本發(fā)明涉及大型建筑能耗預測的研究領域，特別涉及一種基于分時刻實際用能系數(shù)的大型建筑逐時能耗在線預測方法。

背景技術：

隨著我國經(jīng)濟社會的快速發(fā)展和城鎮(zhèn)化進程的不斷加速，大型建筑不斷涌現(xiàn)，規(guī)模也在不斷增大，綜合能耗也越來越高，其能耗占社會總能耗的比重也在不斷增加，大型建筑節(jié)能成為建設綠色智慧城市的重要內(nèi)容。大型建筑能耗合理的短期預測，對于指導夏季電力高峰負荷的調(diào)度機制，完善建筑運行能耗研究的理論體系，適應未來建筑運行能耗的發(fā)展需求，實現(xiàn)我國的國家減排目標具有重要意義。

常用的建筑能耗短期預測方法包括單變量時間序列法、人工神經(jīng)網(wǎng)絡、支持向量機等多種方法。建筑在線預測算法需要考慮實時性，工程可實現(xiàn)性等因素。單變量時間序列預測法僅以能耗時間序列為預測參數(shù)，不能有效地利用與建筑物能耗影響因素的信息，很難進一步提升運行能耗的預測精度；人工神經(jīng)網(wǎng)絡法輸出具有不可預測性和不一致性，容易陷入局部最小，難以找到最優(yōu)模型，泛化能力不強等問題；支持向量機對缺失數(shù)據(jù)較為敏感，對大規(guī)模樣本的學習速度慢；上述方法都需要使用專用工具箱，同時建模和預測時間長。多元非線性回歸方法優(yōu)點在于預測速度快，對缺少數(shù)據(jù)不敏感，有詳細的數(shù)學表達式解釋各自變量對因變量的影響關系，但由于一些非民用建筑如大型商場受室外氣象參數(shù)、人流密度、節(jié)假日等因素的影響，用常規(guī)多元非線性回歸方法難以建立準確的預測模型。

技術實現(xiàn)要素：

本發(fā)明的主要目的在于克服現(xiàn)有技術的缺點與不足，提供一種基于分時刻實際用能系數(shù)的大型建筑逐時能耗在線預測方法，有效地實現(xiàn)了建筑能耗的動態(tài)預測和準確預測，既可用于單棟建筑能耗預測，也可用于大型建筑群的能耗預測。

為了達到上述目的，本發(fā)明采用以下技術方案：

本發(fā)明基于分時刻實際用能系數(shù)的大型建筑逐時能耗在線預測方法，包括下述步驟：

S1、數(shù)據(jù)初始化，

S1.1、獲取歷史數(shù)據(jù)，歷史數(shù)據(jù)包括一段時間內(nèi)室外環(huán)境干球溫度T、室外環(huán)境相對濕度RH和建筑能耗Q的逐時數(shù)據(jù)；

S1.2、歷史數(shù)據(jù)清洗，將歷史數(shù)據(jù)按時刻分為24個分時刻序列，利用3σ原則分析各時刻的異常數(shù)據(jù)，分別剔除各時刻的異常值，然后用前一天和后一天的同一時刻數(shù)據(jù)平均值替代原數(shù)據(jù)，若異常數(shù)據(jù)為邊緣數(shù)據(jù)則采用外插值法替代原數(shù)據(jù)；

S1.3、分時刻實際用能系數(shù)初始值計算，分時刻實際用能系數(shù)定義如下：

P(j)為第j時刻能耗平均值，為1到24時刻內(nèi)P(j)的最大值；

S1.4、歷史數(shù)據(jù)轉(zhuǎn)換，利用分時刻實際用能系數(shù)ξ(j),j＝1,…,24進行歷史數(shù)據(jù)轉(zhuǎn)換，設定ξ₀為實際用能系數(shù)的限值，當分時刻實際用能系數(shù)ξ(j)＞ξ₀，建筑歷史能耗轉(zhuǎn)換數(shù)據(jù)為當ξ(j)≤ξ₀，建筑歷史能耗轉(zhuǎn)換數(shù)據(jù)Q₁(i，j)＝Q(i，j)，即保持不變；

