CN106910144B - 基于分时刻实际用能系数的大型建筑逐时能耗在线预测方法 - Google Patents

Abstract

本发明公开了一种基于分时刻实际用能系数的大型建筑逐时能耗在线预测方法，提出了分时刻实际用能系数，用于描述不同时刻下建筑能耗特性，并利用室外环境干球温度、室外环境相对湿度、上一时刻建筑能耗值的历史数据集建立建筑能耗预测模型，然后通过在线获取室外环境干球温度、相对湿度、建筑能耗值在线预测得到下一时刻建筑能耗。本发明具有以下技术效果：该方法建立的建筑能耗预测模型预测数据可靠性高，可用于预测单栋建筑或大区域范围内的建筑逐时能耗、建筑能耗的节能控制、建筑能耗预测以及区域内的电力削峰等场合。

Description

基于分时刻实际用能系数的大型建筑逐时能耗在线预测方法

技术领域

本发明涉及大型建筑能耗预测的研究领域，特别涉及一种基于分时刻实际用能系数的大型建筑逐时能耗在线预测方法。

背景技术

随着我国经济社会的快速发展和城镇化进程的不断加速，大型建筑不断涌现，规模也在不断增大，综合能耗也越来越高，其能耗占社会总能耗的比重也在不断增加，大型建筑节能成为建设绿色智慧城市的重要内容。大型建筑能耗合理的短期预测，对于指导夏季电力高峰负荷的调度机制，完善建筑运行能耗研究的理论体系，适应未来建筑运行能耗的发展需求，实现我国的国家减排目标具有重要意义。

常用的建筑能耗短期预测方法包括单变量时间序列法、人工神经网络、支持向量机等多种方法。建筑在线预测算法需要考虑实时性，工程可实现性等因素。单变量时间序列预测法仅以能耗时间序列为预测参数，不能有效地利用与建筑物能耗影响因素的信息，很难进一步提升运行能耗的预测精度；人工神经网络法输出具有不可预测性和不一致性，容易陷入局部最小，难以找到最优模型，泛化能力不强等问题；支持向量机对缺失数据较为敏感，对大规模样本的学习速度慢；上述方法都需要使用专用工具箱，同时建模和预测时间长。多元非线性回归方法优点在于预测速度快，对缺少数据不敏感，有详细的数学表达式解释各自变量对因变量的影响关系，但由于一些非民用建筑如大型商场受室外气象参数、人流密度、节假日等因素的影响，用常规多元非线性回归方法难以建立准确的预测模型。

发明内容

本发明的主要目的在于克服现有技术的缺点与不足，提供一种基于分时刻实际用能系数的大型建筑逐时能耗在线预测方法，有效地实现了建筑能耗的动态预测和准确预测，既可用于单栋建筑能耗预测，也可用于大型建筑群的能耗预测。

为了达到上述目的，本发明采用以下技术方案：

本发明基于分时刻实际用能系数的大型建筑逐时能耗在线预测方法，包括下述步骤：

S1、数据初始化，

S1.1、获取历史数据，历史数据包括一段时间内室外环境干球温度T、室外环境相对湿度RH和建筑能耗Q的逐时数据；

S1.2、历史数据清洗，将历史数据按时刻分为24个分时刻序列，利用3σ原则分析各时刻的异常数据，分别剔除各时刻的异常值，然后用前一天和后一天的同一时刻数据平均值替代原数据，若异常数据为边缘数据则采用外插值法替代原数据；

S1.3、分时刻实际用能系数初始值计算，分时刻实际用能系数定义如下：

P(j)为第j时刻能耗平均值，

为1到24时刻内P(j)的最大值；

S1.4、历史数据转换，利用分时刻实际用能系数ξ(j),j＝1,…,24进行历史数据转换，设定ξ₀为实际用能系数的限值，当分时刻实际用能系数ξ(j)＞ξ₀，建筑历史能耗转换数据为

