一种用于近零能耗建筑的能耗预测方法及系统

摘要

本发明提供一种用于近零能耗建筑的能耗预测方法及装置。所述方法包括以下步骤：基于待预测建筑的具体结构尽可能多地确定影响建筑能耗的因素；基于相关性对所述因素进行筛选，得到对建筑能耗影响最显著的N个因素；建立以所述N个因素为输入变量以建筑能耗为输出变量的预测模型，利用训练好的预测模型对建筑能耗进行预测。本发明通过基于相关性对影响建筑能耗的因素进行筛选，将对建筑能耗影响最显著的N个因素作为预测模型的输入变量，大大提高了预测模型的预测精度。

说明书

技术领域

本发明属于建筑能耗测控技术领域，具体涉及一种用于近零能耗建筑的能耗预测方法及系统。

背景技术

建筑能耗的概念包括建筑和能耗两个方面的内涵。所谓建筑能耗，一般有广义和狭义之分。广义建筑能耗是指从建筑材料制造、建筑施工，一直到建筑使用的全过程能耗；狭义的建筑能耗，即建筑的运行能耗，就是人们日常用能，如采暖、空调、照明、炊事、洗衣等的能耗。为了降低建筑能耗，人们提出了近零能耗建筑的概念。

近零能耗建筑，无疑就是要做到“低能耗”、“高能效”。对建筑能耗进行准确预测并采取相应管控措施是降低建筑能耗、提高节能率的关键。为此，本发明提出一种用于近零能耗建筑的能耗预测方法及系统。

发明内容

为了解决现有技术中存在的上述问题，本发明提供一种用于近零能耗建筑的能耗预测方法及系统。

为了实现上述目的，本发明采用以下技术方案。

第一方面，本发明提供一种用于近零能耗建筑的能耗预测方法，包括以下步骤：

基于待预测建筑的具体结构尽可能多地确定影响建筑能耗的因素；

基于相关性对所述因素进行筛选，得到对建筑能耗影响最显著的N个因素；

建立以所述N个因素为输入变量以建筑能耗为输出变量的预测模型，利用训练好的预测模型对建筑能耗进行预测。

进一步地，影响建筑能耗的因素至少包括：外墙传热系数，内墙传热系数，外窗传热系数，外窗太阳吸热系数，南向窗墙面积比，北向窗墙面积比，东西向窗墙面积比。

进一步地，所述基于相关性对所述因素进行筛选，包括：

基于历史数据得到与每种因素和建筑能耗对应的样本数据组X

计算X

筛选出排在最前面的N个因素。

更进一步地，所述基于相关性对所述因素进行筛选，还包括：

计算所述N个因素中任意两个因素的样本数据组X

更进一步地，X

式中，R

进一步地，所述预测模型为多元线性回归模型或人工神经网络模型。

进一步地，所述方法还包括：对所述预测模型的预测精度进行显著性检验，如果检验合格，表明预测精度满足要求；否则预测精度不满足要求，对所述预测模型进行优化。

更进一步地，对所述预测模型进行优化的方法包括：

对所述预测模型的任意两个或两个以上的输入变量进行组合，得到新的输入变量；所述组合包括线性组合和非线性组合；

对所有输入变量基于相关性进行筛选，得到对建筑能耗影响最显著的M个输入变量；

将所述预测模型的输入变量更新为所述M个输入变量，并对更新后的预测模型重新进行训练。

更进一步地，对任意两个输入变量进行组合的方法包括：

将输入变量X

计算k取不同值时组合变量X与输出Y的相关系数R

将k

第二方面，本发明提供一种用于近零能耗建筑的能耗预测系统，包括：

因素确定模块，用于基于待预测建筑的具体结构尽可能多地确定影响建筑能耗的因素；

因素筛选模块，用于基于相关性对所述因素进行筛选，得到对建筑能耗影响最显著的N个因素；

能耗预测模块，用于建立以所述N个因素为输入变量以建筑能耗为输出变量的预测模型，利用训练好的预测模型对建筑能耗进行预测。

与现有技术相比，本发明具有以下有益效果。

本发明通过基于待预测建筑的具体结构尽可能多地确定影响建筑能耗的因素，基于相关性对所述因素进行筛选，得到对建筑能耗影响最显著的N个因素，建立以所述N个因素为输入变量以建筑能耗为输出变量的预测模型，利用训练好的预测模型对建筑能耗进行预测，实现了近零能耗建筑能耗的自动预测。本发明通过基于相关性对影响建筑能耗的因素进行筛选，将对建筑能耗影响最显著的N个因素作为预测模型的输入变量，大大提高了预测模型的预测精度。

附图说明

图1为本发明实施例一种用于近零能耗建筑的能耗预测方法的流程图。

图2为本发明实施例一种用于近零能耗建筑的能耗预测系统的方框图。

具体实施方式

为使本发明的目的、技术方案及优点更加清楚、明白，以下结合附图及具体实施方式对本发明作进一步说明。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