S1.5、構(gòu)造多元非線性回歸能耗預測模型輸入輸出向量；

S1.6、歷史數(shù)據(jù)均一化處理，歷史數(shù)據(jù)包括歷史能耗數(shù)據(jù)和室外環(huán)境干球溫度和室外環(huán)境相對濕度；

S1.7、歷史數(shù)據(jù)建模，根據(jù)多元函數(shù)的泰勒級數(shù)展開式，選取的多元非線性回歸模型，求得多元非線性回歸模型參數(shù)；

S2、建筑能耗逐時在線預測；

S2.1、在線采集時刻初始化：j₁＝1；

S2.2、判斷j₁是否小于等于24

如果是，則進入下一步S2.3在線數(shù)據(jù)采集與數(shù)據(jù)集更新；

如果否，則j₁＝1，再進入下一步S2.3在線數(shù)據(jù)采集與數(shù)據(jù)集更新；

S2.3、數(shù)據(jù)集更新，即從第1天開始到第D天結(jié)束，將第i+1天全天各時刻的建筑能耗值、室外環(huán)境干球溫度值和室外環(huán)境相對濕度值賦給第i天同一時刻的建筑能耗、室外環(huán)境干球溫度和室外環(huán)境相對濕度；

即：數(shù)據(jù)集更新當前時刻為第j₁時刻時，拋棄第一天第j₁時刻的數(shù)據(jù)，Q(1,j₁),T(1,j₁),RH(1,j₁),

在線數(shù)據(jù)采集：

在線采集并在數(shù)據(jù)集中存儲當前時刻數(shù)據(jù)，第D+1天第j₁時刻數(shù)據(jù)，包括室外環(huán)境干球溫度T(D+1,j₁)、室外環(huán)境相對濕度RH(D+1,j₁)和建筑能耗Q(D+1,j₁)；

S2.4、數(shù)據(jù)清洗，利用3σ原則分析當前時刻采集的能耗數(shù)據(jù)Q(D+1,j₁)是否異常，若數(shù)據(jù)異常，則采用外插值法替代原數(shù)據(jù)；

S2.5、分時刻實際用能系數(shù)在線更新；更新方法如下：

P(j₁)為第j₁時刻能耗平均值,為1到24時刻內(nèi)P(j)的最大值；

S2.6、在線采集數(shù)據(jù)轉(zhuǎn)換，利用當前時刻實際用能系數(shù)ξ(j₁)進行當前時刻能耗數(shù)據(jù)轉(zhuǎn)換，設定ξ₀為實際用能系數(shù)的限值，當分時刻實際用能系數(shù)ξ(j₁)＞ξ₀，建筑能耗轉(zhuǎn)換數(shù)據(jù)為當ξ(j)≤ξ₀，建筑能耗轉(zhuǎn)換數(shù)據(jù)Q₁(D+1，j₁)＝Q(D+1，j₁)，即保持不變；

S2.7、在線采集數(shù)據(jù)標準化處理，采用與標準化方式與步驟S1.6相同的處理方式，包括在線采集能耗數(shù)據(jù)、室外環(huán)境干球溫度和室外環(huán)境相對濕度；

S2.8、下一時刻多元非線性回歸能耗在線預測；

S2.9、能耗預測數(shù)據(jù)反歸一化處理，采用如下公式：

為第D+1天j₁+1時刻能耗預測值；

S2.10、能耗預測數(shù)據(jù)分時刻用能數(shù)據(jù)反變換并輸出；

S2.11、預測模型在線更新，為下一時刻預測做準備；

S2.12、判斷程序是否要求結(jié)束。

作為優(yōu)選的技術方案，步驟S1.2中，將歷史數(shù)據(jù)按時刻分為24個分時刻序列Q(i,j),T(i,j),RH(i,j),j＝1,2,……23，24，i＝1,2，……，D，總天數(shù)為D，則設：

P(j)為從第1天到第D天第j時刻的能耗平均值，

σ(j)為從第1天到第D天第j時刻的能耗標準差，

即

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

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

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

作為優(yōu)選的技術方案，步驟S1.5中，具體為：

構(gòu)造輸入能耗列向量Q′(k)，室外溫度列向量T′(k)和室外相對濕度列向量RH′(k)，能耗采集日期列向量D(k)，能耗采集時刻列向量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

