一种办公建筑能耗组合预测模型建立、预测方法及系统

本发明属于智慧城市及建筑节能领域，具体涉及一种办公建筑能耗组合预测模型建立、预测方法及系统。

背景技术：

1、建筑领域的能耗占比高达全国总能耗的三分之一。而公共建筑更是占据着重要地位。因此，针对这一挑战，智能建筑领域迫切需要对公共建筑的负荷预测和节能设计进行深入研究。首要需要解决的便是建筑内负荷的准确预测问题。现有的技术无法灵活地对建筑内的任意区域进行有效预测。这是因为目前用于研究的数据通常是通过人工手动收集的，而供设备自动控制使用的数据主要来自系统中安装的固定传感设备。因此，在建筑设备运行过程中，整体能耗的预测或测试区域能耗的看似准确性较高，但在局部区域环境预测方面却表现不佳，可能导致过热、过冷、过凉、过暗等环境问题，使得能耗增大且环境舒适度下降。此外，尝试通过人工方式对设备进行调控也会因建筑内各区域能耗预测数据不足而增加调控的难度。

2、随着人工智能、5g、大数据技术的不断发展，越来越先进的预测模型被学者提出并应用于不同的预测场景上。其中包括lstm回归模型(long short-term memory，lstm)、极限学习机模型(extreme learning machine，elm)、支持向量机回归模型(support vectorregression，svr)、xg-boost回归模型(extreme gradient boosting，xgboost)以及随机森林回归模型(random forest regression，rfr)等几种主要研究方向。在lstm回归模型的应用中，通过长短时记忆网络的结构，能够更好地捕捉时间序列数据的长期依赖关系，适用于长期预测任务。elm预测模型通过随机生成输入权值和隐含节点的偏置，具有良好的适应性和学习能力，主要用于中期预测或趋势预测。svr模型通过寻找高维空间中的最优超平面，适用于中短期预测任务。xg-boost回归模型通过梯度提升算法，能够有效处理复杂的非线性关系，适用于短期预测。rfr模型则通过集成多个决策树，提高了模型的稳定性和泛化能力，适用于处理数据中的噪声和复杂关系。尽管这些先进的模型在提高预测准确性方面取得了一些进展，但由于各个单项预测方法的特点差异以及系统部分因素的随机性和不确定性，导致预测精度仍然存在时好时坏的情况。

技术实现思路

1、本发明的目的在于提供一种办公建筑能耗组合预测模型建立、预测方法及系统，以解决现有技术中对某一区域负荷预测周期长、预测难度大、资源占用高及预测精度不足的问题。

2、为了实现上述任务，本发明采用以下技术方案：

3、一种办公建筑能耗组合预测模型建立方法，包括如下步骤：

4、步骤1，采集办公建筑内的原历史气象数据和原测量日负荷数据，原历史气象数据包括测量日前k天中每个采集时刻的原室外干球温度、原相对湿度、原风速以及原太阳辐射强度，原测量日负荷数据包括测量日前k天中每个时刻的办公建筑内空调的原实际功率负荷值、动力设备原实际功率负荷值、特种设备原实际功率负荷值和照明插座原实际功率负荷值；

5、对原历史气象数据和原测量日负荷数据进行预处理得到历史环境数据和测量日负荷数据，历史环境数据包括测量日前k天中每个时刻的室外干球温度、相对湿度、风速以及太阳辐射强度，测量日负荷数据包括测量日前k天中每个时刻的办公建筑内空调的实际功率负荷值、动力设备实际功率负荷值、特种设备实际功率负荷值和照明插座实际功率负荷值；

6、其中，k为正整数；

7、步骤2：建立elm神经网络，将s1获取的历史气象数据作为输入、测量日负荷数据作为输出训练elm神经网络，得到建筑能耗的基础预测模型；

8、建立残差网络，残差网络包括并列的多个子模型，将建筑能耗预测残差值作为输入、当前待预测时刻的残差预测值作为输出训练残差网络，得到动态残差预测模型；

9、其中，每次训练迭代包括如下子步骤：

10、步骤2.1：在待预测时刻下，elm神经网络输出前一时刻建筑能耗待修正预测值，根据前一时刻建筑能耗待修正预测值获取建筑能耗预测残差值，建筑能耗预测残差值为前一时刻建筑能耗待修正预测值和测量日负荷数据之差；

11、将建筑能耗预测残差值输入残差网络，动态残差预测模型中的每个子模型分别输出各自对建筑能耗的基础预测模型残差的预测值，获取每个子模型的残差值，每个子模型的预测残差值为每个子模型输出的建筑能耗的基础预测模型残差的预测值和每个子模型的残差值之差；

