日类型，一周中的一天和日期；气象特征包括气温
、
湿度
、
气压
、
降水量
、
地面风速
、
风向
、
地表水平辐射
、
太阳直本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种教育建筑运行阶段碳排放预测方法，其特征在于，包括以下步骤：获取教育建筑碳排放数据，对碳排放数据进行预处理形成碳排放数据集，将碳排放数据集划分为训练集和测试集；用训练集构建教育建筑集成碳排放预测模型，用测试集代入教育建筑集成碳排放预测模型，进行教育建筑碳排放预测；对影响教育建筑碳排放的因素进行特征分析，选取影响建筑碳排放预测结果的重要因素，作为特征指标输入教育建筑集成碳排放预测模型；选择适合教育建筑集成碳排放预测模型的数据量，对训练集和测试集重新划分；用划分后的训练集对教育建筑集成碳排放预测模型训练，用划分后的测试集代入经过训练的教育建筑集成碳排放预测模型，进行教育建筑碳排放预测
。2.
根据权利要求1所述的一种教育建筑运行阶段碳排放预测方法，其特征在于，教育建筑碳排放数据包括碳排放历史数据，时间数据和当地气象数据
。3.
根据权利要求1所述的一种教育建筑运行阶段碳排放预测方法，其特征在于，碳排放数据的预处理包括碳排放量计算
、
数据集成
、
异常值判断
、
缺失值处理和归一化处理；碳排放量计算：根据区域电网基准线排放因子计算教育建筑运行阶段碳排放量，取电量边际排放因子和容量边际排放因子的权重为
0.5:0.5
；数据集成：将各项采集的数据，按照一小时的时间尺度进行整合；异常值判断：使用3σ
法对数据中的异常值进行处理；缺失值处理：采用线性插值对缺失数据进行填充，根据数据序列中需要插值的点的左右临近两个数据按比重来进行数值估计；归一化处理：使用
Min
‑
max normalization
对数据进行归一化处理，处理后的数据位于
[0,1]
之间
。4.
根据权利要求1所述的一种教育建筑运行阶段碳排放预测方法，其特征在于，构建教育建筑集成碳排放预测模型，具体步骤如下：选择五种单一碳排放预测模型作为教育建筑集成碳排放预测模型的第一层基础模型，选择多元线性回归模型作为教育建筑集成碳排放预测模型的第二层元模型
。5.
根据权利要求4所述的一种教育建筑运行阶段碳排放预测方法，其特征在于，在构建第一层基础模型时，采用五折交叉验证并用划分后的训练集对教育建筑集成碳排放预测模型的第一层基础模型进行训练，并输出训练集
P
；将训练集
P
输入到教育建筑集成碳排放预测模型的第二层元模型进行训练；碳教育建筑碳排放预测，具体操作如下：用测试集在教育建筑集成碳排放预测模型的第一层基础模型进行预测，输出测试集
T
，...

【专利技术属性】
技术研发人员：于军琪，曹文强，赵安军，王靖淇，晁孟瑶，王萌，
申请(专利权)人：西安建筑科技大学，
类型：发明
国别省市：