本發(fā)明屬于計算機視覺的，具體涉及一種基于多級分類與動態(tài)數據修正的公共建筑能耗定額的方法。

背景技術：

1、對公共建筑運行階段進行能源效率提高是必要的。能耗定額是指在定額期內建筑用于維持其設備設施、衛(wèi)生條件使用功能所需要消耗的能源總量上限，是衡量建筑能耗使用水平的標尺。

2、科學合理的能耗定額方法是公共機構能源管理水平評估與考核的基礎，也是實現公共機構能源消耗總量和強度“雙控”指標的重要抓手。然而，不同建筑之間的運行模式及建筑特點等差異限制了單一建筑能耗基準值的合理性，需要根據不同的公共建筑特點對基準值進行修正。這需要國家建立龐大的數據庫并對大量不同類型公共建筑歷史運行數據進行統(tǒng)計與評價。雖然目前能耗定額方法眾多，但是由于國內同類型建筑之間能耗受地理位置、氣候、用能人員等因素影響，目前的能耗定額方法還存在著諸多的不合理性。如何最合理地劃分公共建筑集合、消除不同因素對建筑能耗的影響值得考慮。

技術實現思路

1、本發(fā)明的主要目的在于克服現有技術的缺點與不足，提供一種基于多級分類與動態(tài)數據修正的公共建筑能耗定額的方法，基于多級公共建筑類型分類和定額水平與排序耦合法與模擬定額法結合方法得到綜合能耗定額值，并基于動態(tài)數據對綜合能耗定額值進行合理修正，為政府建筑能耗定額制定者提供更合理的能耗定額方法。

2、為了達到上述目的，本發(fā)明采用以下技術方案：

3、本發(fā)明的一個方面，提供了一種基于多級分類與動態(tài)數據修正的公共建筑能耗定額的方法，包括下述步驟：

4、獲取不同類型公共建筑若干年內每月的能耗參數，包括日期參數、負荷參數以及節(jié)能措施參數；

5、根據獲取的能耗參數構建多特征數據集并進行數據校驗和清洗、數據特征篩選以及數據的歸一化處理；

6、基于公共建筑的功能性與用能屬性對多特征數據集進行一級邏輯分類和標簽；

7、基于k-means模型對一級邏輯和分類標簽的結果進行二級分類，并根據特征信息對二級分類的結果進行邏輯性解釋并標簽；

8、基于定額水平與排序耦合法和模擬定額法分別對同屬二級類型公共建筑進行能耗定額，并對兩種方法所得定額值加權平均，得到綜合能耗定額；

9、基于shap值模型進行不同類型公共建筑的年度能耗特征重要性分析，得出重要特征及重要特征的shapley值權重；

10、基于每種類型公共建筑的重要特征的年度數據平均值進行線性回歸，并根據回歸曲線預測每種類型公共建筑的重要特征未來若干年的平均值及變化率；

11、基于重要特征的變化率與重要特征的shapley值權重加權修正得出未來若干年各類型建筑的綜合能耗定額；

12、基于單棟建筑的重要特征的月度數據進行線性回歸得到的過去若干年的變化率，判斷單棟建筑用能合理性與節(jié)能積極性，并修正單棟建筑的綜合能耗定額。

13、作為優(yōu)選的技術方案，所述不同類型的公共建筑包括教育建筑、行政建筑以及醫(yī)療建筑；所述日期參數包括日期、年份、月份和季度；所述負荷參數包括人均用水量、建筑面積、用能人數、編制人數、汽油車數量、柴油車數量、新能源車數量、耗電量、耗煤量、天然氣消耗量、石油消耗量、其他用油量、柴油消耗量、液化石油消耗量、其他能源消耗量、太陽能集熱器面積、太陽能系統(tǒng)裝機容量以及地熱系統(tǒng)裝機容量；所述節(jié)能措施參數包括是否進行過節(jié)能改造、節(jié)能改造后至目前的時長以及進行過的節(jié)能改造項目。

14、作為優(yōu)選的技術方案，所述數據校驗和清洗具體為：采用四分位法對獲取的能耗參數進行數據校驗和清洗，具體為：取分布區(qū)間的q3+1.5iqr作為上閾值，q1-1.5iqr作為下閾值；其中，q3為分布區(qū)間的第三四分位數，即將數據序列從小到大排列后處于75％位置的數；q1為分布區(qū)間的第一四分位數，即將數據序列從小到大排列后處于25％位置的數；iqr為四分位距，iqr＝q3-q1，q1～q3之外的值作為異常值進行舍棄；

