基于隨機(jī)森林的空調(diào)冷負(fù)荷逆向分解方法

1 概述

負(fù)荷監(jiān)測是能源管理中的重要環(huán)節(jié)，它為能源管理提供更高精度的負(fù)荷預(yù)測模型

。負(fù)荷監(jiān)測從負(fù)荷數(shù)據(jù)的獲取方式上分為侵入式和非侵入式

。侵入式負(fù)荷監(jiān)測可以獲取準(zhǔn)確的各項負(fù)荷數(shù)據(jù)，但采購、安裝、維護(hù)費(fèi)用較高，且系統(tǒng)可靠性較低。非侵入式負(fù)荷監(jiān)測是指僅在電力系統(tǒng)入口處安裝監(jiān)測裝置，通過采集該處的電氣參數(shù)，分析得到系統(tǒng)內(nèi)每類負(fù)荷的狀態(tài)。該方式減少了測量設(shè)備對電力系統(tǒng)的影響，成本較侵入式負(fù)荷監(jiān)測方法低，易于維護(hù)，故非侵入式負(fù)荷監(jiān)測被廣泛研究。

非侵入式負(fù)荷監(jiān)測概念于20世紀(jì)80年代由麻省理工學(xué)院的Hart首次提出

，并給出了實現(xiàn)非侵入式負(fù)荷監(jiān)測的具體步驟。非侵入式負(fù)荷監(jiān)測方法較多，包括k鄰近算法(kNNR)、人工免疫算法(AIA)、遺傳算法(GP)、隨機(jī)森林(RF)以及人工神經(jīng)網(wǎng)絡(luò)(ANN)等。

目前，關(guān)于空調(diào)負(fù)荷分解的研究包括空調(diào)系統(tǒng)能耗分解、空調(diào)系統(tǒng)末端設(shè)備能耗分解以及空調(diào)冷熱負(fù)荷分解。Perez等人

利用K均值算法提取出空調(diào)負(fù)荷特征，并采取遺傳算法從總能耗中識別出空調(diào)系統(tǒng)能耗。但該算法具有一定局限性，無法進(jìn)行推廣使用。Ji等人

利用傅里葉級數(shù)模型，對每小時建筑其他用電(如照明、插座負(fù)荷)分析建模，再求解出空調(diào)系統(tǒng)終端用電量，該方法結(jié)果較為準(zhǔn)確。為評估不同建筑部件的節(jié)能貢獻(xiàn)，張賀佳

利用稀疏表示與字典學(xué)習(xí)，將總冷負(fù)荷分解為溫差冷負(fù)荷、日射冷負(fù)荷、新風(fēng)冷負(fù)荷、內(nèi)擾冷負(fù)荷。目前，關(guān)于空調(diào)系統(tǒng)冷熱負(fù)荷分解的研究較少，這是由于各項冷熱負(fù)荷的產(chǎn)生機(jī)理和擾動不相同，是多因素耦合的結(jié)果，其在時間序列上的波動特征也不盡相同。

9月12日，財政部、應(yīng)急管理部向山東省追加下?lián)苤醒胴斦匀粸?zāi)害生活補(bǔ)助資金1.5億元，主要用于近期山東省部分地區(qū)嚴(yán)重臺風(fēng)和暴雨洪澇災(zāi)害受災(zāi)群眾緊急轉(zhuǎn)移安置、過渡期生活救助、倒損民房恢復(fù)重建等受災(zāi)群眾生活救助需要。

本文采用基于bagging算法的隨機(jī)森林模型(RF模型)對建筑冷負(fù)荷進(jìn)行分解。分析建筑總冷負(fù)荷及分項負(fù)荷特征，建立隨機(jī)森林模型，以武漢某辦公建筑為例，驗證隨機(jī)森林模型的有效性。