構(gòu)造輸入矩陣INPUT(k)＝[T′(k-1),RH′(k-1),Q′(k-1)]，

輸出矩陣Y(k)＝[Q′(k)]，2≤k≤L。

作為優(yōu)選的技術方案，步驟S1.6中，均一化處理的方法為：

其中Q″(k),T″(k),RH″(k)為標準化后數(shù)據(jù)；

分別為各時間序列的最小值，

分別為各時間序列的最大值。

作為優(yōu)選的技術方案，步驟S1.7具體為：

根據(jù)多元函數(shù)的泰勒級數(shù)展開式，取多項式最高次數(shù)為2次。選取的多元非線性回歸模型如下：

采用最小二乘估計法，求取多元非線性回歸模型參數(shù)；

設Q″(k)為在k時刻的能耗值，為k時刻的能耗預測值；

令多元函數(shù)G(a₀,a₁,…,a₉)對a₀,a₁,…,a₉的偏導數(shù)為零，即

代入訓練數(shù)據(jù)，整理成形如A·X＝B的形式，最后利用X＝A^-1·B，即可求得多元非線性回歸模型參數(shù)a₀,a₁,…,a₉。其中，A為10×10的矩陣，B為10×1矩陣。

作為優(yōu)選的技術方案，步驟S2.3具體為：

設

P(j₁)為從第2天到第D+1天第j₁時刻的能耗平均值，

σ(j₁)為從第2天到第D+1天第j₁時刻的能耗標準差，

即

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

作為優(yōu)選的技術方案，步驟S2.6具體為：

(1)在線采集能耗數(shù)據(jù)標準化處理

(2)在線采集室外環(huán)境干球溫度數(shù)據(jù)標準化處理

(3)在線采集室外環(huán)境相對濕度數(shù)據(jù)標準化處理

作為優(yōu)選的技術方案，步驟S2.7具體為：

作為優(yōu)選的技術方案，步驟S2.7具體為：

構(gòu)造輸入能耗列向量Q″(k)，室外溫度列向量T″(k)和室外相對濕度列向量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

構(gòu)造輸入矩陣INPUT(k)＝[T″(k-1),RH″(k-1),Q″(k-1)]

將Q"(k)、Q"(k-1)、T"(k-1)、RH"(k-1)中數(shù)據(jù)代入A、B矩陣中，即代入

A·X＝B中，最后利用X＝A^-1·B，即可求得多元非線性回歸模型參數(shù)a₀,a₁,…,a₉。

作為優(yōu)選的技術方案，步驟S2.11具體為：

j₁＝j₁+1

判斷是否收到程序結(jié)束指令，

如果是，則程序結(jié)束；

如果否，則轉(zhuǎn)至S2.2判斷j₁是否小于等于24的步驟，再次執(zhí)行在線預測的流程。

本發(fā)明與現(xiàn)有技術相比，具有如下優(yōu)點和有益效果：

1、本發(fā)明提出分時刻實際用能系數(shù)來刻畫建筑能耗與時刻之間的規(guī)律性，以限制與時刻相關的人流量及其他干擾對能耗的影響。分時刻實際用能系數(shù)定義如下：

P(j)為第j時刻能耗平均值。采用分時刻實際用能系數(shù)對建筑能耗進行數(shù)據(jù)預處理，優(yōu)點在于減弱了人流量等外界干擾對能耗的影響，在簡化預測過程的同時保證了預測精度。

2、本發(fā)明根據(jù)多元函數(shù)的泰勒級數(shù)展開式，取多項式最高次數(shù)為2次。選取的多元非線性回歸模型如下：

采用最小二乘估計法求取多元非線性回歸模型參數(shù)。

令

令多元函數(shù)G(a₀,a₁,…,a₉)對a₀,a₁,…,a₉的偏導數(shù)為零，即

代入訓練數(shù)據(jù)，整理成形如A·X＝B的形式，最后利用X＝A^-1·B，即可求得多元非線性回歸模型參數(shù)a₀,a₁,…,a₉。

與現(xiàn)有建筑能耗預測方法如神經(jīng)網(wǎng)絡、支持向量機、時間序列等相比，優(yōu)點在于不需要特定的專用工具箱，模型簡單，快速建模，可以在極短時間內(nèi)得到多元非線性回歸模型參數(shù)a₀,a₁,…,a₉，縮短建模時間。