15、所述數據特征篩選具體為：采用隨機森林法分析公共建筑的人均能耗和單位面積能耗與影響因素序列s中各影響因素之間的相關性，篩選出相關性高于預設值的影響因素，并將相關性低于預設值的影響因素刪去；其中影響因素序列s＝[年份year,月份month,季度quarter,人均用水量pwc,建筑面積ba,用能人數neu,編制人數h,汽油車數量ngv,柴油車數量ndv,石油消耗量gc,其他用油量oc,柴油消耗量dc,液化石油消耗量clp,其他能源消耗量oec,太陽能集熱器面積sca,太陽能系統(tǒng)裝機容量ssic,地熱系統(tǒng)裝機容量gic,節(jié)能改造esr]；

16、所述數據的歸一化處理具體如下式：

17、

18、其中，x為待處理數據，xmax為數據集中最大值，xmin為數據集中最小值，xn為歸一化后的數據。

19、作為優(yōu)選的技術方案，所述基于k-means模型對一級邏輯和分類標簽的結果進行二級分類，并根據特征信息對二級分類的結果進行邏輯性解釋并標簽，具體為：

20、基于k-means模型對不同類型公共建筑多特征數據集進行聚類，并根據“手肘法”確定不同類型公共建筑樣本的k值；所述“手肘法”具體為：計算簇內誤差平方和，并利用圖像拐點找到最佳分類數，再基于k-means模型與輸入數據進行聚類分析，k值即為不同類型公共建筑二級分類后的子類別數；所述k-means模型輸入與年能耗直接相關的能耗數據，包括年能耗、年人均能耗、年單位面積能耗、年耗電量、年耗油量以及年耗天然氣量；

21、對不同類型公共建筑二級分類的結果進行邏輯性解釋，具體為：在地圖上標記所有類型公共建筑的具體位置并分析，基于同一種二級類型公共建筑未知標記聚集點進行描述，并以此得到二級類型公共建筑標簽。

22、作為優(yōu)選的技術方案，所述綜合能耗定額計算方法如下式：

23、

24、其中euic為綜合能耗定額值，euio為基于原始數據采用定額水平與排序耦合法計算所得的原始綜合能耗定額，euip為采用模擬定額法計算得到的模擬綜合能耗定額；

25、其中定額水平與排序耦合法具體為：

26、判斷某一類型的樣本是否符合正態(tài)分布，若符合，則采用定額水平法對原始數據進行綜合能耗定額計算，分別選取定額水平的20％、50％以及80％為能耗定額的約束值、基準值與引導值；若不符合，則對樣本中的數據進行排序，選取排序中比例分別為20％、50％以及80％為能耗定額的約束值、基準值與引導值；

27、其中模擬定額法具體為：

28、將多特征數據集按比例劃分為訓練集和測試集；

29、在訓練階段，分別基于預測模型進行訓練，通過優(yōu)化算法分別調整各模型超參數；其中預測模型包括逐步線性回歸、支持向量機、隨機森林、梯度提升法以及bp神經網絡，優(yōu)化算法包括非線性權重遞減粒子群優(yōu)化算法、鯨魚算法以及麻雀算法；

30、在測試階段，對每種類型公共建筑的年人均能耗和年單位面積能耗分別進行預測，當預測結果通過預設指標評估后，認為能耗預測模型訓練完畢；通過指標對比，選用適于當前類型公共建筑的預測模型和優(yōu)化算法并預測各類型公共建筑的模擬綜合能耗定額。

31、作為優(yōu)選的技術方案，所述基于shap值模型對各類型公共建筑的年能耗進行特征向量相關性分析，具體為：

32、基于shap值模型對不同類型公共建筑的能耗參數進行特征貢獻度計算，得到所有特征的貢獻度順序結果，具體為：計算一個特征加入到模型時的邊際貢獻，并考慮該特征在所有的特征序列的情況下不同的邊際貢獻，取均值，得到所述特征的shapley值權重；