2 采用隨機(jī)森林模型分解冷負(fù)荷的步驟

式中

——均方根誤差

建筑物的冷負(fù)荷受室外氣象參數(shù)、圍護(hù)結(jié)構(gòu)參數(shù)、建筑朝向、新風(fēng)量、室內(nèi)人員及作息規(guī)律、室內(nèi)設(shè)備和照明、室內(nèi)設(shè)定溫度等參數(shù)影響。根據(jù)負(fù)荷來源和特性，將辦公建筑總冷負(fù)荷分解為圍護(hù)結(jié)構(gòu)負(fù)荷、人員負(fù)荷、燈光設(shè)備負(fù)荷和新風(fēng)負(fù)荷4部分。圍護(hù)結(jié)構(gòu)負(fù)荷受室外溫度影響；人員負(fù)荷與人員在室率及時間有關(guān)；燈光設(shè)備負(fù)荷由室內(nèi)照明、室內(nèi)設(shè)備的發(fā)熱量決定，與人員使用情況有關(guān)；新風(fēng)負(fù)荷(包括滲透風(fēng)負(fù)荷和新風(fēng)系統(tǒng)的新風(fēng)負(fù)荷)受室外空氣參數(shù)(溫度、濕度等)及風(fēng)量影響較大，一天中波動較大。

② 模型輸入、輸出的選取

模型輸入、輸出的選取對模型分解的準(zhǔn)確性至關(guān)重要。由于圍護(hù)結(jié)構(gòu)負(fù)荷、新風(fēng)負(fù)荷受室外空氣參數(shù)影響較大，人員負(fù)荷、燈光設(shè)備負(fù)荷與使用時間相關(guān)，因此采用室外空氣參數(shù)(干球溫度、濕球溫度)、總冷負(fù)荷以及時間作為隨機(jī)森林模型的輸入，將4種分項負(fù)荷作為隨機(jī)森林模型的輸出。

將訓(xùn)練集中每個樣本的前4維數(shù)據(jù)(時刻、總冷負(fù)荷、干球溫度、濕球溫度)作為模型輸入，后4維數(shù)據(jù)(圍護(hù)結(jié)構(gòu)負(fù)荷、人員負(fù)荷、燈光設(shè)備負(fù)荷、新風(fēng)負(fù)荷)作為模型輸出對模型進(jìn)行訓(xùn)練。將測試集中每個樣本的前4維數(shù)據(jù)(時刻、總冷負(fù)荷、干球溫度、濕球溫度)作為模型輸入，對模型進(jìn)行驗證。

第三步是專注客戶需求，打造全產(chǎn)業(yè)鏈數(shù)字化技術(shù)升級。滿足客戶需求是企業(yè)開展一切工作的核心，新一代信息技術(shù)為企業(yè)獲取客戶需求提供了便利性。企業(yè)要在數(shù)字化車間和信息化管理系統(tǒng)的基礎(chǔ)上，探索建立面向客戶的全產(chǎn)業(yè)鏈服務(wù)支持平臺，實現(xiàn)智能制造的同時，提供智能在線監(jiān)測，遠(yuǎn)程診斷，預(yù)防性維護(hù)和檢修等服務(wù)，實現(xiàn)制造型企業(yè)數(shù)字化轉(zhuǎn)變。

