高校区域建筑碳排放预测方法、装置及电子设备

本发明属于碳排放预测，尤其涉及一种高校区域建筑碳排放预测方法、装置及电子设备。

背景技术：

1、近年来自然环境及社会环境问题日益严重，可持续发展的需求越来越迫切，同时建筑能源需求服务也在不断增长。

2、目前，中国高校数量近2000余所，拥有巨大的建筑存量，由于高校建筑具有科研、住宿、办公等特殊的使用类型，因此高校学生的人均能耗是全国居民的人均能耗的四倍。但由于高校具有较高素质的教师和学生，他们拥有相对较强的节能意识，故高校建筑节能潜力大。通过对高校建筑进行能耗预测，能够为建立合理的建筑能源规划策略，提高建筑能源的使用效率，节约资源，达到可持续发展提供依据。

3、近年来，大量研究者致力于建筑能耗预测领域的研究，在能耗预测方面也取得了显著的成果，其中数据驱动技术由于提供了更高的预测精度和更低的计算难度得到广泛应用。然而，高校建筑具有分布范围广、建筑功能多样、建筑能耗季节性强、各建筑碳排放情况复杂、建筑碳排放数据有限等特点，建筑碳排放作为典型的时间序列数据，随机性强，其变化趋势易受多种因素的影响。如何可靠且准确的预测高校建筑的碳排放，是一个难点。

技术实现思路

1、有鉴于此，本发明实施例提供了一种高校区域建筑碳排放预测方法、装置及电子设备，旨在根据高校区域建筑的特点，有效利用数据驱动方法，在数据量有限情况下，对碳排放进行准确预测。

2、第一方面，本发明实施例提供了一种高校区域建筑碳排放预测方法，包括：

3、获取高校区域内各建筑的历史碳排放数据；

4、按使用功能对各建筑进行初步分类；

5、根据所述历史碳排放数据，对每个类型中的建筑进行筛选，剔除碳排放相关性差的建筑；

6、建立每个类型对应的区域碳排放模型，分别对每个类型中建筑的碳排放区域总量进行预测，将各个类型对应的碳排放区域总量加权后得到所述高校区域的建筑碳排放预测值。

7、结合第一方面，在第一方面的一种可能的实现方式中，所述获取高校区域内各建筑的历史碳排放数据，包括：

8、获取高校区域内各建筑的历史能耗数据并进行预处理；

9、根据预处理后的历史能耗数据，计算各建筑的历史碳排放数据。

10、结合第一方面，在第一方面的一种可能的实现方式中，所述按使用功能对各建筑进行初步分类，包括：

11、通过各建筑的名称，识别各建筑的使用功能并进行分类；

12、对于无法识别的建筑，从已识别出的类型中，确定相对碳排放水平最大的类型作为目标类型，将无法识别的建筑划分到所述目标类型中。

13、结合第一方面，在第一方面的一种可能的实现方式中，所述根据所述历史碳排放数据，对每个类型中的建筑进行筛选，剔除碳排放相关性差的建筑，包括：

14、根据预设公式计算各个建筑与所属类型的碳排放关联系数；

15、将关联系数小于预设阈值的建筑作为碳排放相关性差的建筑剔除。

16、结合第一方面，在第一方面的一种可能的实现方式中，所述预设公式为：

17、

18、其中，bccfk,j为k类型的j建筑的碳排放关联系数；ceii,j为k类型的j建筑在i时间点的碳排放量；为k类型的j建筑的碳排放量样本均值；ceii,k为k类型建筑在i时间点的碳排放区域总量；ceik为k类型建筑的碳排放区域总量样本均值；n为样本点的数量。

