一种用于建筑能耗管理的分析预测方法及系统与流程

本发明涉及能源管理技术领域，尤其涉及一种用于建筑能耗管理的分析预测方法及系统。

背景技术：

随着我国建筑行业的发展，建筑物在城市中的数量与日俱增，其样式与风格也越来越多样化。建筑楼层不仅缓解了人口增长与建设用地供应不足的问题，而且作为衡量一个城市发展水平的重要指标。建筑楼宇的大量涌现，其运行过程中也伴随着各种能源的消耗。目前，建筑能耗资源的浪费十分严峻，主要包括建筑规划的不合理性与设备安装的不恰当性。

鉴于此，为克服上述技术缺陷，提供一种用于建筑能耗管理的分析预测方法及系统成为本领域亟待解决的问题。

技术实现要素：

本发明的目的在于克服现有技术的缺点，提供一种用于建筑能耗管理的分析预测方法及系统，能够预测建筑能源的消耗情况，减少能源浪费，同时优化了建筑物运行过程中的能源消耗。

为解决以上技术问题，本发明的技术方案为：一种用于建筑能耗管理的分析预测方法，其不同之处在于，其步骤包括：

s1、通过设备监控系统获取各城市建筑物有效的实测数据；

s2、通过数据采集模块对建筑能源的消耗情况进行数据信息的采集；

s3、通过云环境下的大数据资源实现对能源数据信息的高性能计算与大容量存储；

s4、对建筑能源历史数据进行分析，并根据能耗实时数据来进行能耗预测，预测下一期的能源消耗情况。

按以上技术方案，所述步骤s4中，能耗预测的流程如下：

a、选取能耗样本历史数据，并对其进行数据预处理准备，构建训练样本集与测试样本集；

b、选取合适的支持向量回归机svr类型、核函数及相关的参数；

c、利用训练样本建立目标函数，寻找最优分类面；

d、根据求得的参数构建预测模型，用测试样本预测未来时刻的预测值。

按以上技术方案，所述步骤d中，预测模型的构建步骤为：

d1、能耗数据输入与输出的确定：利用支持向量机svm模型选取训练样本集与测试样本集，选取数据库中存储的原始数据，构建支持向量回归机svr的输入与输出；

d2、能源数据的预处理：对原始数据进行归一化处理；

d3、支持向量回归机svr模型参数的选取：根据要求选取合适的参数取值进行样本数据的训练；

d4、支持向量回归机svr预测模型函数的确定：得到最终的f(x)函数表达式。

按以上技术方案，所述步骤d1中，样本的数据来源于监控平台实时采集获取的数据，包括日期、建筑物高度、面积、电能耗数据。

按以上技术方案，所述步骤d4中，假设各种建筑能耗影响因素x1,x2,…,xn，根据支持向量机模型预测的基本思想，其映射到一个高维特征空间下的表达形式为：支持向量回归机svr的回归函数表达式为

其中，为非线性映射函数，w与b表示模型中待辨识的参数；

基于结构风险最小化原则，对公式(1)中需辨识的参数按照下式进行处理：

其中，r(w)为经验风险，||w||²为置信风险，c(ei)为损失函数；

依据svr原则，对上述(2)式的求解其本质上是对公式(3)的优化：

其中，公式中c为惩罚参数，ξi，ξi^*为松弛变量，ε为回归函数精度参数；

根据mercer条件，选取高斯径向基核函数作为模型的核函数，其核函数为：

为了便于求解，通常将公式(3)转化为对偶问题，便可得到支持向量回归函数，即：

于是，将上式(4)直接代入(5)式中，经等价变换便可得到：

实际上，求解上式回归函数f(x)归结于求解ai与ai^*。

按以上技术方案，所述回归函数f(x)的求解，使用归一化的方式处理可加快算法的收敛速度与提高预测的准确性，如下：

其中，xi(i＝0,1,…,n)为各项指标数据，xmax，xmin分别表示各项指标数据中的最大值与最小值。

按以上技术方案，所述步骤a中，能耗预测符合时间序列规则，假设按照时间排列的历史能耗数据为{xt-n-m+1,xt-n-m+2,…,xt}，则构建的样本集可表示为：

其中，x是样本数据的输入，y为输出矩阵，m与n分别表示输入的阶数，训练样本数。

一种用于建筑能耗管理的分析预测系统，其不同之处在于，其包括：

数据源，用于获取各个城市建筑物有效的实测数据；

数据采集模块，用于对建筑能源的供能信息与运行信息进行数据的采集；

云储存模块，充分利用云服务器集中大数据资源对建筑能源信息进行高性能计算与大容量的存储；

能源分析模块，用于通过对建筑能耗数据的统计，确定建筑物的能耗状况。

按以上技术方案，所述云存储模块采用云环境下的大数据资源实现对能源数据信息的高性能计算与大容量存储。

按以上技术方案，所述能源分析模块对建筑能源历史数据进行处理，并根据能耗实时数据来预测下一期的能源消耗情况。

对比现有技术，本发明的有益特点如下：

一方面，本发明采用云存储模块对建筑能源信息进行处理，解决了数据量大，结构复杂，耗时长等操作所面临的问题，实现了在云计算体系架构下的高性能计算与大容量存储，为用户与系统之间提供了良好地交互；另一方面，在能源分析模块中，通过计算机数据分析技术，对建筑能源历史数据进行分析，并根据能耗实时数据来预测下一期的能源消耗情况。本发明提供的建筑能耗管理方案不仅能够预测建筑能源的消耗情况，减少了能源浪费，而且优化了建筑物运行过程中的能源消耗。

附图说明

图1为本发明实施例的流程示意图；

图2为本发明实施例的能耗预测流程示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，下面结合附图和具体实施例对本发明作进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