3、本發(fā)明根據(jù)建筑能耗在不同時段變化較大，每天同一時刻的負荷變化規(guī)律相似的規(guī)律，將能耗數(shù)據(jù)時間序列按小時分為24個時間序列Q(*,j)，利用3σ原則分析歷史數(shù)據(jù)和在線采集數(shù)據(jù)各時刻的異常數(shù)據(jù)，分別剔除各時刻的異常值，然后用同一時刻上下數(shù)據(jù)插值替代原數(shù)據(jù)，若異常數(shù)據(jù)為邊緣數(shù)據(jù)則采用外插值法替代原數(shù)據(jù)。

優(yōu)點在于可以消除極端數(shù)據(jù)對模型的影響，提高預測精度。

4、本發(fā)明對建模數(shù)據(jù)采用均一化處理方法，優(yōu)點在于消除室外環(huán)境干球溫度，室外環(huán)境相對濕度，建筑能耗等不同變量之間由于物理意義或量綱不一致而無法平等使用所帶來的影響，避免不合理現(xiàn)象的發(fā)生，提高預測精度。

均一化處理方法如下：

其中x′為標準化后數(shù)據(jù)；為x(k)序列中的最小值；為x(k)序列中的最大值。

5、本發(fā)明初始數(shù)據(jù)長度L可根據(jù)實際情況設定。

6、本發(fā)明采用了Online MNR在線訓練算法，模型隨著在線數(shù)據(jù)的更新而不斷進行訓練、優(yōu)化，極大的提高了預測精度。

7、本發(fā)明可以在線預測下一時刻的建筑能耗。

8、本發(fā)明提供了大型建筑逐時能耗在線預測方法，既可用于單棟建筑的能耗預測，也可用于大型建筑群的能耗預測。

附圖說明

圖1是本發(fā)明檢測方法的流程圖。

具體實施方式

下面結(jié)合實施例及附圖對本發(fā)明作進一步詳細的描述，但本發(fā)明的實施方式不限于此。

實施例

如圖1所示，本實施例基于分時刻實際用能系數(shù)的大型建筑能耗逐時在線預測方法，包括以下步驟：

1.數(shù)據(jù)初始化；

1.1歷史數(shù)據(jù)獲?。?/p>

獲取歷史數(shù)據(jù)，歷史數(shù)據(jù)包括一段時間內(nèi)室外環(huán)境干球溫度T、室外環(huán)境相對濕度RH和建筑能耗Q的逐時數(shù)據(jù)。室外環(huán)境干球溫度和相對濕度可以從氣象局獲取，建筑能耗的逐時數(shù)據(jù)可以通過建筑總電表采集遠程傳輸?shù)玫健?/p>

設歷史數(shù)據(jù)集數(shù)據(jù)長度為L＝24小時/天×天數(shù)D,若不設定，取默認值6個月180天，即L＝4320。

1.2歷史數(shù)據(jù)清洗

由于電表數(shù)據(jù)采集過程中可能會受到外界干擾等問題造成數(shù)據(jù)異常(不含缺失值)，為了剔除歷史數(shù)據(jù)中的異常數(shù)據(jù)，本專利將歷史數(shù)據(jù)按時刻分為24個分時刻序列Q(i,j),T(i,j),RH(i,j),j＝1,2,……23，24，i＝1,2，……，D，總天數(shù)為D，利用3σ原則分析各時刻的異常數(shù)據(jù)，分別剔除各時刻的異常值，然后用前一天和后一天的同一時刻數(shù)據(jù)平均值替代原數(shù)據(jù)，若異常數(shù)據(jù)為邊緣數(shù)據(jù)則采用外插值法替代原數(shù)據(jù)。(默認室外氣象參數(shù)獲取是準確的。)設：