当ξ(j)≤ξ₀，建筑历史能耗转换数据Q₁(i，j)＝Q(i，j)，即保持不变；

S1.5、构造多元非线性回归能耗预测模型输入输出向量；

S1.6、历史数据均一化处理，历史数据包括历史能耗数据和室外环境干球温度和室外环境相对湿度；

S1.7、历史数据建模，根据多元函数的泰勒级数展开式，选取的多元非线性回归模型，求得多元非线性回归模型参数；

S2、建筑能耗逐时在线预测；

S2.1、在线采集时刻初始化：j₁＝1；

S2.2、判断j₁是否小于等于24

如果是，则进入下一步S2.3在线数据采集与数据集更新；

如果否，则j₁＝1，再进入下一步S2.3在线数据采集与数据集更新；

S2.3、数据集更新，即从第1天开始到第D天结束，将第i+1天全天各时刻的建筑能耗值、室外环境干球温度值和室外环境相对湿度值赋给第i天同一时刻的建筑能耗、室外环境干球温度和室外环境相对湿度；

即：数据集更新当前时刻为第j₁时刻时，抛弃第一天第j₁时刻的数据，Q(1,j₁),T(1,j₁),RH(1,j₁),

在线数据采集：

在线采集并在数据集中存储当前时刻数据，第D+1天第j₁时刻数据，包括室外环境干球温度T(D+1,j₁)、室外环境相对湿度RH(D+1,j₁)和建筑能耗Q(D+1,j₁)；

S2.4、数据清洗，利用3σ原则分析当前时刻采集的能耗数据Q(D+1,j₁)是否异常，若数据异常，则采用外插值法替代原数据；

S2.5、分时刻实际用能系数在线更新；更新方法如下：

P(j₁)为第j₁时刻能耗平均值,

为1到24时刻内P(j)的最大值；

S2.6、在线采集数据转换，利用当前时刻实际用能系数ξ(j₁)进行当前时刻能耗数据转换，设定ξ₀为实际用能系数的限值，当分时刻实际用能系数ξ(j₁)＞ξ₀，建筑能耗转换数据为

当ξ(j)≤ξ₀，建筑能耗转换数据Q₁(D+1，j₁)＝Q(D+1，j₁)，即保持不变；

S2.7、在线采集数据标准化处理，采用与标准化方式与步骤S1.6相同的处理方式，包括在线采集能耗数据、室外环境干球温度和室外环境相对湿度；

S2.8、下一时刻多元非线性回归能耗在线预测；

S2.9、能耗预测数据反归一化处理，采用如下公式：

为第D+1天j₁+1时刻能耗预测值；

S2.10、能耗预测数据分时刻用能数据反变换并输出；

S2.11、预测模型在线更新，为下一时刻预测做准备；

S2.12、判断程序是否要求结束。

作为优选的技术方案，步骤S1.2中，将历史数据按时刻分为24个分时刻序列Q(i,j),T(i,j),RH(i,j),j＝1,2,……23，24，i＝1,2，……，D，总天数为D，则设：

P(j)为从第1天到第D天第j时刻的能耗平均值，

σ(j)为从第1天到第D天第j时刻的能耗标准差，

即

若|Q(i,j)-P(j)|＞3σ(j)，且1＜i＜D，则Q(i,j)＝(Q(i-1,j)+Q(i+1,j))/2

若|Q(i,j)-P(j)|＞3σ(j)，i＝1，则Q(i,j)＝2Q(i+1,j)-Q(i+2,j)