33、根據特征之間的交互作用及對結果敏感的特征的貢獻度順序結果，篩選出重要特征。

34、作為優(yōu)選的技術方案，所述基于重要特征的變化率與重要特征的shapley值權重加權修正得出未來若干年各類型建筑的綜合能耗定額，具體為：

35、pcecnext＝pcecnow*(a1*ω1+a2*ω2+a3*ω3)；

36、其中，pcecnext為未來某年此類建筑人均能耗定額值，pcecnow代表目前此類建筑人均能耗定額值，a1代表第一個特征向量若干年后下降的比例，ω1代表第一個特征向量的shapley值在三個特征向量總shapley值的占比，以此類推。

37、作為優(yōu)選的技術方案，所述基于單棟建筑的重要特征的月度數據進行線性回歸得到的過去若干年的變化率，判斷單棟建筑用能合理性與節(jié)能積極性，并修正單棟建筑的綜合能耗定額，具體為：

38、若某棟建筑的重要特征的過去若干年變化曲線中有異常數據點超出正常波動范圍的20％，或特征值變化趨勢呈遞增趨勢且上升幅度大于20％，則判斷為用能不合理，減少5％的綜合能耗定額；若某棟建筑的重要特征的過去若干年變化趨勢為呈遞減趨勢，且下降幅度大于20％，則判斷為積極響應節(jié)能減排政策，增加5％的綜合能耗定額。

39、本發(fā)明的另一個方面，還提供了一種基于多級分類與動態(tài)數據修正的公共建筑能耗定額的系統(tǒng)，應用于上述的基于多級分類與動態(tài)數據修正的公共建筑能耗定額的方法，包括數據采集處理模塊、數據預處理模塊、建筑類型一級分類模塊、建筑類型二級分類模塊、能耗定額模塊、特征重要性分析模塊以及能耗定額值修正模塊；

40、所述數據采集處理模塊用于獲取不同類型共建筑的月度與年度的能耗參數，包括日期參數、負荷參數以及節(jié)能措施參數；根據獲取的能耗參數構建多特征數據集；

41、所述數據預處理模塊用于對多特征數據集進行數據校驗和清洗、數據特征篩選以及數據的歸一化處理；

42、所述建筑類型一級分類模塊用于根據公共建筑的功能性與用能屬性對樣本集進行一級分類并標簽；

43、所述建筑類型二級分類模塊用于根據k-means模型對一級邏輯和分類標簽的結果進行二級分類，并根據特征信息對二級分類的結果進行邏輯性解釋并標簽；

44、所述能耗定額模塊用于根據定額水平與排序耦合法和模擬定額法分別對同屬二級類型公共建筑進行能耗定額，并對兩種方法所得定額值加權平均，得到綜合能耗定額；

45、所述特征重要性分析分析模塊用于根據能耗參數、能耗預測模型以及能耗預測結果，基于shap值模型進行不同類型公共建筑的年度能耗特征重要性分析，得出重要特征及重要特征的shapley值權重；

46、所述能耗定額值修正模塊用于根據每種類型公共建筑的重要特征的年度數據平均值進行線性回歸，并根據回歸曲線預測每種類型公共建筑的重要特征未來若干年的平均值及變化率；

47、基于重要特征的變化率與重要特征的shapley值權重加權修正得出未來若干年各類型建筑的綜合能耗定額；

48、基于單棟建筑的重要特征的月度數據進行線性回歸得到的過去若干年的變化率，判斷單棟建筑用能合理性與節(jié)能積極性，并修正單棟建筑的綜合能耗定額。

49、本發(fā)明的另一個方面，還提供了一種存儲介質，存儲有程序，所述程序被處理器執(zhí)行時，實現上述的基于多級分類與動態(tài)數據修正的公共建筑能耗定額的方法。

50、本發(fā)明與現有技術相比，具有如下優(yōu)點和有益效果：

51、(1)本發(fā)明在公共建筑能耗定額制定領域實現對不同類型公共建筑的單位面積能耗與人均能耗的能耗定額，考慮更多的能耗影響因素并進行多級合理分類，定額值更合理；能夠基于動態(tài)數據對未來年度能耗定額值進行預測，給予不同類型公共機構建筑是否需要節(jié)能改造提供方向，為建筑能源管理和節(jié)能提供支持；本發(fā)明的數據檢驗與填充缺失數據都可以自動完成，完成有效數據集的構建，處理速度快、操作方便。