為了評估隨機(jī)森林模型的優(yōu)劣，選擇均方根誤差作為評估指標(biāo)。針對每種分項負(fù)荷，均方根誤差計算公式為：

④ 模型訓(xùn)練和測試

為獲得準(zhǔn)確的模型，需要獲得訓(xùn)練與測試樣本，本研究基于模擬產(chǎn)生樣本。首先在SketchUp軟件中建立該辦公建筑的幾何模型，利用Energy Plus軟件對各區(qū)域進(jìn)行設(shè)置，導(dǎo)入武漢典型氣象年數(shù)據(jù)，計算得到該辦公建筑的全年逐時負(fù)荷(含總負(fù)荷和分項負(fù)荷)。干球溫度、濕球溫度來自典型氣象年數(shù)據(jù)。選取冷負(fù)荷連續(xù)出現(xiàn)時段(4月20日至10月15日)的數(shù)據(jù)構(gòu)成數(shù)據(jù)集。該數(shù)據(jù)集以每小時作為1個樣本，共含4 296個樣本，每個樣本有8維數(shù)據(jù)，分別是時刻、總冷負(fù)荷、干球溫度、濕球溫度、圍護(hù)結(jié)構(gòu)負(fù)荷、人員負(fù)荷、燈光設(shè)備負(fù)荷、新風(fēng)負(fù)荷。將數(shù)據(jù)集劃分為4 d為間隔的多個區(qū)間，選取每個區(qū)間的前3 d數(shù)據(jù)組成訓(xùn)練集，第4 d數(shù)據(jù)組成測試集。

根據(jù)《海港總體設(shè)計規(guī)范》（JIS165-2013），防臺船舶一般采用單錨泊形式計算所需水域面積，單個錨位所占水域面積為一圓形面積，計算水域半徑R（m）、錨地容量可按下列公式：

③ 模型構(gòu)建的參數(shù)選擇

⑤ 評價標(biāo)準(zhǔn)

隨機(jī)森林算法是一種集成學(xué)習(xí)模型，它包含多個決策樹，其回歸結(jié)果是多個決策樹結(jié)果的平均值。該算法訓(xùn)練速度快，普適性強(qiáng)?；赑ython語言實現(xiàn)隨機(jī)森林模型的建立。設(shè)定參數(shù)：樹的最大深度(可以分裂的次數(shù))為20，決策樹的數(shù)量為50個，建樹時每一個葉節(jié)點(diǎn)有21個類別或達(dá)到每個按照屬性劃分的節(jié)點(diǎn)的最少樣本數(shù)為200，單個樹允許使用的最大特征數(shù)量為2，子采樣率為0.8，采用mse計算方法判斷節(jié)點(diǎn)是否繼續(xù)分裂。

隨著我國的社會發(fā)展的速度越來越快，我國農(nóng)業(yè)的發(fā)展面臨著越來越高的要求。在我國的山區(qū)玉米種植過程中，通過運(yùn)用玉米高產(chǎn)栽培技術(shù)可以不斷改善種植區(qū)域的土壤狀況，同時有效的進(jìn)行玉米病蟲害的防治，提高山區(qū)玉米的產(chǎn)量和品質(zhì)，經(jīng)過不斷的農(nóng)業(yè)技術(shù)推廣，還可以提升我國農(nóng)戶對新技術(shù)的認(rèn)識和掌握，從而為我國山區(qū)的農(nóng)業(yè)發(fā)展提供幫助。相信隨著玉米高產(chǎn)栽培技術(shù)的推廣，我國的農(nóng)業(yè)發(fā)展必將越來越快，為我國的經(jīng)濟(jì)發(fā)展提供更好的支持。

(1)

① 冷負(fù)荷特征分析

此外，本文提出以日平均相對誤差(一天中各時刻的平均誤差)也作為評估指標(biāo)。針對每種分項負(fù)荷，日平均相對誤差計算式為：

輸入尺寸為512×512的圖片樣本進(jìn)行測試,選取0.5作為置信度閾值,比較DSSD算法與其它目標(biāo)檢測算法的mAP值,結(jié)果如表4所示。

如前文所提到的，桑迪·斯各格蘭德絕非裝置攝影的唯一實踐者，但她卻是唯一一位將裝置本身與其攝影作品一同當(dāng)作藝術(shù)作品來構(gòu)想、建造與推廣的藝術(shù)家。評論家安·西弗斯(Ann Sievers)認(rèn)為，這兩種藝術(shù)形式“相互依賴且同等重要”。

p

——RF模型輸出的第

個樣本的預(yù)測值

a

——第

個樣本的真實值

——訓(xùn)練集或測試集的樣本數(shù)量

(2)