在下文中，将参考附图来更好地理解本发明的许多方面。附图中的部件未必按照比例绘制。替代地，重点在于清楚地说明本发明的部件。此外，在附图中的若干视图中，相同的附图标记指示相对应零件。

如本文所用的词语“示例性”或“说明性”表示用作示例、例子或说明。在本文中描述为“示例性”或“说明性”的任何实施方式未必理解为相对于其它实施方式是优选的或有利的。下文所描述的所有实施方式是示例性实施方式，提供这些示例性实施方式是为了使得本领域技术人员做出和使用本公开的实施例并且预期并不限制本公开的范围，本公开的范围由权利要求限定。在其它实施方式中，详细地描述了熟知的特征和方法以便不混淆本发明。出于本文描述的目的，术语“上”、“下”、“左”、“右”、“前”、“后”、“竖直”、“水平”和其衍生词将与如图1定向的发明有关。而且，并无意图受到前文的技术领域、背景技术、发明内容或下文的详细描述中给出的任何明示或暗示的理论限制。还应了解在附图中示出和在下文的说明书中描述的具体装置和过程是在所附权利要求中限定的发明构思的简单示例性实施例。因此，与本文所公开的实施例相关的具体尺寸和其他物理特征不应被理解为限制性的，除非权利要求书另作明确地陈述。

参照图1和图2，本发明实施例用于建筑能耗管理的分析预测方法，其不同之处在于，其步骤包括：

s1、通过设备监控系统获取各城市建筑物有效的实测数据；

s2、通过数据采集模块对建筑能源的消耗情况进行数据信息的采集；

s3、通过云环境下的大数据资源实现对能源数据信息的高性能计算与大容量存储；

s4、对建筑能源历史数据进行分析，并根据能耗实时数据来进行能耗预测，预测下一期的能源消耗情况。

具体的，所述步骤s4中，能耗预测的流程如下：

a、选取能耗样本历史数据，并对其进行数据预处理准备，构建训练样本集与测试样本集；

b、选取合适的支持向量回归机svr类型、核函数及相关的参数；

c、利用训练样本建立目标函数，寻找最优分类面；

d、根据求得的参数构建预测模型，用测试样本预测未来时刻的预测值。

具体的，所述步骤d中，预测模型的构建步骤为：

d1、能耗数据输入与输出的确定：利用支持向量机svm模型选取训练样本集与测试样本集，选取数据库中存储的原始数据，构建支持向量回归机svr的输入与输出；

d2、能源数据的预处理：由于原始数据各指标的标准不同，在数值上存在较大的差异，在svm预测前，对原始数据进行归一化处理；

d3、支持向量回归机svr模型参数的选取：根据要求选取合适的参数取值进行样本数据的训练；

d4、支持向量回归机svr预测模型函数的确定：得到最终的f(x)函数表达式。

只要确定建筑物在时间上以及建筑物的高度与面积上的能源输入，就可以采用该模型来预测与之对应高度与面积上的建筑物在时间上(如日度，月度，年度)的能源消耗。

具体的，所述步骤d1中，样本的数据来源于监控平台实时采集获取的数据，包括日期、建筑物高度、面积、电能耗数据。

具体的，所述步骤d4中，假设各种建筑能耗影响因素x1,x2,…,xn，根据支持向量机模型预测的基本思想，其映射到一个高维特征空间下的表达形式为：

支持向量回归机svr的回归函数表达式为

其中，为非线性映射函数，w与b表示模型中待辨识的参数；

基于结构风险最小化原则，对公式(1)中需辨识的参数按照下式进行处理：

其中，r(w)为经验风险，||w||²为置信风险，c(ei)为损失函数；

依据svr原则，对上述(2)式的求解其本质上是对公式(3)的优化：

其中，公式中c为惩罚参数，ξi，ξi^*为松弛变量，ε为回归函数精度参数；

根据mercer条件，选取高斯径向基核函数作为模型的核函数，其核函数为：

为了便于求解，通常将公式(3)转化为对偶问题，便可得到支持向量回归函数，即：

于是，将上式(4)直接代入(5)式中，经等价变换便可得到：

实际上，求解上式回归函数f(x)归结于求解ai与ai^*。

优选的，所述回归函数f(x)的求解，使用归一化的方式处理可加快算法的收敛速度与提高预测的准确性，如下：

其中，xi(i＝0,1,…,n)为各项指标数据，xmax，xmin分别表示各项指标数据中的最大值与最小值。

具体的，所述步骤a中，能耗预测符合时间序列规则，假设按照时间排列的历史能耗数据为{xt-n-m+1,xt-n-m+2,…,xt}，则构建的样本集可表示为：

其中，x是样本数据的输入，y为输出矩阵，m与n分别表示输入的阶数，训练样本数。

由于建筑能耗预测通常会受到诸多因素的影响，例如温度的高低(夏天与冬天的耗电量相对比较多)，建筑物的高度与所占的面积等；此外，建筑能耗数据的预测符合时间序列规则，故可采用该方法来对历史数据进行处理。

一种用于建筑能耗管理的分析预测系统，其不同之处在于，其包括：

数据源，用于获取各个城市建筑物有效的实测数据；

数据采集模块，用于对建筑能源的供能信息与运行信息进行数据的采集；

云储存模块，充分利用云服务器集中大数据资源对建筑能源信息进行高性能计算与大容量的存储；

能源分析模块，用于通过对建筑能耗数据的统计，确定建筑物的能耗状况。

具体的，所述云存储模块采用云环境下的大数据资源实现对能源数据信息的高性能计算与大容量存储。

具体的，所述能源分析模块对建筑能源历史数据进行处理，并根据能耗实时数据来预测下一期的能源消耗情况。

以上内容是结合具体的实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。