P(j)為從第1天到第D天第j時刻的能耗平均值，

σ(j)為從第1天到第D天第j時刻的能耗標準差，

即

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

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

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

1.3分時刻實際用能系數(shù)初始值計算

同一時刻的建筑用能特性基本相同，受到人流量、燈光等干擾的影響程度也相似，本發(fā)明提出分時刻實際用能系數(shù)來刻畫這種影響因素，以降低與時刻相關的人流量及其他干擾因素對各時刻能耗的影響。分時刻實際用能系數(shù)定義如下：

P(j)為第j時刻能耗平均值。為1到24時刻內(nèi)P(j)的最大值。

1.4歷史數(shù)據(jù)轉(zhuǎn)換；

利用分時刻實際用能系數(shù)ξ(j),j＝1,…,24進行歷史數(shù)據(jù)轉(zhuǎn)換。設定ξ₀為實際用能系數(shù)的限值，本發(fā)明中取ξ₀＝0.2，當分時刻實際用能系數(shù)ξ(j)＞ξ₀，建筑歷史能耗轉(zhuǎn)換數(shù)據(jù)為當ξ(j)≤ξ₀，建筑歷史能耗轉(zhuǎn)換數(shù)據(jù)Q₁(i，j)＝Q(i，j)，即保持不變。

1.5構(gòu)造多元非線性回歸能耗預測模型輸入輸出向量；

構(gòu)造輸入能耗列向量Q′(k)，室外溫度列向量T′(k)和室外相對濕度列向量RH′(k)，能耗采集日期列向量D(k)，能耗采集時刻列向量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

構(gòu)造輸入矩陣INPUT(k)＝[T′(k-1),RH′(k-1),Q′(k-1)]，

輸出矩陣Y(k)＝[Q′(k)]，2≤k≤L

1.6歷史數(shù)據(jù)均一化處理

為了防止不同輸入輸出變量由于物理意義或量綱不一致而無法平等使用的問題，需要將各建模輸入變量進行均一化處理，包括歷史能耗數(shù)據(jù)和室外環(huán)境干球溫度和室外環(huán)境相對濕度。

標準化處理方法可采用歸一化處理方法：

其中Q″(k),T″(k),RH″(k)為標準化后數(shù)據(jù)；

分別為各時間序列的最小值，

分別為各時間序列的最大值。

1.7歷史數(shù)據(jù)初始化建模

根據(jù)多元函數(shù)的泰勒級數(shù)展開式，取多項式最高次數(shù)為2次。選取的多元非線性回歸模型如下：

采用最小二乘估計法，求取多元非線性回歸模型參數(shù)。

設Q″(k)為在k時刻的能耗值，為k時刻的能耗預測值。

令多元函數(shù)G(a₀,a₁,…,a₉)對a₀,a₁,…,a₉的偏導數(shù)為零，即

代入訓練數(shù)據(jù)，整理成形如A·X＝B的形式，最后利用X＝A^-1·B，即可求得多元非線性回歸模型參數(shù)a₀,a₁,…,a₉。其中，A為10×10的矩陣，B為10×1矩陣。

具體原理如下：

為對a_n在k時刻的偏導數(shù)，為已知值。

為線性方程組，可將其寫成矩陣形式

A·X＝B，

其中X＝[a₀,a₁,…,a₉]^T,

最后利用X＝A^-1·B，即可求得多元非線性回歸模型參數(shù)a₀,a₁,…,a₉。

2.建筑能耗逐時在線預測

2.1在線采集時刻初始化：j₁＝1

2.2判斷j₁是否小于等于24

如果是，則進入下一步2.3在線數(shù)據(jù)采集與數(shù)據(jù)集更新；

如果否，則j₁＝1，再進入下一步2.3在線數(shù)據(jù)采集與數(shù)據(jù)集更新；

2.3在線數(shù)據(jù)采集與數(shù)據(jù)集更新，

(默認數(shù)據(jù)采集過程為連續(xù))

