[发明专利]一种建筑运行能耗预测方法

说明书

本发明公开了一种建筑运行能耗预测方法，对办公建筑的运行能耗数据进行预处理并进行特征分析，统一量纲为千克标准煤的形式，得到办公建筑运行能耗的时间序列；利用C‑C相关估计法对办公建筑运行能耗的时间序列进行相空间重构；利用最大lyapunov指数判断重构后的办公建筑运行能耗时间序列是否具备混沌特性；利用Chaos‑SVR神经网络对具备混沌特性的办公建筑运行能耗时间序列进行短期能耗预测；利用均值‑方差法划分预测结果的误差区间，构建Markov概率转移矩阵；对Markov概率转移矩阵进行Markov链误差修正，根据预测值对办公建筑的运行能耗进行预测。本发明显著提高办公建筑运行能耗预测精度，为办公建筑的优化运营与节能管理提供决策依据。

技术领域

本发明属于建筑运行能耗预测技术领域，具体涉及一种建筑运行能耗预测方法。

背景技术

办公建筑在全生命周期中能耗大、能效低等问题普遍存在，导致严重的能源浪费。其节能潜力巨大，降耗幅度可以达到30％～50％。其中，办公建筑运行能耗占比最大。因此，研究办公建筑的运行能耗情况具有重要意义，对其进行实时准确的预测可以为优化运行效率提供数据决策，从而实现节能目标。

建筑能耗的预测方法主要分为两大类：1.正演模型；2.数据驱动模型。机器学习预测方法是最常用的短期能耗预测方法，已经广泛应用于风速预测、电力需求预测、建筑能耗预测、建筑冷负荷预测等能源领域。

目前国内外建筑能耗时间序列预测方法应用较为广泛的有：人工神经网络(Artificial neural network，ANN)、差分整合移动平均自回归(AutoregressiveIntegrated Moving Average，ARIMA)、支持向量回归(Support Vector Regression，SVR)、多元线性回归(Multiple linear regression，MLR)等。除了室外气象参数和围护结构等办公建筑本体能耗外，还有机电设备、节假日、人员占用率等运行能耗造成其能耗时间序列具有非线性特征。为了深入挖掘其时间序列内部的非线性规律，提高预测精度，研究者们将不同的算法与人工神经网络和支持向量机结合，建立了多种办公建筑混合预测模型。有根据天气、人员等多种因素利用MLR方法对办公建筑的逐日冷负荷进行了回归预测，与实际负荷相比平均绝对百分误差小于8％。有利用反馈神经网络(Back Propagation NeuralNetwork，BPNN)，径向基函数神经网络(Radial Basis Function Neural Network，RBFNN)，广义回归神经网络(Generalized Regression Neural Network，GRNN)，支持向量机(Support Vector Machine，SVM)方法分别对办公建筑的逐时能耗进行分析，取得了较好的预测效果，模型已应用于中国广州某办公楼。有建立了小波-支持向量机(Wavelet-SVM)，小波-偏最小二乘-支持向量机(Wavelet-Partial Least Squares-Support VectorMachine，Wavelet-PLS-SVM)模型对办公建筑的逐时能耗进行了分析，最终得出提前1h，2h，3h和24h的预测结果。在其它应用领域将平均速度、平均占有率和平均交通流时间序列利用贝叶斯理论集成到一个时间序列中，将混沌理论和SVR相结合用于交通流的时间序列预测，达到了较高的预测精度。上述研究都是基于多变量输入的，相较于单变量时间序列需要考虑的因素复杂，有使用历史时刻的办公建筑冷负荷根据贝叶斯理论映射到同一时间维度作为机器学习预测模型的单变量输入，利用Chaos-SVR和WD-SVR(Wavelet Decomposition-Support Vector Regression)分别对建筑冷负荷时间序列进行预测，结果表明，选择恰当的预测模型不仅可以避免单变量输入的局限性，而且会取得较好的预测效果，但由于组合模型在迭代过程中存在误差累积的问题，导致不能很好满足实际优化运营的需求。

发明内容

本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种建筑运行能耗预测方法，根据获得的办公建筑历史能耗数据特点，利用数据驱动模型中的时间序列法进行能耗短期预测。