若|Q(i,j)-P(j)|＞3σ(j)，i＝D，则Q(i,j)＝2Q(i-1,j)-Q(i-2,j)。

作为优选的技术方案，步骤S1.5中，具体为：

构造输入能耗列向量Q′(k)，室外温度列向量T′(k)和室外相对湿度列向量RH′(k)，能耗采集日期列向量D(k)，能耗采集时刻列向量H(k)；

Q′(k)＝[Q₁(1,1),Q₁(1,2),…,Q₁(1,24),Q₁(2,1)，…，Q₁(2,24)，…，

Q₁(D,1)，…，Q₁(D,24)]^T

T′(k)＝[T(1,1),T(1,2),…,T(1,24),T(2,1)，…，T(2,24)，…，

T(D,1)，…，T(D,24)]^T

RH′(k)＝[RH(1,1),RH(1,2),…,RH(1,24),RH(2,1)，…，RH(2,24)，…，

RH(D,1)，…，RH(D,24)]^T

构造输入矩阵INPUT(k)＝[T′(k-1),RH′(k-1),Q′(k-1)]，

输出矩阵Y(k)＝[Q′(k)]，2≤k≤L。

作为优选的技术方案，步骤S1.6中，均一化处理的方法为：

其中Q″(k),T″(k),RH″(k)为标准化后数据；

分别为各时间序列的最小值，

分别为各时间序列的最大值。

作为优选的技术方案，步骤S1.7具体为：

根据多元函数的泰勒级数展开式，取多项式最高次数为2次。选取的多元非线性回归模型如下：

采用最小二乘估计法，求取多元非线性回归模型参数；

设

Q″(k)为在k时刻的能耗值，

为k时刻的能耗预测值；

令多元函数G(a₀,a₁,…,a₉)对a₀,a₁,…,a₉的偏导数为零，即

代入训练数据，整理成形如A·X＝B的形式，最后利用X＝A^-1·B，即可求得多元非线性回归模型参数a₀,a₁,…,a₉。其中，A为10×10的矩阵，B为10×1矩阵。

作为优选的技术方案，步骤S2.3具体为：

设

P(j₁)为从第2天到第D+1天第j₁时刻的能耗平均值，

σ(j₁)为从第2天到第D+1天第j₁时刻的能耗标准差，

即

若|Q(D+1,j₁)-P(j₁)|＞3σ(j₁)，则Q(D+1,j₁)＝2Q(D,j₁)-Q(D-1,j₁)。

作为优选的技术方案，步骤S2.6具体为：

(1)在线采集能耗数据标准化处理

(2)在线采集室外环境干球温度数据标准化处理

(3)在线采集室外环境相对湿度数据标准化处理

作为优选的技术方案，步骤S2.7具体为：

作为优选的技术方案，步骤S2.7具体为：

构造输入能耗列向量Q″(k)，室外温度列向量T″(k)和室外相对湿度列向量RH″(k)；

Q″(k)＝[Q₁(1,j₁+1),Q₁(1,j₁+2),…,Q₁(1,24),Q₁(2,1)

，…，Q₁(D,1)，…，Q₁(D,24),Q₁(D+1,1),…，Q₁(D+1,j₁)]^T

T″(k)＝[T₁(1,j₁+1),T₁(1,j₁+2),…,T₁(1,24),T₁(2,1)，…，

T₁(D,1)，…，T₁(D,24),T₁(D+1,1),…，T₁(D+1,j₁)]^T

RH″(k)＝[RH₁(1,j₁+1),RH₁(1,j₁+2),…,RH₁(1,24),RH₁(2,1)，…，

RH₁(D,1)，…，RH₁(D,24),RH₁(D+1,1),…，RH₁(D+1,j₁)]^T

构造输入矩阵INPUT(k)＝[T″(k-1),RH″(k-1),Q″(k-1)]

将Q"(k)、Q"(k-1)、T"(k-1)、RH"(k-1)中数据代入A、B矩阵中，即代入

A·X＝B中，最后利用X＝A^-1·B，即可求得多元非线性回归模型参数a₀,a₁,…,a₉。

作为优选的技术方案，步骤S2.11具体为：

j₁＝j₁+1

判断是否收到程序结束指令，

如果是，则程序结束；

如果否，则转至S2.2判断j₁是否小于等于24的步骤，再次执行在线预测的流程。

本发明与现有技术相比，具有如下优点和有益效果：

1、本发明提出分时刻实际用能系数来刻画建筑能耗与时刻之间的规律性，以限制与时刻相关的人流量及其他干扰对能耗的影响。分时刻实际用能系数定义如下：

P(j)为第j时刻能耗平均值。采用分时刻实际用能系数对建筑能耗进行数据预处理，优点在于减弱了人流量等外界干扰对能耗的影响，在简化预测过程的同时保证了预测精度。

2、本发明根据多元函数的泰勒级数展开式，取多项式最高次数为2次。选取的多元非线性回归模型如下：

采用最小二乘估计法求取多元非线性回归模型参数。

令

令多元函数G(a₀,a₁,…,a₉)对a₀,a₁,…,a₉的偏导数为零，即

代入训练数据，整理成形如A·X＝B的形式，最后利用X＝A^-1·B，即可求得多元非线性回归模型参数a₀,a₁,…,a₉。

与现有建筑能耗预测方法如神经网络、支持向量机、时间序列等相比，优点在于不需要特定的专用工具箱，模型简单，快速建模，可以在极短时间内得到多元非线性回归模型参数a₀,a₁,…,a₉，缩短建模时间。