式中

——日平均相對誤差

——一天中的樣本數(shù)量

p

——RF模型輸出的第

個樣本的預(yù)測值

a

——第

個樣本的真實值

3 實例分析

本研究以武漢某辦公建筑作為研究對象，對其冷負(fù)荷進(jìn)行分解。該辦公建筑共有地上23層，總面積約32 000 m

，工作日運(yùn)行時間為7：00—22：00。導(dǎo)入武漢典型氣象年數(shù)據(jù)，在Energy Plus內(nèi)模擬該建筑全年運(yùn)行負(fù)荷，將1月1日1：00作為起始點(diǎn)，繪制出全年共8 760 h的逐時負(fù)荷，其中冷負(fù)荷見圖1。該辦公建筑冷負(fù)荷主要集中在7—9月，峰值冷負(fù)荷出現(xiàn)在8月，為3 748 kW。模擬得到的夏季典型周(7月24—30日)各分項負(fù)荷見圖2。由圖2可知，人員負(fù)荷與燈光設(shè)備負(fù)荷隨著時間呈現(xiàn)規(guī)律的變化，圍護(hù)結(jié)構(gòu)負(fù)荷與新風(fēng)負(fù)荷變化較隨機(jī)，與室外天氣變化有關(guān)。

采用前述方法進(jìn)行模型的訓(xùn)練和測試，以下負(fù)荷均指冷負(fù)荷。

3.1 訓(xùn)練效果評價

該辦公建筑隨機(jī)森林模型的訓(xùn)練效果評價指標(biāo)見表1?？梢钥闯?，模型訓(xùn)練時各分項負(fù)荷的均方根誤差均小于29.6 kW，日平均相對誤差的平均值均不大于1.4%，表明隨機(jī)森林模型能夠準(zhǔn)確地實現(xiàn)負(fù)荷分解。人員負(fù)荷均方根誤差較小，因為人員負(fù)荷與時間相關(guān)，變化規(guī)律明顯，但其日平均相對誤差的平均值較大。燈光設(shè)備負(fù)荷日平均相對誤差的平均值較小，說明其偏離實際值程度較小。雖然圍護(hù)結(jié)構(gòu)負(fù)荷的均方根誤差較大，但日平均相對誤差的平均值較小，可能是由于圍護(hù)結(jié)構(gòu)負(fù)荷波動較大。新風(fēng)負(fù)荷的均方根誤差較小，日平均相對誤差的平均值為1.4%，表明其分解精度較好。

斯里蘭卡“星光藍(lán)寶石”經(jīng)過琢磨，通過放大鏡可細(xì)細(xì)品味寶石中的“燦爛星光”。此外，在暗光下，普通的深藍(lán)寶石顯現(xiàn)為黑色，而優(yōu)質(zhì)的斯里蘭卡藍(lán)寶石在任何光照下都會保持本色。

伴隨著科學(xué)技術(shù)的發(fā)展，智能產(chǎn)品接踵而來，人們漸漸被網(wǎng)絡(luò)中的虛擬世界所迷惑。學(xué)生們的鍛煉意識逐漸減弱，寧愿待在宿舍玩手機(jī)，也不愿進(jìn)行室外活動。學(xué)生為了節(jié)省時間玩游戲或者學(xué)習(xí)，忽視了身體的重要性。這不僅會增強(qiáng)學(xué)生潛意識的惰性，還會降低身體機(jī)能，不利于學(xué)生良好的身心發(fā)展。因此，教育部提出體育教育信息化的發(fā)展，爭取改變此現(xiàn)狀，增進(jìn)學(xué)生的健康，提高學(xué)生的素質(zhì)，共同為體育教育信息化的發(fā)展而努力。