图1为本发明实施例一种用于近零能耗建筑的能耗预测方法的流程图，包括以下步骤：

步骤101，基于待预测建筑的具体结构尽可能多地确定影响建筑能耗的因素；

步骤102，基于相关性对所述因素进行筛选，得到对建筑能耗影响最显著的N个因素；

步骤103，建立以所述N个因素为输入变量以建筑能耗为输出变量的预测模型，利用训练好的预测模型对建筑能耗进行预测。

本实施例中，步骤101主要用于确定影响建筑能耗的各种因素。本实施例是通过建立预测模型对建筑能耗进行预测，而建立有效的预测模型的关键是正确选择预测模型的输入变量，也就是选择对预测模型的输出即建筑能耗影响最显著的几个影响因素作为其输入变量。因此，要正确选择输入变量，需要先尽量全面、尽量多地列出对建筑能耗有影响的各种因素，以免遗漏有些看似影响小实际上影响明显的因素。也就是说在步骤101的影响因素初步选择阶段，以“多而全”为原则，“宁可错选一千也不放过一个”，因为后面的步骤102还要对列出的所有因素进行严格筛选，滤除影响不显著的因素。

不同的建筑结构影响建筑能耗的因素也不同，相同的因素影响程度也不同。例如，申请号为202111604996.3的发明专利“一种基于数据驱动的楼宇供热负荷预测方法、装置与设备”。其中的预测模型将楼宇建筑等效热损失系数和楼宇透明围护结构面积占比作为输入变量；而窦宝月的硕士学位论文“近零能耗居住建筑能耗影响因素及预测模型研究”(2015)中建立的预测模型，其输入变量则包括外墙传热系数、内墙传热系数、外窗传热系数等。另外，所述因素除了与建筑结构相关的参数，还可以考虑环境因素和人为因素(例如前述发明专利)。因此，本实施例对具体的影响因素不作限制。

本实施例中，步骤102主要用于对步骤101得到的各种影响因素进行筛选。如前述，对各种影响因素进行筛选的目的是为了确定有效的预测模型输入变量；另外，进行因素筛选的另一目的是减少输入变量的个数，因为预测模型的输入变量较多时，不仅会使预测模型变得复杂，而且计算量还会迅速增加，严重影响运行速度。本实施例根据各种因素与建筑能耗的相关性判断各种因素对建筑能耗的影响程度。所述相关性越强，影响越显著。可用相关系数表示相关性大小，相关系数的绝对值越大，表示相关程度越高。相关系数为正数时，为正相关，即输入越大输出也越大；相关系数为负数时，为负相关，即输入越大输出反而越小。相关系数的绝对值与影响程度关系为：0.8-1.0为极强相关，0.6-0.8为强相关，0.4-0.6为中等程度相关，0.2-0.4为弱相关，0.0-0.2为极弱相关或无相关。

本实施例中，步骤103主要用于对建筑能耗进行预测。本实施例利用训练好的预测模型进行建筑能耗预测。所述预测模型的输入变量就是前面筛选出的对建筑能耗影响最显著的几个因素，输出变量为建筑能耗。建筑能耗可以是总能耗，也可以是空调能耗(更容易验证)。预测模型训练需要基于历史数据构建训练数据集。如果搜集历史数据构比较困难，可利用现有的建模软件(Dest软件)进行仿真计算补充训练数据。预测模型训练好后，将输入变量的值输入预测模型，预测模型的输出就是建筑能耗。

作为一可选实施例，影响建筑能耗的因素至少包括：外墙传热系数，内墙传热系数，外窗传热系数，外窗太阳吸热系数，南向窗墙面积比，北向窗墙面积比，东西向窗墙面积比。

本实施例给出了影响建筑能耗的几种因素。如前述，不同的建筑结构影响建筑能耗的因素也不同；而不能气候条件的地区建筑风格也明显不同，比如南北方的建筑结构区别就比较明显。本实施例给出的几种影响因素适合北方寒冷地区的楼房建筑。近零能耗建筑的主体结构一般采用钢框架+现浇聚苯颗粒泡沫混凝土墙体，采用较好的外围护结构保温技术措施。采用高性能围护结构保温体系，可使建筑围护结构传热系数控制的很低。建筑外围护结构的传热性能直接影响着建筑的采暖空调能耗，因此，建筑的保温隔热性能是降低建筑能耗至关重要的因素。建筑的外围护结构主要是指建筑外墙、屋顶、门窗等，它们相互影响、相互制约。结合外围护结构保温技术措施，本实施例给出了对建筑能耗影响比较显著的几种因素，包括内、外墙传热系数，外窗传热系数，外窗太阳吸热系数，各向(南向、北向和东西向)的窗墙面积比。

作为一可选实施例，所述基于相关性对所述因素进行筛选，包括：

基于历史数据得到与每种因素和建筑能耗对应的样本数据组X

计算X

筛选出排在最前面的N个因素。

本实施例给出了基于相关性对影响因素进行筛选的一种技术方案。本实施例进行影响因素筛选的技术原理是：与建筑能耗相关性越强的因素对建筑能耗的影响越显著。因此，只需计算出每种影响因素与建筑能耗的相关系数，然后按相关系数从大到小的顺序对影响因素排序，选取排在最前面的N个影响因素，即未完成了基于相关性对影响因素的筛选。N的大小根据经验确定，既不能太大，也不能太小。