12、步骤2.2：选择预测残差值最小的n个子模型通过pso算法进行权重分配，得到修正残差值；

13、其中，n取2、3或4；

14、步骤2.3：将步骤2.1中前一时刻建筑能耗待修正预测值减去步骤2.2得到的修正残差值，得到待预测时刻的建筑能耗预测值，进行下一时刻的训练迭代。

15、优选的，elm神经网络包括输入层、隐含层和输出层，各层之间全连接，隐含层与输出层之间有权值连接。

16、优选的，残差网络中的子模型包括lstm模型、svr模型、rfr模型和xgboost模型。

17、优选的，步骤1中的预处理是对各项数据中的异常值和缺失值进行均值插补。

18、一种办公建筑能耗组合预测方法，包括如下步骤：

19、步骤1，获取待预测时刻的室外干球温度、相对湿度、风速以及太阳辐射强度、办公建筑内空调的实际功率负荷值、动力设备实际功率负荷值、特种设备实际功率负荷值和照明插座实际功率负荷值；

20、步骤2，将待预测时刻的室外干球温度、相对湿度、风速以及太阳辐射强度、办公建筑内空调的实际功率负荷值、动力设备实际功率负荷值、特种设备实际功率负荷值和照明插座实际功率负荷值输入本技术公开的办公建筑能耗组合预测模型建立方法得到的办公建筑能耗组合预测模型，获得待预测时刻的办公建筑能耗的日负荷值。

21、一种办公建筑能耗组合预测系统，包括数据采集模块、核心运算模块和输出显示模块；

22、的数据采集模块用于采集并预处理历史环境数据、测量日负荷数据和待预测时刻的环境数据，包括检测输入模块和手动输入模块；

23、检测输入模块用于采集测量日前k天中每个时刻的室外干球温度、相对湿度、风速以及太阳辐射强度，测量日负荷数据包括测量日前k天中每个时刻的办公建筑内空调的实际功率负荷值、动力设备实际功率负荷值、特种设备实际功率负荷值、照明插座实际功率负荷值，的手动输入模块用于采集建筑的基本参数、楼层高度、室内人员密度、窗墙比等，其中，k为正整数；

24、手动输入模块针对不同的建筑物使用对象，向单片机键入不同的楼层高度、室内人员密度、窗墙比来进行建筑能耗预测；

25、核心运算模块用于建立建筑能耗的基础预测模型和动态残差预测模型，的动态残差预测模型包括多个子模型，将历史环境数据作为训练集，将测量日负荷数据作为标签集分别训练elm神经网络和残差网络，将训练好的elm神经网络和残差网络作为办公建筑能耗组合预测模型；

26、其中，每次训练迭代时，的建筑能耗的基础预测模型首先输出的是前一时刻建筑能耗待修正预测值，根据前一时刻建筑能耗待修正预测值获取建筑能耗预测残差值，建筑能耗预测残差值为前一时刻建筑能耗待修正预测值和测量日负荷数据之差；将建筑能耗预测残差值输入动态残差预测模型，动态残差预测模型中的每个子模型分别输出各自对建筑能耗的基础预测模型残差的预测值，获取每个子模型的残差值，每个子模型的预测残差值为每个子模型输出的建筑能耗的基础预测模型残差的预测值和每个子模型的残差值之差；选择预测残差值最小的n个子模型通过pso算法进行权重分配，得到修正残差值；其中，n取2、3或4；将建筑能耗的基础预测模型的前一时刻建筑能耗待修正预测值减去修正残差值，得到待预测时刻的建筑能耗预测值，然后进行下一次训练迭代；

27、输出显示模块用于获得核心运算模块输出的待预测时刻的建筑能耗预测值。

28、优选的，残差网络中的子模型包括lstm模型、svr模型、rfr模型和xgboost模型。

29、优选的，elm神经网络包括输入层、隐含层和输出层，各层之间全连接，隐含层与输出层之间有权值连接。

30、优选的，室内外温湿度传感器型号为htu21d(f)的数字温湿度传感器，太阳辐射传感器选择型号为s-ra-n01-jt的太阳辐射传感器，核心运算模块为stm32单片机，选择型号为stm32f4系列微控制器,输出显示模块为oled显示器。

31、本发明与现有技术相比具有以下技术特点：

32、(1)数据处理部分选用采用极限学习机elm算法建立模型，这一算法具备出色的非线性映射、自学习和自适应能力。这确保了在解决类似问题的模型建立过程中，算法能够灵活适应不同情境。与此同时，极限学习机算法由于不受局部损伤的影响，不会导致全局训练结果出现较大偏差，展现出较高的容错能力。在一定程度上，这也减轻了对输入数据准确性的要求，防止因传感系统采集的个别错误数据而影响整个模型的建立。

33、(2)根据动态残差修正的elm建筑能耗预测模型的特点，预测模型的准确性会随着数据量的不断积累而不断提高，该发明将会随着使用的时间增长而不断积累数据，使得建筑能耗的预测结果越发准确。

34、(3)相似功能型公共建筑会由于地方政策以及其用途而采用相似的建筑方法，当处于同一类地区时，根据同种算法建立的预测模型将会具有较高的普适性，故理论上该发明可适用于同一地区的所有同种类型的建筑。