基于模式挖掘的智能樓宇能源消耗量預測方法

陳景琪，丁凌

（國網上海市電力公司，上海 200122）

能源是人類生產活動的物質基礎，也是經濟發(fā)展與國防安全的戰(zhàn)略物資。隨著經濟的高速發(fā)展與人口的爆炸式增長，各國能源消耗量大幅增加，其中建筑能耗在總能耗中占據較大比例，是溫室氣體排放的主要來源之一?，F(xiàn)階段，全球資源緊缺，能耗控制已經成為每個國家關注的焦點。智能樓宇是一些特大城市建筑的主要方式，也是節(jié)能改造優(yōu)化的重點目標。為了順利開展節(jié)能工作，必須將歷史能耗數據作為基礎，對智能樓宇能耗進行準確預測。

文獻[1]提出基于回歸分析的能耗預測模型。以較為寒冷區(qū)域的建筑為例，通過單因素敏感性分析挑選出10 個關鍵設計參數，再利用正交試驗對能量需求進行仿真計算。根據計算結果作多重線性回歸，構建多因素耦合作用下的能耗預測模型。最后采用Java Script 腳本語言開發(fā)了Doep 軟件，驗證了此預測模型的可靠性。文獻[2]在建筑信息模型（Building Information Modeling，BIM）環(huán)境下對建筑能耗進行預測。將用戶行為劃分為移動行為與用能行為，利用事件機制分析移動行為，通過BIM 模型與Agent 技術構建基于事件的用戶移動行為與用能行為模型。

但是上述兩種預測方式未考慮到歷史數據中蘊藏的價值，導致預測結果與實際偏差較大。海量的能耗數據并未發(fā)揮出應有的作用，而是帶來了“數據災難”。為此，該文利用模式挖掘方法對智能樓宇能源消耗量進行預測。

1 智能樓宇集群數學模型構建

1.1 智能樓宇系統(tǒng)結構

智能樓宇系統(tǒng)結構如圖1 所示，主要由樓宇、可再生能源發(fā)電系統(tǒng)[3]、控制器與通信鏈路[4]組成。

圖1 智能樓宇系統(tǒng)結構圖

1.2 樓宇集群建模

結合抽象化思想，根據微觀到宏觀的方式，對單個樓宇和樓宇群進行建模。

樓宇制熱區(qū)域中的熱阻與熱熔組成了熱熔熱阻（Resistance Capacitance，RC）網絡，使樓宇存在一定儲熱與傳熱能力。在此網絡中一般存在室內節(jié)點與墻體節(jié)點，不同節(jié)點之間利用熱阻進行連接，同時采用熱熔接地。該網絡表示的是單獨制熱區(qū)域，將這些區(qū)域組合在一起即為樓宇集群，每個智能樓宇屋頂都安裝一個發(fā)電系統(tǒng)。所以樓宇的制熱區(qū)域結構相似，且在同樣外部參數下，每個制熱區(qū)的功率相同。再通過HVAC 系統(tǒng)調整送風溫度，實現(xiàn)集中控制。

樓宇墻體的熱平衡約束條件[5-7]為：

制熱區(qū)域平衡等式約束表示為：

將式（1）與（2）變換為下述狀態(tài)方程：

則智能樓宇集群的數學模型表示為：

2 基于模式挖掘的樓宇能耗量預測

2.1 能耗歷史數據模式挖掘

序列模式挖掘即為尋找數據庫中數據之間的先后順序。

以某階段樓宇能耗歷史數據庫S(min_sup=2)為例，利用序列模式挖掘算法對其進行挖掘，具體步驟如下：

步驟一：尋找長度是1 的序列模式。對數據庫進行初始掃描，挑選出全部長度是1 的頻繁序列，獲得頻繁序列模式。因為的支持度低于最小支持度min_sup，因此屬于非頻繁項，必須刪除。

步驟二：將長度是1 的頻繁項當作X軸與Y軸，確立6×6 的三角矩陣S。

步驟三：從矩陣S中找出全部支持度大于或等于2 的序列模式，建立與其相對應的投影數據庫，對頻繁序列的子集進行遞歸挖掘。

步驟四：重復操作步驟二與步驟三，找出全部長度的頻繁序列[10-12]。

步驟五：針對全部挖掘得出的頻繁項集，對其序列模式值進行計算，同時按照從大到小的順序排序，若出現(xiàn)模式值相同的情況，則根據字母表順序排序，得出歷史能耗序列數據庫中任意一項權重值，其中權重值越高的數據越具有挖掘價值。

2.2 能源消耗量預測模型構建

模糊模型是一種結構型非線性模型[13]，具有較強的適應性與泛化能力。而模糊集合的本質是將經典集合中的絕對隸屬關系進行模糊化處理。。

模糊控制因素包含i′時刻第j′個預測結果的誤差與預測目標在i′時刻的實際值對于之前k′個時刻的實際值變化量c(i′)，上述參數可通過下述公式計算：

式中，j′=1，2，…，n，i′=1，2，…，k′，k′為一個確定值，取決于具體預測目標，y′(i′)是目標在i′時刻的真實值，代表i′時刻第j′種方法的預測值[14-16]。

上述公式能夠完全體現(xiàn)權重系數的模糊語言預測規(guī)則，避免了預測準則中的空檔與跳變狀況發(fā)生，計算過程較為簡便。

3 仿真實驗數據分析與研究

利用基于云計算平臺Hadoop 進行仿真實驗，Hadoop 版本號為0.20.2。其包括一個主控節(jié)點與3個數據節(jié)點。主節(jié)點配置：六核CPU，Xeon E5-2430，內存為128 GB，操作系統(tǒng)是Centos 6。模式挖掘的數據來自某開源數據平臺。共有兩個預測目標，分別為某24 小時營業(yè)的大型車站與辦公樓。

為了更好地對各預測方法進行評估，仿真實驗中利用Pearson 相關系數與可決系數，分別記作r和R2，其計算公式如下：

式中，K表示測試數據個數，和yAve分別代表預測值和實際值的平均值。

皮爾森相關系數r是有關實際值和預測值之間線性相關性的度量指標，其取值范圍是[-1，1]，-1 代表完全負相關，1 指完全正相關?？蓻Q系數R2是可以評判模型預測實際值能力的指標。該值越大，預測能力越好。

針對文獻[1]方法、文獻[2]方法與該文方法進行仿真實驗，獲得大型車站類型的智能樓宇耗能量預測的皮爾森系數與可決系數，如表1 所示。

表1 是針對大型車站建筑的能耗量預測結果，從中能夠看出該文方法的皮爾森系數與可決系數更接近1。這表明該文方法的預測能力較強，獲得的預測值和實際值之間的相關性較大。

表1 大型車站能耗量預測結果

此外，又對某工作日的辦公樓能耗量進行預測，得出的皮爾森系數與可決系數的結果和上述結果相似。為了更加直觀地證明該文預測方法的性能，繪制如圖2 所示的折線圖。

圖2 不同方法對于辦公樓的能耗量預測結果圖

從圖2 可以看出，所提方法的預測值與實際值更加接近。該文方法的預測結果能夠明顯看出這種趨勢，證明了該文模式的挖掘算法可以很好地挖掘出關鍵歷史數據，有助于提高預測精度。

4 結論

智能樓宇能耗量預測是提升建筑管理水平與提高設備調度合理性的必要手段。該文利用序列模式挖掘方法對歷史數據進行挖掘，同時采用泛化能力與適應性較強的模糊理論構建預測模型，獲得預測結果。仿真實驗證明，該方法可以達到精準預測的目的，對多樣化的智能樓宇有較好的預測能力。