[发明专利]一种基于自动校准的建筑耗热量预测建模方法

说明书

本发明公开一种基于自动校准的建筑耗热量预测建模方法，包括如下步骤：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个典型用热模式中的耗热量数据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。本发明可以有效提高建筑耗热量仿真模型的精度。

技术领域

本发明涉及建筑耗热量预测建模领域，特别是涉及一种基于自动校准的建筑耗热量预测建模方法。

技术背景

当前，建筑的能耗模拟软件已被广泛用于建筑节能方案设计、节能改造和优化运行等方面。但是却经常面临一个严重问题，即建筑能耗模拟结果与实际相差甚远，这极大影响了建筑能耗软件的应用范围，限制了其在建筑领域深化的能力。因此，应积极探索提升建筑能耗模型准确性的技术路线。

建筑耗热量仿真模型配置参数设置的准确与否直接决定了该仿真模型是否能够输出符合建筑实际特性的结果。因此，提高模型配置参数的准确性是提升建筑耗热量仿真模型准确性的一个主要技术路线。然而，准确的配置参数在实际中很难准确获取，例如建筑围护结构的传热系数，一方面设计资料跟实际施工过程导致的结果会有一定的偏差，仅根据设计资料难以获取准确值。另一方面，由于建筑是一个整体，仅通过单点测试也很难获得表征整个建筑的热工性能数据。而根据建筑运行耗热量数据对仿真模型配置参数进行反向校准，利用智能优化算法来准确辨识仿真模型的配置参数，进而提高建筑耗热量仿真模型的精度，是一种可行的技术路线。

发明内容

基于上述技术背景，本发明提出一种基于自动校准的建筑耗热量预测建模方法，用来提升建筑逐时耗热量预测模型的精度。

本发明采用如下的技术方案具体实现：

本发明提出一种基于自动校准的建筑耗热量预测建模方法，该方法包括以下步骤：

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。

进一步的，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。

进一步的，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。

进一步的，步骤S2中的数据预处理包括异常值检测和清洗功能。主要采用Hampel滤波器来检测和清洗异常值。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，则将其检测为异常值并去除。其中，k值取12。t取值为3。

进一步的，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。

进一步的，在步骤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。