数据驱动的建筑使用能耗预测及其应用研究

发布时间：2020-09-28 16:47

　　建筑能耗是当今我国三大能耗大户之一,为了缓解能源消耗压力,建筑节能具有重要的现实意义。建筑节能的关键在于对建筑能耗进行预测,建筑能耗预测能够分析建筑物的节能潜力,指导未来能源的使用,与此同时,还能够提高建筑能耗设备的使用效率。在建筑总能耗中,空调系统的能耗占据了很大的比例,因此对空调节能能够很大程度上减少建筑的总能耗。目前空调系统的故障引起的能耗占据了空调系统总能耗的50%,并且空调故障常常发现的不够及时,因此能够及时的发现故障可以使得空调系统正常稳定的运行,并且达到空调节能的目的。本文围绕建筑能耗预测及其应用展开研究,主要内容分为两大块,第一大块是对目前存在的预测方法进行研究,并且针对其中的不足进行改进,验证其改进算法的预测效果;第二大块是在第一块所提出的新的算法基础上,将该新算法应用到了具体领域,验证该算法应用的可行性。具体研究内容如下:(1)作为经典的数据驱动方法,支持向量机(SVM)广泛应用于建筑能耗预测领域。本文针对支持向量机的参数选择问题,使用了交叉验证、遗传算法(GA)和粒子群(PSO)方法建立了建筑能耗预测模型。利用某电梯公司和气象网站的数据进行验证实验,输入变量为每日的最大太阳辐射照度、平均风速和平均湿度以及前两日的电能耗数据,输出变量为当天的电能耗数据。构建了三种预测模型并对建立模型的预测结果进行了对比,结果显示PSO-SVM所建立的模型在预测精度、建模时间上均优于GA-SVM,且预测精度远远高于SVM,体现了该算法的优越性。(2)由于PSO存在寻优速度慢等问题,本文提出了一种改进的PSO算法(SFPSO),该方法是在惯性权重正弦调整的粒子群算法(SPSO)的基础上进行优化,将其中的正弦函数周期调整为原来的1/5,使得粒子所搜索的范围更为精确,寻优性能更好。基准测试函数的计算结果也表明了SFPSO的全局搜索能力较好以及收敛速度较快。本文运用了SFPSO算法优化支持向量机SVM的惩罚因子C和核函数参数g,构建了基于SFPSO-SVM建筑能耗预测模型。仿真结果证明了该优化算法的预测精度高,且建模时间与单一的SVM接近,证明了该模型的预测效率也比PSO-SVM有所提升。(3)本文将能耗预测方法应用于空调设备的故障检测领域。研究的数据采用了电梯公司办公建筑中的某办公区域夏季制冷工况下的变风量空调系统的运行能耗数据,包括了三组,其中两组为无故障状态下的运行数据,用来训练和验证SFPSO-SVM模型;第三组数据为含有故障的运行数据集,用来检验SFPSO-SVM在空调故障检测领域的适用性。采用了统计量滑动残差平均值和滑动残差均方根作为评判指标,并且还采用了将两种滑动指标结合的故障预知量对故障进行检测,通过对故障预知量分析来检验几种不同算法的故障检测能力,结果证明了SFPSO-SVM具有较好的模型精度和故障检测能力,具有实际应用价值。
【学位单位】：苏州科技大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：TU111.195;TP18
【部分图文】：

流程图,遗传算法,流程图,核函数

图 2-1 遗传算法流程图本思路进的支持向量机算法，通过遗传算法优化支化的支持向量机建筑能耗预测模型。利用二进行遗传编码，并且将搜索得到的最优惩罚型参数。具体步骤如下:罚因子 C 和核函数参数 g 的优化问题比较子和核函数宽度参数。本章选用二进制方法获得所需要的最优值，选择了较大的取值范设计色体对应的惩罚因子 C 和核函数参数 g 来型对验证数据进行计算，把预测值与原始值

算法流程图,粒子

图 2-2 GA-SVM 算法流程图粒子群算法1 粒子群算法基本理论PSO 优化算法[41][42]与遗传算法类似，都属于仿生算法，PSO 算法模仿的是寻找的鸟类群体行为特征。粒子代表了问题的潜在解，粒子的行为特征是通过运动中的粒子的速度和位置来表示，根据适应度函数计算公式计算出每个粒子适应的大小来判断粒子的好坏。在进粒子优化过程中，通过分析个体机制（Pbest）体机制（Gbest）的大小连续矫正个体的位置。个体极值是指个体在整个位置的过程中粒子达到最优位置时所对应的适应度值，群体极值是指整个种群中的所体达到最优位置时所对应的适应度值，粒子每一个时刻所处的位置都对应一个度值，根据个体极值与群体极值的大小来不断矫正个体所处的位置，直到找到

流程图,粒子群算法,流程图,硕士论文

大学硕士论文第二章优位置；5）根据公式更新粒子速度和位置；6）判断是否满足终止条件，若满足，则停止运算，否则返回第二步重PSO 算法流程图如图 5.1 所示：

【参考文献】