3、本发明根据建筑能耗在不同时段变化较大，每天同一时刻的负荷变化规律相似的规律，将能耗数据时间序列按小时分为24个时间序列Q(*,j)，利用3σ原则分析历史数据和在线采集数据各时刻的异常数据，分别剔除各时刻的异常值，然后用同一时刻上下数据插值替代原数据，若异常数据为边缘数据则采用外插值法替代原数据。

优点在于可以消除极端数据对模型的影响，提高预测精度。

4、本发明对建模数据采用均一化处理方法，优点在于消除室外环境干球温度，室外环境相对湿度，建筑能耗等不同变量之间由于物理意义或量纲不一致而无法平等使用所带来的影响，避免不合理现象的发生，提高预测精度。

均一化处理方法如下：

其中x′为标准化后数据；

为x(k)序列中的最小值；

为x(k)序列中的最大值。

5、本发明初始数据长度L可根据实际情况设定。

6、本发明采用了Online MNR在线训练算法，模型随着在线数据的更新而不断进行训练、优化，极大的提高了预测精度。

7、本发明可以在线预测下一时刻的建筑能耗。

8、本发明提供了大型建筑逐时能耗在线预测方法，既可用于单栋建筑的能耗预测，也可用于大型建筑群的能耗预测。

附图说明

图1是本发明检测方法的流程图。

具体实施方式

下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。

实施例

如图1所示，本实施例基于分时刻实际用能系数的大型建筑能耗逐时在线预测方法，包括以下步骤：

1.数据初始化；

1.1历史数据获取；

获取历史数据，历史数据包括一段时间内室外环境干球温度T、室外环境相对湿度RH和建筑能耗Q的逐时数据。室外环境干球温度和相对湿度可以从气象局获取，建筑能耗的逐时数据可以通过建筑总电表采集远程传输得到。

设历史数据集数据长度为L＝24小时/天×天数D,若不设定，取默认值6个月180天，即L＝4320。

1.2历史数据清洗

由于电表数据采集过程中可能会受到外界干扰等问题造成数据异常(不含缺失值)，为了剔除历史数据中的异常数据，本专利将历史数据按时刻分为24个分时刻序列Q(i,j),T(i,j),RH(i,j),j＝1,2,……23，24，i＝1,2，……，D，总天数为D，利用3σ原则分析各时刻的异常数据，分别剔除各时刻的异常值，然后用前一天和后一天的同一时刻数据平均值替代原数据，若异常数据为边缘数据则采用外插值法替代原数据。(默认室外气象参数获取是准确的。)设：

P(j)为从第1天到第D天第j时刻的能耗平均值，

σ(j)为从第1天到第D天第j时刻的能耗标准差，

即

若|Q(i,j)-P(j)|＞3σ(j)，且1＜i＜D，则Q(i,j)＝(Q(i-1,j)+Q(i+1,j))/2

若|Q(i,j)-P(j)|＞3σ(j)，i＝1，则Q(i,j)＝2Q(i+1,j)-Q(i+2,j)

若|Q(i,j)-P(j)|＞3σ(j)，i＝D，则Q(i,j)＝2Q(i-1,j)-Q(i-2,j)

1.3分时刻实际用能系数初始值计算

同一时刻的建筑用能特性基本相同，受到人流量、灯光等干扰的影响程度也相似，本发明提出分时刻实际用能系数来刻画这种影响因素，以降低与时刻相关的人流量及其他干扰因素对各时刻能耗的影响。分时刻实际用能系数定义如下：

P(j)为第j时刻能耗平均值。

为1到24时刻内P(j)的最大值。

1.4历史数据转换；

利用分时刻实际用能系数ξ(j),j＝1,…,24进行历史数据转换。设定ξ₀为实际用能系数的限值，本发明中取ξ₀＝0.2，当分时刻实际用能系数ξ(j)＞ξ₀，建筑历史能耗转换数据为