作为一可选实施例，所述基于相关性对所述因素进行筛选，还包括：

计算所述N个因素中任意两个因素的样本数据组X

本实施例是在上一实施例基础上的进一步筛选。上一实施例筛选出的影响因素，虽然都是对建筑能耗影响比较显著的因素，但没有考虑筛选出的影响因素之间的相关性。如果几个影响因素之间的相关性较大，那么它们的影响效果近似，可只采用其中的一个影响因素代替其它影响因素，也就是可只保留其中的一个影响因素作为预测模型的输入变量，从而进一步简化预测模型。当然，保留的一个影响因素应该是与建筑能耗相关性最强的一个，即排在最前面的一个。具体的筛选方法如上，这里不再赘述。

作为一可选实施例，X

式中，R

本实施例给出了计算相关系数的一种技术方案。本实施例采用皮尔逊相关系数(Pearson correlation coefficient)计算X

作为一可选实施例，所述预测模型为多元线性回归模型或人工神经网络模型。

本实施例给出了两种可用的预测模型结构。回归分析指的是通过大量的观测数据，确定目标函数与各影响因素之间相互依赖的定量关系的一种统计分析方法。根据影响因素的个数，可以分为一元回归和多元回归；根据目标函数与影响因素之间的关系，可以分为线性回归和非线性回归。因此可有多元线性回归模型和多元非线性回归模型。回归分析一般采用最小二乘法，就是使含有随机误差的各实测值与回归值的偏差平方和达到最小。人工神经网络ANN是从信息处理角度对人脑神经元网络进行抽象，建立某种简单模型，按不同的连接方式组成不同的网络。在工程与学术界也常直接简称为神经网络或类神经网络。神经网络是一种运算模型，由大量的节点之间相互联接构成。每个节点代表一种特定的输出函数，称为激励函数。每两个节点间的连接都代表一个对于通过该连接信号的加权值，称之为权重，这相当于人工神经网络的记忆。网络的输出则依网络的连接方式，权重值和激励函数的不同而不同。而网络自身通常都是对自然界某种算法或者函数的逼近，也可能是对一种逻辑策略的表达。人工神经网络与多元线性(或非线性)回归模型相比，结构更复杂，计算量更大，但精度也更高。

作为一可选实施例，所述方法还包括：对所述预测模型的预测精度进行显著性检验，如果检验合格，表明预测精度满足要求；否则预测精度不满足要求，对所述预测模型进行优化。

本实施例给出了对预测模型进行检验的一种技术方案。预测模型训练好后还需要进行显著性检验，验证预测模型是否满足要求。本实施例的显著性水平取0.05。如果检验结果为不满足要求，则需要对预测模型进行进一步优化。

作为一可选实施例，对所述预测模型进行优化的方法包括：

对所述预测模型的任意两个或两个以上的输入变量进行组合，得到新的输入变量；所述组合包括线性组合和非线性组合；

对所有输入变量基于相关性进行筛选，得到对建筑能耗影响最显著的M个输入变量；

将所述预测模型的输入变量更新为所述M个输入变量，并对更新后的预测模型重新进行训练。

本实施例给出了对预测模型进一步优化的一种技术方案。实践表明，在建模过程中有时很难找到对预测结果影响非常显著的因素，导致预测模型的预测精度不能满足要求。发明人经反复实验发现，将一些影响因素单独作为预测模型的输入变量，很难得到高精度的预测模型；但将一些影响因素进行组合后得到的新变量却能产生意想不到的效果——对预测结果影响的显著性明显高于组合前的单一因素。本实施例就是基于这一发现对待优化的预测模型的输入变量进行组合(可以是任意组合方式)，得到众多的新变量，然后基于相关性对这些新变量、原输入变量一起进行筛选，筛选出与建筑能耗相关性最强的几个变量作为预测模型的输入变量，并重新进行模型训练。当然，这种优化方法也可应用在步骤102对各种影响因素进行组合后再基于相关性进行筛选，以得到预测模型最有效的输入变量。

作为一可选实施例，对任意两个输入变量进行组合的方法包括：

将输入变量X

计算k取不同值时组合变量X与输出Y的相关系数R

将k

本实施例给出了对两个输入变量进行线性组合的一种技术方案。先给出对两个输入变量进行线性组合X的一般表达式，两个输入变量的加权系数分别为k、1-k；然后计算X与输出Y的相关系数的最大值R

图2为本发明实施例一种用于近零能耗建筑的能耗预测系统的组成示意图，所述系统包括：

因素确定模块11，用于基于待预测建筑的具体结构尽可能多地确定影响建筑能耗的因素；

因素筛选模块12，用于基于相关性对所述因素进行筛选，得到对建筑能耗影响最显著的N个因素；

能耗预测模块13，用于建立以所述N个因素为输入变量以建筑能耗为输出变量的预测模型，利用训练好的预测模型对建筑能耗进行预测。

本实施例的系统，可以用于执行图1所示方法实施例的技术方案，其实现原理和技术效果类似，此处不再赘述。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。