[发明专利]基于数据前处理及小波分解的建筑空调负荷预测方法

说明书

本发明公开了一种基于数据前处理及小波分解的建筑空调负荷预测方法。可应用于建筑相关领域的科学研究和工程应用。该方法包括：对所有输入模型的数据进行规范化处理，获得原始数据集；对于影响负荷的内部变量和外部变量进行相关性分析，初步提取外部和内部变量之中的建筑空调负荷影响因素获得基础数据集；对基础数据集进行主成分分析，消除多重共线性，构成模型的最终输入；对于建筑空调负荷采用小波分解重构获得多频段负荷信号；采用多层感知神经网络针对不同负荷波段进行负荷预测；最后，将不同波段的负荷值组合，即得到建筑空调负荷的预测结果。本输入参数前处理方法可以增强负荷预测结果的准确性，并减少输入变量，加快预测模型的计算速度。

技术领域

本发明涉及一种建筑空调负荷预测方法，具体涉及一种基于数据前处理及小波分解的建 筑空调负荷预测方法。

背景技术

在目前，建筑能耗是非常值得关注的问题，建筑能耗约占社会总能耗的40％。在建筑物 的生命周期中，采暖，通风和空调系统占建筑总能耗的68％。暖通空调系统的高能耗可归因 于两个主要原因。一个是在部分负载工作条件下机组和泵的运行效率较低。另一个是在空调 系统中，流速过高导致的供应和返回冷冻水之间的温差很小。因此，只有采用合理的控制方 法才能够真正的提高空调系统的运行效率。

当前空调系统大多采用传统的反馈控制方法，基于用户侧的回水温度来调整系统。但是 由于建筑结构复杂，人员行为多变，反馈控制已经不再能满足人们的需求。通过预测未来时 刻的建筑物供暖负荷，可以实时的响应室内情况的变化，因此，建立精度较高的负荷预测模 型可以真正实现能源系统的实施调控，在节能的前提下，保证室内人员的热舒适。对于负荷 预测模型的建立，正确选择模型输入是准确进行预测的先决条件。目前的参数前处理方式仍 有一些缺点。一方面，变量的类型不足而且不全面，其中大多数是室外气象参数。建筑物的 制冷和供暖负荷受室内变量的影响，如人员在室率，也应进行分析和考虑。另一方面，在模 型输入的提取过程中，应强调外部和内部变量的潜在多重共线性。冗余或重复的模型输入参 数将影响预测模型的准确性和计算速度。

因此，采用合理的数据分析方式，对负荷预测模型的输入参数进行选择和筛选，改进目 前的参数处理方式，是提高负荷预测精度和计算速度亟待解决的关键问题。

发明内容

有鉴于此，本发明提供一种建筑空调负荷预测方法的模型输入参数选择及处理方式，以 解决上述至少一项技术问题。

基于以往的发明，本发明进行了以下改进：小波分解和重建算法用于对热负荷样本进行 多频分析；然后，选择影响因素。相关性分析用于初步提取外部和内部变量之间的建筑物加热 负荷的影响因素。主成分分析用于防止影响因素的多重共线性并构成预测模型的输入。考虑 到建筑物供暖负荷具有的非线性和随机性特征，选择多层感知神经网络建立供热负荷预测模 型。短期供热负荷预测模型可以帮助建筑管理人员提前获得每小时供暖需求，并优化安排暖 通空调系统的运行。超短期热负荷预测模型可用于预测可能发生的大负荷波动并用于改善暖 通系统的操作安全性。

本发明提出了一种基于数据前处理及小波分解的建筑空调负荷预测方法，包括以下步骤：

采用天气预报及气象站测试的方法获得影响建筑空调负荷的外部参数，通过测试获得影 响建筑空调负荷的内部因素及负荷历史变化数值，构成原始数据集；

对所有输入的数据进行预处理，使其无量纲化；

对经过预处理之后的建筑空调负荷序列进行离散小波分解；

对经过预处理之后的原始数据集进行相关性分析，剔除相关性较低的变量，得到基础数 据集；

对基础数据集进行主成分分析，融合基础数据集的影响因子，消除多重共线性，将线性 无关的新变量作为输入数据集；

将输入数据集输入多层感知神经网络，对每一个波段的负荷进行负荷预测；