[发明专利]基于周期性数据驱动的建筑热负荷混合预测方法及系统

说明书

本公开提供了一种基于周期性数据驱动的建筑热负荷混合预测方法及系统，利用傅立叶分解方法对采集到的建筑热负荷数据的周期特性进行辨识，得到去除周期特性后的建筑热负荷数据残差；利用数据残差采用粒子群进化算法对建筑热负荷混合预测模型的关键参数进行训练和优化；利用训练和优化好的建筑热负荷混合预测模型分别预测得到建筑内人员用热行为的热负荷扰动量、室内/室外温湿度变化造成的热负荷损失量和建筑热负荷预测值；将预测得到的热负荷扰动量、热负荷损失量和建筑热负荷预测值融合后得到建筑热负荷综合预测值；本公开利用具有多重复杂特性的建筑热负荷数据实现了建筑热负荷的综合精准预测，提高了对建筑热负荷的综合管控能力。

技术领域

本公开涉及建筑热负荷预测技术领域，特别涉及一种基于周期性数据驱动的建筑热负荷混合预测方法及系统。

背景技术

本部分的陈述仅仅是提供了与本公开相关的背景技术，并不必然构成现有技术。

目前，城市能耗占全球能耗的2/3，其中建筑能耗约占60％，建筑节能减排的潜能巨大，因此，绿色建筑、智能建筑方兴未艾。智能建筑是指在建筑全寿命周期内最大限度的节能、节地、节水、节材，建筑热负荷的快速精准预测是建筑物最大限度节能减排的前提。

本公开发明人发现，建筑使用过程中积累的大量建筑热负荷数据通常在时间上呈现出一定的周期特性，同时受外部环境和人员用热行为影响，又具有不确定性和非线性特征，采用常规预测模型，无法基于具有多重复杂特性的建筑热负荷数据以实现热负荷的精准预测。

发明内容

为了解决现有技术的不足，本公开提供了一种基于周期性数据驱动的建筑热负荷混合预测方法及系统，利用具有多重复杂特性的建筑热负荷数据实现了建筑热负荷的精准预测。

为了实现上述目的，本公开采用如下技术方案：

第一方面，本公开提供了一种基于周期性数据驱动的建筑热负荷混合预测方法，步骤如下：

采集设定时间段内的建筑热负荷数据、建筑内人员用热行为数据和建筑的热传导数据；

利用傅立叶分解方法对采集到的建筑热负荷数据的周期特性进行辨识，得到去除周期特性后的建筑热负荷数据残差；

利用数据残差采用粒子群进化算法对建筑热负荷混合预测模型的关键参数进行训练和优化；

以采集到的数据为输入量，利用训练和优化好的建筑热负荷混合预测模型分别预测得到建筑内人员用热行为的热负荷扰动量、室内/室外温湿度变化造成的热负荷损失量和建筑热负荷预测值；

将预测得到的热负荷扰动量、热负荷损失量和建筑热负荷预测值融合后得到建筑热负荷综合预测值。

作为可能的一些实现方式，所述建筑内人员用热行为包括但不限于建筑内人员根据不同热舒适性需求的短时间开窗行为；

进一步的，所述建筑热负荷混合预测模型根据建筑内人员用热行为数据预测建筑内人员行为产生的热负荷扰动量。

作为可能的一些实现方式，所述建筑热负荷混合预测模型根据室内外的温湿度数据和建筑热传导特性预测得到因室内外的温湿度变化导致的热负荷损失量。

作为可能的一些实现方式，基于二型模糊系统方法建立数据模型，将周期特性和数据模型集成建立周期性数据驱动的建筑热负荷混合预测模型。

作为可能的一些实现方式，建筑热负荷综合预测值HL_Final(t)的表达式为：

HL_Final(t)＝α·HL_Predic(t)+β·HL_Loss(t)+γ·HL_Hum(t)