夏季某一月各分項負(fù)荷的訓(xùn)練分解結(jié)果與模擬值對比見圖3。由圖3可知，各分項負(fù)荷的訓(xùn)練分解結(jié)果與模擬值吻合較好。對于人員負(fù)荷與燈光設(shè)備負(fù)荷，在某些峰值時刻會出現(xiàn)較大偏差，但絕大多數(shù)時刻相對誤差小于4%。

第二、求同存異，構(gòu)建有效的溝通協(xié)調(diào)機(jī)制。求同存異，在發(fā)展的過程中，重點(diǎn)探尋粵港澳大灣區(qū)九市二區(qū)的共通之處，以發(fā)展為重，盡快打通城市間人才、資金流、物流和信息流等生產(chǎn)要素的流動與對接，為粵港澳大灣區(qū)的發(fā)展掃除障礙。

3.2 測試效果評價

該辦公建筑隨機(jī)森林模型的測試效果評價指標(biāo)見表2。模型測試時各分項負(fù)荷的均方根誤差均小于77.5 kW，日平均相對誤差的平均值均不大于11.2%，均高于訓(xùn)練時的指標(biāo)。各分項負(fù)荷的分解精度與訓(xùn)練結(jié)果基本一致。

各分項負(fù)荷的測試分解結(jié)果與模擬值對比見圖4。由圖4可知，人員負(fù)荷和燈光設(shè)備負(fù)荷的測試分解結(jié)果與模擬值吻合較好。對于新風(fēng)負(fù)荷，測試分解結(jié)果與模擬值差異不大，大部分時刻的絕對誤差小于24 kW，但某些時刻絕對誤差高達(dá)204 kW。對于建筑圍護(hù)結(jié)構(gòu)負(fù)荷，大部分時刻測試分解結(jié)果與模擬值吻合較好，但某些時刻相對誤差較大。

4 結(jié)論

① 隨機(jī)森林算法訓(xùn)練速度快，普適性強(qiáng)。用于分解冷負(fù)荷的隨機(jī)森林模型訓(xùn)練時間短，參數(shù)調(diào)整容易。

② 模型訓(xùn)練時各分項負(fù)荷的均方根誤差均小于29.6 kW，日平均相對誤差的平均值均不大于1.4%；模型測試時各分項負(fù)荷的均方根誤差均小于77.5 kW，日平均相對誤差的平均值均不大于11.2%，說明隨機(jī)森林模型可準(zhǔn)確實現(xiàn)冷負(fù)荷分解，分解精度較高。

③ 4項負(fù)荷分解結(jié)果中，就均方根誤差來看，人員負(fù)荷分解精度較高，圍護(hù)結(jié)構(gòu)負(fù)荷分解精度偏低；當(dāng)以日平均相對誤差的平均值為判斷標(biāo)準(zhǔn)時，圍護(hù)結(jié)構(gòu)負(fù)荷分解結(jié)果偏離模擬值程度較小，人員負(fù)荷偏離模擬值程度較大。

[1] 李自文, 魏平, 李海. 非侵入式負(fù)荷分解方法綜述[J]. 價值工程，2018(18): 233-235.

[2] 付華. 非侵入式負(fù)荷分解算法的綜合研究(碩士學(xué)位論文)[D]. 北京：北京交通大學(xué)，2018：1-3.

[3] HART G W. Nonintrusive appliance load monitoring[J]. Proceedings of the IEEE， 1992(12): 1870-1891.

[4] PEREZ K X, COLE W J, RHODES J D,et al. Nonintrusive disaggregation of residential air-conditioning loads from sub-hourly smart meter data[J]. Energy and Buildings,2014, 81: 316-325.

[5] JI Ying, XU Peng,YE Yunyang. HVAC terminal hourly end-use disaggregation in commercial buildings with Fourier series model[J]. Energy & Buildings,2015, 97: 33-46.

[6] 張賀佳. 基于稀疏表示與字典學(xué)習(xí)的建筑冷負(fù)荷熱量組分反向分解(碩士學(xué)位論文)[D]. 天津：天津大學(xué)，2018：21-32.