19、结合第一方面，在第一方面的一种可能的实现方式中，所述建立每个类型对应的区域碳排放模型，包括：

20、对于每个类型，计算该类型建筑的碳排放区域总量历史数据，得到该类型对应的模型训练数据集；

21、根据所述模型训练数据集，训练至少一种区域碳排放模型；

22、从所述至少一种区域碳排放模型中，选取预测精度最高的区域碳排放模型，作为该类型对应的区域碳排放模型。

23、结合第一方面，在第一方面的一种可能的实现方式中，从所述至少一种区域碳排放模型中，选取预测精度最高的区域碳排放模型，作为该类型对应的区域碳排放模型，包括：

24、计算每个区域碳排放模型的百分比误差、均方根误差和平均绝对误差；

25、根据所述百分比误差、所述均方根误差和所述平均绝对误差，确定每个区域碳排放模型的预测精度；

26、选取预测精度最高的区域碳排放模型，作为该类型对应的区域碳排放模型。

27、第二方面，本发明实施例提供了一种高校区域建筑碳排放预测装置，包括：

28、获取模块，用于获取高校区域内各建筑的历史碳排放数据；

29、分类模块，用于按使用功能对各建筑进行初步分类；

30、筛选模块，用于根据所述历史碳排放数据，对每个类型中的建筑进行筛选，剔除碳排放相关性差的建筑；

31、预测模块，用于建立每个类型对应的区域碳排放模型，分别对每个类型中建筑的碳排放区域总量进行预测，将各个类型对应的碳排放区域总量加权后得到所述高校区域的建筑碳排放预测值。

32、结合第二方面，在第二方面的一种可能的实现方式中，所述获取模块具体用于：

33、获取高校区域内各建筑的历史能耗数据并进行预处理；

34、根据预处理后的历史能耗数据，计算各建筑的历史碳排放数据。

35、结合第二方面，在第二方面的一种可能的实现方式中，所述分类模块具体用于：

36、通过各建筑的名称，识别各建筑的使用功能并进行分类；

37、对于无法识别的建筑，从已识别出的类型中，确定相对碳排放水平最大的类型作为目标类型，将无法识别的建筑划分到所述目标类型中。

38、结合第二方面，在第二方面的一种可能的实现方式中，所述筛选模块具体用于：

39、根据预设公式计算各个建筑与所属类型的碳排放关联系数；

40、将关联系数小于预设阈值的建筑作为碳排放相关性差的建筑剔除。

41、结合第一方面，在第一方面的一种可能的实现方式中，所述预设公式为：

42、

43、其中，bccfk,j为k类型的j建筑的碳排放关联系数；ceii,j为k类型的j建筑在i时间点的碳排放量；为k类型的j建筑的碳排放量样本均值；ceii,k为k类型建筑在i时间点的碳排放区域总量；ceik为k类型建筑的碳排放区域总量样本均值；n为样本点的数量。

44、结合第二方面，在第二方面的一种可能的实现方式中，所述预测模块具体用于：

45、对于每个类型，计算该类型建筑的碳排放区域总量历史数据，得到该类型对应的模型训练数据集；

46、根据所述模型训练数据集，训练至少一种区域碳排放模型；

47、从所述至少一种区域碳排放模型中，选取预测精度最高的区域碳排放模型，作为该类型对应的区域碳排放模型。

48、结合第二方面，在第二方面的一种可能的实现方式中，所述预测模块具体用于：

49、计算每个区域碳排放模型的百分比误差、均方根误差和平均绝对误差；

50、根据所述百分比误差、所述均方根误差和所述平均绝对误差，确定每个区域碳排放模型的预测精度；

51、选取预测精度最高的区域碳排放模型，作为该类型对应的区域碳排放模型。

52、第三方面，本发明实施例提供了一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述第一方面或第一方面的任意一项实现方式中的方法的步骤。

53、第四方面，本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述第一方面或第一方面的任意一项实现方式中的方法的步骤。

54、本发明实施例与现有技术相比存在的有益效果是：

55、本发明实施例首先按使用功能对各建筑进行初步分类，然后根据历史碳排放数据，对每个类型中的建筑进行筛选，剔除碳排放相关性差的建筑。这可以提高建筑分类的合理性和建筑碳排放之间的关联性，更加适用于仅有少量数据量情况下对建筑碳排放的准确预测。最后，通过建立每个类型对应的区域碳排放模型，分别对每个类型中建筑的碳排放区域总量进行预测，将各个类型对应的碳排放区域总量加权后得到高校区域的建筑碳排放预测值。本方法提高了高校区域建筑碳排放预测的准确性，其预测值也更具代表性，可为高校区域建筑碳排放预测提供可靠的参考。