当ξ(j)≤ξ₀，建筑历史能耗转换数据Q₁(i，j)＝Q(i，j)，即保持不变。

1.5构造多元非线性回归能耗预测模型输入输出向量；

构造输入能耗列向量Q′(k)，室外温度列向量T′(k)和室外相对湿度列向量RH′(k)，能耗采集日期列向量D(k)，能耗采集时刻列向量H(k)；

Q′(k)＝[Q₁(1,1),Q₁(1,2),…,Q₁(1,24),Q₁(2,1)，…，Q₁(2,24)，…，

Q₁(D,1)，…，Q₁(D,24)]^T

T′(k)＝[T(1,1),T(1,2),…,T(1,24),T(2,1)，…，T(2,24)，…，

T(D,1)，…，T(D,24)]^T

RH′(k)＝[RH(1,1),RH(1,2),…,RH(1,24),RH(2,1)，…，RH(2,24)，…，

RH(D,1)，…，RH(D,24)]^T

构造输入矩阵INPUT(k)＝[T′(k-1),RH′(k-1),Q′(k-1)]，

输出矩阵Y(k)＝[Q′(k)]，2≤k≤L

1.6历史数据均一化处理

为了防止不同输入输出变量由于物理意义或量纲不一致而无法平等使用的问题，需要将各建模输入变量进行均一化处理，包括历史能耗数据和室外环境干球温度和室外环境相对湿度。

标准化处理方法可采用归一化处理方法：

其中Q″(k),T″(k),RH″(k)为标准化后数据；

分别为各时间序列的最小值，

分别为各时间序列的最大值。

1.7历史数据初始化建模

根据多元函数的泰勒级数展开式，取多项式最高次数为2次。选取的多元非线性回归模型如下：

采用最小二乘估计法，求取多元非线性回归模型参数。

设

Q″(k)为在k时刻的能耗值，

为k时刻的能耗预测值。

令多元函数G(a₀,a₁,…,a₉)对a₀,a₁,…,a₉的偏导数为零，即

代入训练数据，整理成形如A·X＝B的形式，最后利用X＝A^-1·B，即可求得多元非线性回归模型参数a₀,a₁,…,a₉。其中，A为10×10的矩阵，B为10×1矩阵。

具体原理如下：

为

对a_n在k时刻的偏导数，为已知值。

为线性方程组，可将其写成矩阵形式

A·X＝B，

其中X＝[a₀,a₁,…,a₉]^T,

最后利用X＝A^-1·B，即可求得多元非线性回归模型参数a₀,a₁,…,a₉。

2.建筑能耗逐时在线预测

2.1在线采集时刻初始化：j₁＝1

2.2判断j₁是否小于等于24

如果是，则进入下一步2.3在线数据采集与数据集更新；

如果否，则j₁＝1，再进入下一步2.3在线数据采集与数据集更新；

2.3在线数据采集与数据集更新，

(默认数据采集过程为连续)

当前时刻为第j₁时刻时，抛弃第一天第j₁时刻的数据，Q(1,j₁),T(1,j₁),RH(1,j₁),在线采集并在数据集中存储当前时刻数据，第D+1天第j₁时刻数据，包括室外环境干球温度T(D+1,j₁)、室外环境相对湿度RH(D+1,j₁)和建筑能耗Q(D+1,j₁)。室外环境干球温度和相对湿度可以从气象局获取，也可以通过传感器实时采集，建筑电耗的实时数据可以通过建筑总电表采集远程传输得到。

2.4数据清洗

利用3σ原则分析当前时刻采集的能耗数据Q(D+1,j₁)是否异常，若数据异常，则采用外插值法替代原数据。

设

P(j₁)为从第2天到第D+1天第j₁时刻的能耗平均值，

σ(j₁)为从第2天到第D+1天第j₁时刻的能耗标准差，

即

若|Q(D+1,j₁)-P(j₁)|＞3σ(j₁)，则Q(D+1,j₁)＝2Q(D,j₁)-Q(D-1,j₁)

