[发明专利]基于设备和行为信息的商业办公楼精细化负荷预测方法

说明书

本发明涉及一种基于设备和行为信息的商业办公楼精细化负荷预测方法，其特征是：基于人员行为的负荷分类方法，根据各类负荷用能设施的机理与运行特性，采用非侵入式负荷监测和非侵入式负荷分解，建立商业办公楼宇用能设施的能耗模型，结合马尔可夫转移矩阵，模仿商业办公楼宇人员的用能行为，综合考虑自然环境、能源价格和建筑属性的影响因素。有益效果：本发明面向商业办公楼宇负荷，具备独立完成负荷预测的能力，可以提供全天每一时段精细化的负荷用能信息的基于设备和行为信息的商业办公楼精细化负荷预测方法，可为制定商业办公楼宇需求响应政策和能量管理策略提供可信的和精细化的数据来源。

技术领域

本发明属于建筑负荷监测技术领域，尤其涉及一种基于设备和行为信息的商业办公楼精细化负荷预测方法.

背景技术

近年来，化石能源的过度消费给我国能源的开发利用和环境保护带来了巨大压力。通过合理的政策引导，结合能源转化和替代技术创新，实现“节能减排”的目标迫在眉睫。可再生能源技术的利用对上述问题起到了积极的改善作用，然而随着可再生分布式能源的大批接入，终端能源消费环节对电力系统运行状态的影响越来越大。商业办公楼宇作为终端能源消费环节的重要组成部分，其负荷体量大，增长快，已逐渐成为城市中心地区的主要负荷。同时商业办公楼宇的电气设备有良好的通信、控制硬件基础，具有很强的需求响应能力，相较于受到工艺限制的产业类负荷，商业办公负荷更具有“节能减排”挖掘潜力。鉴于商业办公楼宇负荷种类繁多，人员行为复杂，建立商业办公楼宇精细化负荷预测模型可为分析商业办公楼宇需求响应和能量管理提供支撑，合理化引导其用能行为，完成“节能减排”指标。

目前对于商业办公负荷建模与预测方面的研究主要采用2种方法。一种是采用以历史数据结合机器学习为代表的数据挖掘方法。另一种是通过分析负荷用能设备的运行特性，结合人员的行为特征实现负荷预测，通常采用从下到上和从上到下两种基本措施。其中，从下到上方法则是考虑环境条件、建筑性能、设备运行等因素，对较小区域内的能耗情况进行评估，再进行放大；从上到下方法考虑宏观经济参数、气象条件、建筑属性等因素，评估较大区域内的能耗，再对评估区域进行细化。例如：申请公布号为CN 108870671 A的专利文献公开一种适用于建筑规划阶段的空调负荷预测计算方法，包括如下步骤：1)计算墙体及屋顶的总负荷；2)计算窗的总负荷；3)计算总灯光负荷；4)计算总人员负荷；5)计算总设备负荷；6)计算新风负荷；7)计算热负荷；8)计算冷负荷。本发明基于辐射时间序列的原理出发，对规划阶段的建筑负荷进行预测，将辐射时间序列的原理应用于空调负荷计算的方法，无须传递函数法(TFM)所必须的迭代计算过程，关键在于将围护结构的传热的热量，利用辐射时间系数将辐射得热的部分转化为房间逐时冷，热负荷，计算简便而精确。申请公布号为CN 111563610 A的专利文献公开了一种基于LSTM神经网络的建筑物电负荷综合预测方法及系统，获取典型建筑物的负荷数据、天气参数以及建筑物数据并进行归一化处理；建立LSTM神经网络的电负荷预测模型，选择相似典型日的数据作为训练样本，训练数据包括训练日的天气因素、建筑物类型数据、负荷数据，在训练过程中以电负荷的误差最小为目标进行训练获得LSTM神经网络模型参数；输入待测建筑物的建筑物数据至训练好的LSTM神经网络的电负荷预测模型后，获得建筑物对应的典型日负荷曲线、月负荷曲线和年负荷曲线。

然而，现有研究存在以下问题：第一，数据挖掘的预测方法考虑的都是诸如气象条件、能源价格等外部因素，虽可为负荷预测提供技术支撑，由于缺乏设备的细致建模和对行为因素的考虑，预测精度有限；尤其对于规划初期缺少相关数据的地区，该方法的实施难度很大。第二，目前设备和行为信息相结合的预测方法大多只建立了部分典型设备用能模型，未考虑人员行为与用能需求之间的关系以及负荷的时空分布，难以支撑考虑全局终端设备和人员用能行为特性的负荷预测建模及分析。

发明内容