本发明涉及楼宇能耗分析,尤其涉及一种基于deep shap的酒店负荷影响因素量化分析方法。
背景技术:
1、随着我国城市化建设步伐加快,建筑物总量及能耗急剧增加,如何实现建筑用能的高效管理成为重要问题。相比于普通公共建筑,酒店建筑的设备繁多,分区复杂,缺乏分项计量系统,能源类型多样且分布不均衡,其负荷影响因素量化分析与统一管理存在较大困难。随着信息采集、处理、存储技术的进步,酒店运行负荷数据采集的问题逐渐得以解决,而如何有效利用酒店建筑中的历史数据对酒店负荷影响因素进行量化分析成为重要问题,是实现酒店负荷节能运行与控制的重要前提。
2、目前在酒店负荷影响因素量化分析问题的研究方面,主要集中于对酒店中空调、热水器等部分可调节负荷影响因素的量化分析,以辅助制定相应的控制策略,主要的方法包括相关性系数法、层次分析法、基于机器学习的智能方法等。在这些方法中,最重要的在于搜索梳理合理的初始影响因素集,目前的大多数研究,主要涉及气象类因素、舒适度因素等,对影响因素的考虑并不全面,导致分析结果不够完备与精细,影响后期酒店负荷管控策略的制定。
技术实现思路
1、本发明的目的在于提供一种基于deep shap的酒店负荷影响因素量化分析方法,对两个方面进行了改进,一方面,对酒店中的用电负荷需要更加全面的考虑,充分利用酒店的用电负荷数据并合理分类;另一方面,对初始影响因素集进一步拓展,引入建筑功能分区、入住率、人员密集程度因素,提升酒店负荷影响因素量化分析的完备性,以解决上述背景技术中提出的问题。
2、本发明涉及一种基于deep shap的酒店负荷影响因素量化分析方法,包括以下步骤:
3、步骤(a)、对酒店负荷进行分层分类,确定初始影响因素集中的特征元素;
4、步骤(b)、以酒店日负荷曲线为基础,通过聚类分析的方法确定特征日:以春、夏、秋、冬四个季节为基础,分别对各个季节选取三十个典型日,每个典型日以1小时为时间间隔记录数据,形成初始样本数据库,所述初始样本数据库包括训练样本数据和测试样本数据;
5、其中样本数据包括:酒店各楼层电力负荷总量数据,酒店各楼层各类电力负荷量,初始影响因素集中所要求的酒店运行数据。
6、优选的,所述样本数据中酒店各楼层电力负荷按照如下的类别进行分类:空调及通风设备负荷(包括但不限于空调、排风设备,类型a)、照明设备负荷(包括但不限于各类灯光设备,类型b)、供水系统及加热/制冷设备负荷(包括但不限于水泵、热水器设备、电水壶、冰箱,类型c)、娱乐设备负荷(包括但不限于投影仪、电视机、机顶盒,类型d)、特定功能服务负荷(包括但不限于厨房、电梯、洗衣房,类型e),酒店分布式电源负荷(包括但不限于分布式光伏、小型化学储能电池,类型f)。
7、优选的,所述样本数据中初始影响因素集涵盖了三个方面的因素:包括环境因素、设备因素和随机因素;其中,环境因素包括室外温度f1、室外湿度f2、室外光照强度f3、室外pm2.5浓度f4;其中,设备因素包括室内照明强度设定值f5、室内温度设定值f6、室内空气质量设定值f7;随机因素包括人员密度f8、客户入住率f9、餐厅上座率f10
8、步骤(c)、基于采集的训练样本数据,利用反向传播法训练生成人工神经网络模型nn;
9、步骤(d)采用deep shap方法和测试样本数据,计算出酒店负荷影响因素集中各因素对最终预测结果贡献程度指标的均值;其中,表示第层特征对第层第类电力负荷的影响程度值;
10、优选的,所述步骤(d)中计算酒店负荷影响因素集中各因素对最终预测结果贡献程度指标值,包括以下步骤:
11、步骤(d1)、利用反向传播法训练生成人工神经网络模型;
12、步骤(d2)、以某层初始影响因素集的数据为输入特征,以对应层某类电力负荷量为输出目标。
