基于贝叶斯自适应样条曲面和Cubist的建筑能耗混合建模方法

摘要

本发明涉及一种基于贝叶斯自适应样条曲面和Cubist(BASS‑CB)的建筑制冷能耗混合预测模型建立方法。包括如下步骤：1)模型输入参数获取；2)创建建筑基本能耗模型；3)基础数据集的生成；4)数据预处理和时间序列加法分解；5)建立BASS‑CB混合滞后模型；6)模型性能评估。本发明不但可以进行建筑特征参数的敏感性分析和不确定分析，而且可以在新建筑设计与旧建筑改造阶段为建筑工程师提供有效指导，从而降低建筑能耗。

说明书

技术领域

本发明涉及建筑能耗模拟领域，特别涉及一种基于贝叶斯自适应样条曲面和Cubist(BASS-CB)算法的建筑制冷能耗混合预测模型的建立。

背景技术

根据《中国建筑节能年度发展研究报告2022》可知，2020年建筑业终端用能占全国能耗的32％，建筑业二氧化碳排放占全国二氧化碳排放的32％，能耗和二氧化碳排放量增加会导致全球变暖等各种环境问题。精准的建筑能耗预测可以为新建筑设计与旧建筑改造提供合理指导，从而有效减少建筑用能与二氧化碳排放，因此精准建筑能耗预测模型的研究意义重大。

目前，建筑能耗预测方法包括物理方法和数据驱动方法。基于工程的物理方法需要大量输入数据，收集数据需要耗费大量人力物力，使用EnergyPlus、TRNSYS等软件进行能耗计算又非常耗时。而基于机器学习的数据驱动方法可以在较少数据量的情况下得到精确的能耗预测结果，并且计算快速。值得关注的是在建立机器学习模型进行预测时，尤其是对于短期能耗而言，考虑室外温度、人员在室率等有时间序列特征的参数的滞后效应，可以进一步提升模型精度。

因此，提出一种基于贝叶斯自适应样条曲面和Cubist(BASS-CB)算法的建筑制冷能耗混合预测模型，此模型考虑时间序列作用，使模型更加接近建筑运行实际情况，最终得到更精确的预测结果。

发明内容

本发明旨在弥补逐时能耗模型不考虑时间序列作用和模型精度较差的不足，提出一种新颖的基于BASS-CB的建模方法，该方法是一种强大的非参数回归建模方法，使用BASS-CB方法建立建筑逐时能耗混合预测模型，并且考虑时间序列作用。从而得到一个可以精准预测逐时办公建筑能耗的机器学习代理模型。

本发明解决其技术问题是通过以下技术方案实现的：

基于BASS-CB的建筑能耗混合预测模型建立方法，其包括如下步骤：

1)模型输入参数获取：根据国家建筑节能标准、建筑能耗预测领域文献和实地调研等方法，确定墙体U值、地板U值和制冷设定温度等静态参数以及室外温度、相对湿度和人员在室率等动态参数。

2)创建建筑基本能耗模型：使用步骤1)所确定的输入参数，结合SketchUp和EnergyPlus软件，建立一座四层办公建筑能耗基本模型。

3)基础数据集的生成：使用RStudio和EnergyPlus并行计算17个建筑能耗基本模型IDF文件，获得17组全年的逐时制冷能耗数据集。

4)数据预处理和时间序列加法分解：对步骤3)生成的17组逐时制冷能耗数据集预处理和分解，首先删除掉基础数据集中制冷能耗全天为0的数据，即删除非工作日数据；然后将随时间变化的动态参数进行滞后1-3小时处理；最后将处理后的数据按照时间序列加法分解为趋势项、季节项和随机项。

5)建立BASS-CB混合滞后模型：分别使用趋势项数据建立BASS模型和随机项建立CB模型，并考虑动态参数无滞后和滞后1-3小时。从而建立BASS-CB无滞后(BASS-CB-DL0)、BASS-CB滞后1小时(BASS-CB-DL1)、BASS-CB滞后2小时(BASS-CB-DL2)和BASS-CB滞后3小时(BASS-CB-DL3)四种机器学习模型。

6)模型性能评估：使用均方根误差(RMSE)、变异系数(CV-RMSE)、决定系数(R

本发明的优点和有益效益为：

1.本发明基于BASS-CB的建筑逐时制冷能耗混合模型开发，BASS-CB方法集合BASS和CB两种机器学习方法的特性，拥有灵活性、可伸缩性、可解释性和考虑输出能耗结果之间相关性的优点，这在其他非参数回归方法中是很难实现的。

2.本发明在建筑逐时能耗混合模型建立时考虑动态参数无滞后、滞后1-3小时作用。因为滞后效应在逐时能耗预测中是实际存在的，比如灯和设备等使用结束后需要时间冷却，并不可以骤然恢复到未使用时的状态，室外温度等气象参数同理，不会骤升和骤降。

3.本发明的实际作用不仅可以进行模型标定、参数不确定性和敏感性分析，而且可以为建筑领域的工程师进行新建筑设计以及旧建筑改造时提供有效指导。

附图说明

图1为本发明基于贝叶斯自适应样条曲面和Cubist(BASS-CB)算法的建筑逐时制冷能耗预测模型的建立基本流程图；

图2为四种BASS-CB混合模型预测建筑制冷逐时能耗的性能指标；

图3为四种BASS-CB混合模型预测建筑制冷逐时能耗的计算时间；

图4为四种BASS-CB混合模型建筑制冷逐时能耗预测值与真实值对比。

图2中(a)-(d)分别表示四种BASS-CB混合模型的均方根误差、变异系数、决定系数和平均绝对误差。图3为四种混合模型计算时间对比。图4选取的制冷设计日7月21号所在周逐时制冷能耗模型预测值与真实值对比，图例BASS_CB_DL0表示无滞后混合模型预测值，BASS_CB_DL1表示滞后1小时混合模型预测值，BASS_CB_DL2表示滞后2小时混合模型预测值，BASS_CB_DL3表示滞后3小时混合模型预测值，True_Value表示建筑逐时制冷能耗的真实值。