2.5分时刻实际用能系数在线更新

分时刻实际用能系数在线更新方法如下：

P(j₁)为第j₁时刻能耗平均值,

为1到24时刻内P(j)的最大值。

2.6在线采集数据转换

利用当前时刻实际用能系数ξ(j₁)进行当前时刻能耗数据转换。设定ξ₀为实际用能系数的限值，本发明中取ξ₀＝0.2，当分时刻实际用能系数ξ(j₁)＞ξ₀，建筑能耗转换数据为

当ξ(j)≤ξ₀，建筑能耗转换数据Q₁(D+1，j₁)＝Q(D+1，j₁)，即保持不变。

2.7在线采集数据标准化处理

标准化处理方式与1.6相同，包括在线采集能耗数据、室外环境干球温度和室外环境相对湿度。

(1)在线采集能耗数据标准化处理

(2)在线采集室外环境干球温度数据标准化处理

(3)在线采集室外环境相对湿度数据标准化处理

2.8下一时刻多元非线性回归能耗在线预测

2.9耗预测数据反归一化处理：

2.10耗预测数据分时刻用能数据反变换并输出

2.11模型在线更新，为下一时刻预测做准备

构造输入能耗列向量Q″(k)，室外温度列向量T″(k)和室外相对湿度列向量RH″(k)；

Q″(k)＝[Q₁(1,j₁+1),Q₁(1,j₁+2),…,Q₁(1,24),Q₁(2,1)

，…，Q₁(D,1)，…，Q₁(D,24),Q₁(D+1,1),…，Q₁(D+1,j₁)]^T

T″(k)＝[T₁(1,j₁+1),T₁(1,j₁+2),…,T₁(1,24),T₁(2,1)，…，

T₁(D,1)，…，T₁(D,24),T₁(D+1,1),…，T₁(D+1,j₁)]^T

RH″(k)＝[RH₁(1,j₁+1),RH₁(1,j₁+2),…,RH₁(1,24),RH₁(2,1)，…，

RH₁(D,1)，…，RH₁(D,24),RH₁(D+1,1),…，RH₁(D+1,j₁)]^T

构造输入矩阵INPUT(k)＝[T″(k-1),RH″(k-1),Q″(k-1)]

将Q"(k)、Q"(k-1)、T"(k-1)、RH"(k-1)中数据代入1.7节中A、B矩阵中，即下式中：

A·X＝B，

其中X＝[a₀,a₁,…,a₉]^T；

为

对a_n在k时刻的偏导数，为已知值；

最后利用X＝A^-1·B，即可求得多元非线性回归模型参数a₀,a₁,…,a₉。

2.12为下一时刻数据采集做准备；

j₁＝j₁+1

2.13判断程序是否要求结束，

如果是，则程序结束；

如果否，则转至2.2判断j₁是否小于等于24的步骤，然后再次执行在线预测的流程。

通过本实施例的技术方案，建立的建筑能耗预测模型预测数据可靠性高，可用于预测单栋建筑或大区域范围内的建筑逐时能耗、建筑能耗的节能控制、建筑能耗预测以及区域内的电力削峰等场合。

上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (8)

1.基于分时刻实际用能系数的大型建筑逐时能耗在线预测方法，其特征在于，包括下述步骤：

S1、数据初始化；

S1.1、获取历史数据，历史数据包括一段时间内室外环境干球温度T、室外环境相对湿度RH和建筑能耗Q的逐时数据；

S1.2、历史数据清洗，将历史数据按时刻分为24个分时刻序列，利用3σ原则分析各时刻的异常数据，分别剔除各时刻的异常值，然后用前一天和后一天的同一时刻数据平均值替代原数据，若异常数据为边缘数据则采用外插值法替代原数据；

S1.3、分时刻实际用能系数初始值计算，分时刻实际用能系数定义如下：

P(j)为第j时刻能耗平均值；

为1到24时刻内P(j)的最大值；

S1.4、历史数据转换，利用分时刻实际用能系数ξ(j),j＝1,…,24进行历史数据转换，设定ξ₀为实际用能系数的限值，当分时刻实际用能系数ξ(j)＞ξ₀，建筑历史能耗转换数据为