13、优选的,所述步骤(d)中计算酒店负荷影响因素集中各因素对最终预测结果贡献程度指标值,其中,deep shap方法包括以下步骤:
14、步骤(s1)、选定待分析的人工神经网络模型;
15、步骤(s2)、确定用于负荷影响因素量化分析的测试样本数据;
16、步骤(s3)、将测试样本数据输入深度学习中,根据shap值(shapley additiveexplanations,shap)的原理,评定每个特征对结果的贡献度,计算出其shap值;
17、步骤(s4)、针对某一输入特征,即某一影响因素,对测试样本数据集中各样本的shap值计算平均值,得。
18、步骤(e)、考虑酒店各层电力负荷量以及各层电力负荷组成情况,计算出酒店负荷影响因素集中各因素对酒店整体负荷影响的量化分析结果。
19、优选的,所述步骤(e)中计算出酒店负荷影响因素集中各因素对酒店整体负荷影响的量化分析结果,包括以下步骤:
20、步骤(e1)、基于初始影响因素集中各特征对最终预测结果的贡献程度值,计算出各特征对于酒店第层电力负荷的影响程度值,以下式(1) 进行计算:
21、(1);
22、其中, n代表第 i层电力负荷类总数,表示第 i层第 k类电力负荷数值;
23、步骤(e2)、同理计算出第 i层,初始影响因素集中各影响因素对于酒店整体电力负荷的影响程度值,以下式(2)进行计算:(2)。
24、有益效果
25、现有技术对酒店负荷影响因素量化分析,主要集中于空调、热水器等负荷,忽略了照明等其他类型负荷的影响,对酒店负荷总体组成考虑不够全面,而且对于酒店负荷影响因素初始因素集的构建主要从简化分析的角度出发,不够完备和精细;与现有技术相比,本发明的有益效果体现在能够依赖于酒店运行中的海量数据,实现更合理和快速的酒店负荷影响因素量化分析,以指导制定酒店负荷管控策略。
1.一种基于deep shap的酒店负荷影响因素量化分析方法,其特征在于:包括以下步骤:
2. 根据权利要求1所述的一种基于deep shap的酒店负荷影响因素量化分析方法,其特征在于:步骤(b)中形成训练样本数据和测试样本数据,其中样本数据包括:酒店各楼层电力负荷总量数据,酒店各楼层各类电力负荷量,初始影响因素集中所要求的酒店运行数据。
3. 根据权利要求2所述的一种基于deep shap的酒店负荷影响因素量化分析方法,其特征在于:样本数据中酒店各楼层电力负荷按照如下的类别进行分类:空调及通风设备负荷为类型a,照明设备负荷为类型b,供水系统及加热/制冷设备负荷为类型c,娱乐设备负荷为类型d,特定功能服务负荷为类型e,酒店分布式电源负荷为类型f。
4.根据权利要求2所述的一种基于deep shap的酒店负荷影响因素量化分析方法,其特征在于:样本数据中初始影响因素集涵盖了三个方面的因素:包括环境因素、设备因素和随机因素;其中,环境因素包括室外温度f1、室外湿度f2、室外光照强度f3、室外pm2.5浓度f4;其中,设备因素包括室内照明强度设定值f5、室内温度设定值f6、室内空气质量设定值f7;随机因素包括人员密度f8、客户入住率f9、餐厅上座率f10。
5. 按照权利要求1所述的一种基于deep shap的酒店负荷影响因素量化分析方法,其特征在于:步骤(d)中计算酒店负荷影响因素集中各因素对最终预测结果贡献程度指标值,包括以下步骤:
6. 按照权利要求1所述的一种基于deep shap的酒店负荷影响因素量化分析方法,其特征在于:步骤(d)中计算酒店负荷影响因素集中各因素对最终预测结果贡献程度指标值,其中,deep shap方法包括以下步骤:
7. 按照权利要求1所述的一种基于deep shap的酒店负荷影响因素量化分析方法,其特征在于:步骤(e)中计算出酒店负荷影响因素集中各因素对酒店整体负荷影响的量化分析结果,包括以下步骤: