[发明专利]一种基于自动校准的建筑耗热量预测建模方法

权利要求书

1.一种基于自动校准的建筑耗热量预测建模方法，其特征在于，包括以下步骤：

S1：采集建筑逐时耗热量及其与耗热量相关的特征变量的原始数据；

S2：对采集到的原始数据进行数据预处理，包括异常值清洗和缺失值填补；

S3：对处理后的逐时耗热量数据进行K-means聚类分析，得到建筑物的几类典型用热模式；

S4：使用EnergyPlus软件对建筑物进行基本仿真模型构建；

S5：利用聚类得到的每一类典型用热模式中的耗热量数据，并结合粒子群优化算法对建筑基本仿真模型的配置参数进行自动校准；由此得到准确的建筑耗热量预测模型。

2.根据权利要求1所述基于自动校准的建筑耗热量预测建模方法，其特征在于，步骤S1中的特征变量包括逐时室外温度和逐时太阳辐射强度。

3.根据权利要求1所述基于自动校准的建筑耗热量预测建模方法，其特征在于，步骤S1中的所有原始数据以1小时为时间间隔进行采集，在每个采样点采集建筑耗热量及其相关特征变量数据。

4.根据权利要求1所述基于自动校准的建筑耗热量预测建模方法，其特征在于，步骤S2中的数据预处理包括异常值检测和清洗功能；采用Hampel滤波器检测和清洗异常值，该方法计算每一样本点及其周围2k个样本组成的移动窗口的中值，并使用中位数绝对偏差(MAD)计算每个样本关于其窗口中位数的标准偏差；如果样本与中位数的差异超过t个标准差，则将样本检测为异常值并去除。

5.根据权利要求1所述基于自动校准的建筑耗热量预测建模方法，其特征在于，步骤S2中的缺失值填补采用相似日数据的方法进行，将缺失数据位置前后时刻以及前后天相同时刻的4个数据取平均值，对该缺失数据进行填补。

6.根据权利要求1所述基于自动校准的建筑耗热量预测建模方法，其特征在于，步骤S3中，使用K-means对建筑逐时耗热量数据进行典型用热模式聚类；首先对每日逐时耗热量曲线进行归一化处理，然后使用K-means聚类算法对所有天的建筑耗热量曲线进行聚类，并使用Dunn指标来确定聚类中心的个数；进而得到该建筑物典型的用热模式特征。

7.根据权利要求1所述基于自动校准的建筑耗热量预测建模方法，其特征在于，步骤S4中的基本仿真模型由建筑基本调研信息构建，包括建筑几何尺寸，墙体、屋面、窗户的传热系数，照明、设备和人员密度以及时刻表。

8.根据权利要求1所述基于自动校准的建筑耗热量预测建模方法，其特征在于，步骤S5中使用粒子群优化算法对基本仿真模型中的配置参数进行自动校准，校准参数主要包括：建筑围护结构传热系数、设备和照明的功率密度以及人员密度；校准目标则为：在每一类典型模式下，基本仿真模型的建筑耗热量输出值与实际测量值的误差最小；最终获得准确的建筑耗热量预测模型。