当ξ(j)≤ξ₀，建筑历史能耗转换数据Q₁(i，j)＝Q(i，j)，即保持不变；

S1.5、构造多元非线性回归能耗预测模型输入输出向量；

构造输入能耗列向量Q′(k)，室外温度列向量T′(k)和室外相对湿度列向量RH′(k)，能耗采集日期列向量D(k)，能耗采集时刻列向量H(k)；

Q′(k)＝[Q₁(1,1),Q₁(1,2),…,Q₁(1,24),Q₁(2,1)，…，Q₁(2,24)，…，Q₁(D,1)，…，Q₁(D,24)]^T

T′(k)＝[T(1,1),T(1,2),…,T(1,24),T(2,1)，…，T(2,24)，…，T(D,1)，…，T(D,24)]^T

RH′(k)＝[RH(1,1),RH(1,2),…,RH(1,24),RH(2,1)，…，RH(2,24)，…，RH(D,1)，…，RH(D,24)]^T

构造输入矩阵INPUT(k)＝[T′(k-1),RH′(k-1),Q′(k-1)]，

输出矩阵Y(k)＝[Q′(k)]，2≤k≤L；

S1.6、历史数据均一化处理，历史数据包括历史能耗数据和室外环境干球温度和室外环境相对湿度；

均一化处理的方法为：

其中Q″(k),T″(k),RH″(k)为标准化后数据；

分别为各时间序列的最小值，

分别为各时间序列的最大值；

S1.7、历史数据建模，根据多元函数的泰勒级数展开式，选取的多元非线性回归模型，求得多元非线性回归模型参数；

S2、建筑能耗逐时在线预测；

S2.1、在线采集时刻初始化：j₁＝1；

S2.2、判断j₁是否小于等于24

如果是，则进入下一步S2.3在线数据采集与数据集更新；

如果否，则j₁＝1，再进入下一步S2.3在线数据采集与数据集更新；

S2.3、数据集更新与在线数据采集当前时刻为第j₁时刻时，抛弃第一天第j₁时刻的数据，Q(1,j₁),T(1,j₁),RH(1,j₁)

数据集更新，并在线采集并在数据集中存储当前时刻数据，第D+1天第j₁时刻数据，包括室外环境干球温度T(D+1,j₁)、室外环境相对湿度RH(D+1,j₁)和建筑能耗Q(D+1,j₁)；

S2.4、数据清洗，利用3σ原则分析当前时刻采集的能耗数据Q(D+1,j₁)是否异常，若数据异常，则采用外插值法替代原数据；

S2.5、分时刻实际用能系数在线更新；更新方法如下：

P(j₁)为第j₁时刻能耗平均值,

为1到24时刻内P(j)的最大值；

S2.6、在线采集数据转换，利用当前时刻实际用能系数ξ(j₁)进行当前时刻能耗数据转换，设定ξ₀为实际用能系数的限值，当分时刻实际用能系数ξ(j₁)＞ξ₀，建筑能耗转换数据为

当ξ(j)≤ξ₀，建筑能耗转换数据Q₁(D+1，j₁)＝Q(D+1，j₁)，即保持不变；

S2.7、在线采集数据标准化处理，采用与标准化方式与步骤S1.6相同的处理方式，包括在线采集能耗数据、室外环境干球温度和室外环境相对湿度；

S2.8、下一时刻多元非线性回归能耗在线预测；

S 2.9、能耗预测数据反归一化处理，采用如下公式：

为第D+1天j₁+1时刻能耗预测值；

S2.10、能耗预测数据分时刻用能数据反变换并输出；

S2.11、预测模型在线更新，为下一时刻预测做准备；

S2.12、判断程序是否要求结束。

2.根据权利要求1所述基于分时刻实际用能系数的大型建筑逐时能耗在线预测方法，其特征在于，步骤S1.2中，将历史数据按时刻分为24个分时刻序列Q(i,j),T(i,j),RH(i,j),j＝1,2,…,23,24，i＝1,2,…,D，总天数为D，则设：

P(j)为从第1天到第D天第j时刻的能耗平均值，

σ(j)为从第1天到第D天第j时刻的能耗标准差，

即

若|Q(i,j)-P(j)|＞3σ(j)，且1＜i＜D，则Q(i,j)＝(Q(i-1,j)+Q(i+1,j))/2

若|Q(i,j)-P(j)|＞3σ(j)，i＝1，则Q(i,j)＝2Q(i+1,j)-Q(i+2,j)

