[发明专利]一种数据驱动的建筑空调电耗与照明插座电耗拆分方法

说明书

本发明属于建筑能耗监测系统中数据质量保障技术领域，提供了一种数据驱动的建筑空调电耗与照明插座电耗拆分方法，包括以下步骤：S1、对建筑能耗监测系统的历史数据进行预处理；S2、利用S1中清洗过的历史数据，对建筑内空调设备使用情况进行识别，主要采用室外空气温度模型算法及K均值聚类算法两种方法；S3、根据识别出的空调工作工况，对掺混的空调电耗及照明插座电耗进行拆分。本发明的有益之处在于提供了两种可以优势互补的空调使用工况识别方案，进而做到能够有效利用少量正常不混杂的电耗数据，将混杂的空调电耗与照明插座电耗数据进行拆分。

技术领域

本发明涉及一种掺混电耗数据的在线拆分办法，具体涉及一种以数据驱动的建筑空调电耗与照明插座电耗的在线拆分办法，属于建筑能耗监测系统中数据质量保障技术领域。

背景技术

随着建筑能耗监测平台相关技术的发展，利用历史能耗数据开展建筑节能工作成为重要手段。技术人员可以依据历史能耗数据开展能耗统计、节能潜力分析、能源预测、能源利用优化等工作，这对公共建筑节能研究起到了重要的作用。但是，从多年运行的实际情况看，目前，建筑能耗监测平台通常面临着如下几个问题：1)建筑能耗监测平台普遍存在分项监测不够精细的问题；2)建筑能耗监测平台普遍无法在配电线路改造后做出有效的同步响应；3)建筑能耗监测平台普遍缺乏对于问题数据的在线辨识和修复功能。因此，在这种情况下，照明插座电耗的分项中往往掺杂着分体式空调、风机盘管等空调末端设备，这些空调末端设备虽然单体功率小，但运行时间长、数量多，并且和人员行为特征紧密相关，难以识别用能工况，使得照明插座的精确能耗数据获取受混杂监测支路的影响，直接干扰对建筑用能的判断和后期的能耗数据应用。

针对于以上的问题，国内外许多专家和学者采用不同的方法对其做了大量的研究，他们普遍采用建筑能耗模拟法、非嵌入式能耗监测法、末端设备拆分算法、人均能源使用量模型法等方法进行末端用能设备的电耗拆分。但是这些电耗拆分办法普遍思路是利用建筑和用电设备的详细信息进行建模，因此普遍面临着以下问题：1)在无法获知设备基本信息和运行信息情况下难以实现；2)在面对区域大量建筑时，或面对末端用能设备复杂的单一建筑时，进行设备基本信息和运行信息调研时需要较高人力成本；3)在面对不用类型和特征的建筑时，难以做到普遍适用。

本发明针对于上述方法遇到的问题，采用室外空气温度模型算法和临近聚类算法的组合方法识别和拆分掺混的空调电耗数据和照明插座电耗数据。这两种方法在最佳适用场景、计算速度、计算精度等方面具有互补优势，构成了一种不需要详细建筑和设备信息的在线低成本分离方法，并具有多场景通用性。

发明内容

本发明要解决的技术问题是提供一种能够以历史数据为驱动，并能有效拆分掺混的空调电耗与照明插座电耗的在线拆分方法。

本发明的技术方案：

一种数据驱动的建筑空调电耗与照明插座电耗拆分方法，步骤如下：

S1、对建筑能耗监测系统的历史数据进行预处理：对问题数据进行分类，采用K均值聚类算法识别并清洗突变数据。具体步骤如下：

S1.1、对问题数据进行分类：

问题数据主要包括突变数据及缺失数据，建筑能耗监测平台的缺失数据记为“0”，可以实现在线识别，无需人工加入算法处理。突变数据指部分用能数据出现过大或过小，超出实际用能阈值，需要人工加入算法进行辨识并清洗。

S1.2、利用K均值聚类算法识别清洗突变数据：

在样本数据集中随机选择3个点作为初始聚类中心，计算样本集中其他点到初始聚类中心的距离，并分配到最近邻簇内。第一轮聚类完成后，在各簇内，将所有样本点平均值作为新的聚类中心，并重复第一轮的步骤，直至聚类中心不再变化，完成聚类，输出聚类中心和3个簇分类。

样本点间的距离采用闵可夫斯基距离(Minkowski Distance)，即下式计算，其中p代表维数。