當前時刻為第j₁時刻時，拋棄第一天第j₁時刻的數(shù)據(jù)，Q(1,j₁),T(1,j₁),RH(1,j₁),在線采集并在數(shù)據(jù)集中存儲當前時刻數(shù)據(jù)，第D+1天第j₁時刻數(shù)據(jù)，包括室外環(huán)境干球溫度T(D+1,j₁)、室外環(huán)境相對濕度RH(D+1,j₁)和建筑能耗Q(D+1,j₁)。室外環(huán)境干球溫度和相對濕度可以從氣象局獲取，也可以通過傳感器實時采集，建筑電耗的實時數(shù)據(jù)可以通過建筑總電表采集遠程傳輸?shù)玫健?/p>

2.4數(shù)據(jù)清洗

利用3σ原則分析當前時刻采集的能耗數(shù)據(jù)Q(D+1,j₁)是否異常，若數(shù)據(jù)異常，則采用外插值法替代原數(shù)據(jù)。

設

P(j₁)為從第2天到第D+1天第j₁時刻的能耗平均值，

σ(j₁)為從第2天到第D+1天第j₁時刻的能耗標準差，

即

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

2.5分時刻實際用能系數(shù)在線更新

分時刻實際用能系數(shù)在線更新方法如下：

P(j₁)為第j₁時刻能耗平均值,為1到24時刻內(nèi)P(j)的最大值。

2.6在線采集數(shù)據(jù)轉(zhuǎn)換

利用當前時刻實際用能系數(shù)ξ(j₁)進行當前時刻能耗數(shù)據(jù)轉(zhuǎn)換。設定ξ₀為實際用能系數(shù)的限值，本發(fā)明中取ξ₀＝0.2，當分時刻實際用能系數(shù)ξ(j₁)＞ξ₀，建筑能耗轉(zhuǎn)換數(shù)據(jù)為當ξ(j)≤ξ₀，建筑能耗轉(zhuǎn)換數(shù)據(jù)Q₁(D+1，j₁)＝Q(D+1，j₁)，即保持不變。

2.7在線采集數(shù)據(jù)標準化處理

標準化處理方式與1.6相同，包括在線采集能耗數(shù)據(jù)、室外環(huán)境干球溫度和室外環(huán)境相對濕度。

(1)在線采集能耗數(shù)據(jù)標準化處理

(2)在線采集室外環(huán)境干球溫度數(shù)據(jù)標準化處理

(3)在線采集室外環(huán)境相對濕度數(shù)據(jù)標準化處理

2.8下一時刻多元非線性回歸能耗在線預測

2.9耗預測數(shù)據(jù)反歸一化處理：

2.10耗預測數(shù)據(jù)分時刻用能數(shù)據(jù)反變換并輸出

2.11模型在線更新，為下一時刻預測做準備

構(gòu)造輸入能耗列向量Q″(k)，室外溫度列向量T″(k)和室外相對濕度列向量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

構(gòu)造輸入矩陣INPUT(k)＝[T″(k-1),RH″(k-1),Q″(k-1)]

將Q"(k)、Q"(k-1)、T"(k-1)、RH"(k-1)中數(shù)據(jù)代入1.7節(jié)中A、B矩陣中，即下式中：

A·X＝B，

其中X＝[a₀,a₁,…,a₉]^T；

為對a_n在k時刻的偏導數(shù)，為已知值；

最后利用X＝A^-1·B，即可求得多元非線性回歸模型參數(shù)a₀,a₁,…,a₉。

2.12為下一時刻數(shù)據(jù)采集做準備；

j₁＝j₁+1

2.13判斷程序是否要求結(jié)束，

如果是，則程序結(jié)束；

如果否，則轉(zhuǎn)至2.2判斷j₁是否小于等于24的步驟，然后再次執(zhí)行在線預測的流程。

通過本實施例的技術方案，建立的建筑能耗預測模型預測數(shù)據(jù)可靠性高，可用于預測單棟建筑或大區(qū)域范圍內(nèi)的建筑逐時能耗、建筑能耗的節(jié)能控制、建筑能耗預測以及區(qū)域內(nèi)的電力削峰等場合。

上述實施例為本發(fā)明較佳的實施方式，但本發(fā)明的實施方式并不受上述實施例的限制，其他的任何未背離本發(fā)明的精神實質(zhì)與原理下所作的改變、修飾、替代、組合、簡化，均應為等效的置換方式，都包含在本發(fā)明的保護范圍之內(nèi)。