若|Q(i,j)-P(j)|＞3σ(j)，i＝D，则Q(i,j)＝2Q(i-1,j)-Q(i-2,j)。

3.根据权利要求1所述基于分时刻实际用能系数的大型建筑逐时能耗在线预测方法，其特征在于，步骤S1.7具体为：

根据多元函数的泰勒级数展开式，取多项式最高次数为2次，选取的多元非线性回归模型如下：

采用最小二乘估计法，求取多元非线性回归模型参数；

设

为在k时刻的能耗值，

为k时刻的能耗预测值；

令多元函数G(a₀,a₁,…,a₉)对a₀,a₁,…,a₉的偏导数为零，即

代入训练数据，整理成形如A·X＝B的形式，最后利用X＝A^-1·B，即可求得多元非线性回归模型参数a₀,a₁,…,a₉，其中，A为10×10的矩阵，B为10×1矩阵。

4.根据权利要求1所述基于分时刻实际用能系数的大型建筑逐时能耗在线预测方法，其特征在于，所述步骤S2.3具体为：

数据集更新，即从第1天开始到第D天结束，将第i+1天全天各时刻的建筑能耗值、室外环境干球温度值和室外环境相对湿度值赋给第i天同一时刻的建筑能耗、室外环境干球温度和室外环境相对湿度；所述步骤S2.4具体为：

设

P(j₁)为从第2天到第D+1天第j₁时刻的能耗平均值，

σ(j₁)为从第2天到第D+1天第j₁时刻的能耗标准差，

即

若|Q(D+1,j₁)-P(j₁)|＞3σ(j₁)，则Q(D+1,j₁)＝2Q(D,j₁)-Q(D-1,j₁)。

5.根据权利要求3所述基于分时刻实际用能系数的大型建筑逐时能耗在线预测方法，其特征在于，步骤S2.7具体为：

(1)在线采集能耗数据标准化处理

(2)在线采集室外环境干球温度数据标准化处理

(3)在线采集室外环境相对湿度数据标准化处理

6.根据权利要求5所述基于分时刻实际用能系数的大型建筑逐时能耗在线预测方法，其特征在于，步骤S2.8具体为：

7.根据权利要求1所述基于分时刻实际用能系数的大型建筑逐时能耗在线预测方法，其特征在于，步骤S2.11具体为：

构造输入能耗列向量Q″(k)，室外温度列向量T″(k)和室外相对湿度列向量RH″(k)；

Q″(k)＝[Q₁(1,j₁+1),Q₁(1,j₁+2),…,Q₁(1,24),Q₁(2,1)，…，Q₁(D,1)，…，Q₁(D,24),Q₁(D+1,1),…，Q₁(D+1,j₁)]^T

T″(k)＝[T₁(1,j₁+1),T₁(1,j₁+2),…,T₁(1,24),T₁(2,1)，…，T₁(D,1)，…，T₁(D,24),T₁(D+1,1),…，T₁(D+1,j₁)]^T

RH″(k)＝[RH₁(1,j₁+1),RH₁(1,j₁+2),…,RH₁(1,24),RH₁(2,1)，…，RH₁(D,1)，…，RH₁(D,24),RH₁(D+1,1),…，RH₁(D+1,j₁)]^T

构造输入矩阵INPUT(k)＝[T″(k-1),RH″(k-1),Q″(k-1)]

将Q"(k)、Q"(k-1)、T"(k-1)、RH"(k-1)中数据代入A、B矩阵中，即代入

A·X＝B中，最后利用X＝A^-1·B，即可求得多元非线性回归模型参数a₀,a₁,…,a₉。

8.根据权利要求1所述基于分时刻实际用能系数的大型建筑逐时能耗在线预测方法，其特征在于，步骤S2.12具体为：

j₁＝j₁+1

判断是否收到程序结束指令，

如果是，则程序结束；

如果否，则转至S2.2判断j₁是否小于等于24的步骤，然后再次执行在线预测的流程。

Images