具体实施方式

下面通过具体实施例对本发明作进一步详述，以下实例只是描述性的，不是限定性的，不能以此限定本发明的保护范围。

一种基于BASS-CB的建筑能耗混合预测模型建立方法，其包括如下步骤：

1)模型输入参数获取：根据国家建筑节能标准、建筑能耗预测领域文献和实地调研等方法，确定墙体U值、地板U值和制冷设定温度等静态参数以及室外温度、相对湿度和人员在室率等动态参数。

本实例建筑能耗机器学习模型输入参数主要包括两部分：第一部分为能耗模型的静态参数，包括屋面、外窗、外墙和地板的传热系数等建筑围护结构参数，以及建筑内部暖通空调系统工作时间表和制冷设定温度。围护结构参数通过实地调研和查阅建筑能耗预测领域的文献获得，暖通空调参数主要参照国家公共建筑设计标准设定。第二部分为能耗模型的动态参数，包括模拟建筑所在地天津的室外干球温度、风速、相对湿度和太阳辐射强度等气象参数，以及人员在室率、灯和电气设备使用率等人行为参数。气象参数的具体数据在EnergyPlus官网下载获得，其中包含全年的气象数据，并有详细的设计日气象数据，人行为参数参照国家公共建筑设计标准。

2)创建建筑基本能耗模型：使用步骤1)所确定的输入参数，结合SketchUp和EnergyPlus软件，建立一座四层办公建筑能耗基本模型。

本实例首先使用SketchUp-2019中的插件OpenStudio-3.3.0程序，建立一座四层矩形办公建筑，窗墙比为0.4，建筑内部选择风机盘管、风冷式制冷机和燃气锅炉实现建筑的供暖、制冷和通风。接着该建筑模型以idf格式文件从SketchUp导出。最后在EnergyPlus-9.4中调用该idf文件，并加入建筑围护结构材料和天津的气象数据，进行计算得到建筑全年逐时制冷能耗，从而得到一个完整的建筑基本能耗模型。

3)基础数据集的生成：使用RStudio和EnergyPlus并行计算17个建筑能耗基本模型IDF文件，获得17组全年的逐时制冷能耗数据集。

本实例首先使用RStudio，按照步骤1)中的输入参数选定取值范围采用拉丁超立方抽样方法进行17次抽样。接着将此17次抽样结果依次导入到步骤2)的建筑能耗基本模型中，从而得到17个不同的建筑能耗模型。然后在R程序中使用bat格式的批量处理文件调用EnergyPlus进行并行计算，得到17组建筑逐时制冷能耗结果。最后将输入与输出数据整合，获得17组大小为2952*20全年逐时制冷能耗数据集。

4)数据预处理和时间序列加法分解：对步骤3)生成的17组逐时制冷能耗数据集进行预处理和分解，首先删除掉基础数据集中制冷能耗全天为0的数据，即删除非工作日数据；然后将随时间变化的动态参数进行滞后1-3小时处理；最后将处理后的数据按照时间序列加法分解为趋势项、季节项和随机项。

本实例首先采用两种方式进行数据预处理，第一种是因为暖通空调系统关闭时，无制冷能耗，所以删除暖通空调系统关闭时间段18：00-8：00的数据，为建立无滞后模型做准备。第二种是将全部动态参数滞后3小时处理，为建立分布滞后模型做准备。数据处理过程均在RStudio中进行，其中所使用的R程序包为dplyr和iForecast。接着采用时间序列加法模型将处理后的数据分解为季节项、趋势项和随机项，数据分解使用R程序中的stl函数完成，stl函数公式为：Y

5)建立BASS-CB混合滞后模型：分别使用趋势项数据建立BASS模型和随机项建立CB模型，并考虑动态参数无滞后和滞后1-3小时。从而建立BASS-CB无滞后(BASS-CB-DL0)、BASS-CB滞后1小时(BASS-CB-DL1)、BASS-CB滞后2小时(BASS-CB-DL2)和BASS-CB滞后3小时(BASS-CB-DL3)四种机器学习模型。

BASS算法使用数据学习一组依赖于数据的基函数，这些基函数是多项式样条曲线的张量积。其可以自适应地选择基函数的数量以及每个基函数中使用的节点和变量，适用于连续的大样本量数据。CB算法是集成学习Boosting的一种，是一种基于规则的算法，该算法中的叶子节点是一个多元线性回归模型而非单一数值。使用BASS算法建立趋势项模型，CB算法建立随机项模型，即组成BASS-CB混合预测模型，最后将季节项、趋势项和随机项相加得到能耗预测结果。

本实例中无滞后和分布滞后混合预测模型建立均是16组作为训练集，1组作为测试集。分别选取处理后的16组无滞后、滞后1小时、滞后2小时和滞后3小时的动态参数，并结合所有静态参数建立四种BASS-CB混合模型，模型超参数调整方式为网格搜素法。BASS-CB模型建立在R程序中完成，所使用的R程序包为bass和caret。

6)模型性能评估：使用均方根误差(RMSE)、变异系数(CV-RMSE)、决定系数(R

进行模型精度评估的性能指标为RMSE、CV-RMSE、R

本实例由RMSE、CV-RMSE、R

本发明虽然公开了实例和附图，但是本领域的技术人员可以理解：在不脱离本发明及所附权利要求的精神和范围内，各种替换、变化和修改都是可能的，因此，本发明的范围不局限于实施例和附图所公开的内容。