论文部分内容阅读
在我国社会终端能耗的构成中,建筑能耗占地区城镇总能耗的33%以上,因此为了实现节约型社会的目标,降低建筑物能耗是十分重要的。能耗历史数据的分析是实现建筑物节能的一个重要途径,建筑能耗集成化智能分析方法可以从多方面对建筑能耗数据进行较为全面和准确的分析。IIT方法(Integration Intelligent Technique)是目前最佳的建筑能耗集成化智能分析方法中的一种,但IIT方法中仍存在数据预处理不充分,采用的聚类算法有一定局限性,采用的能耗预测算法收敛速度慢且可能陷入局部最优,以及发现知识不全面等问题。因此,本文对IIT方法进行优化研究并试图提出一种性能更好、知识发现更全面的建筑能耗集成化智能分析方法——IABEC(Integrated Analysis of Building Energy Consumption),以提高建筑节能决策的有效性,主要研究工作如下:(1)根据建筑能耗数据不同属性之间数值差异较大等特点,利用改进的RobustScaler算法对建筑能耗数据进行归一化处理。通过对主流聚类算法进行理论分析优选出GMM聚类算法对数据添加能耗模式标签;(2)在IIT建筑能耗集成化智能分析法具有的功能基础上增加故障预测功能,通过对主流故障预测算法进行理论分析和故障预测准确率对比实验,优选出XGBoost作为故障预测算法;(3)根据文献[8]的实验结果,选用BP神经网络作为建筑能耗预测的初始算法。为了更快的训练预测网络模型和提高预测的准确度,综合梯度下降法和一种新改进的共轭梯度法替换梯度下降法来改进BP神经网络算法;(4)集成优选出的特征处理算法、GMM聚类算法、XGBoost故障预测算法、文献[8]中优选出的LOF离群点分析算法和灰度关联分析算法,以及本文中改进的BP神经网络算法,提出一种新的建筑能耗集成化智能分析方法——IABEC;(5)基于美国国家再生能源实验室研究支持机构使用的建筑能耗数据集和某高校建筑能耗监管平台收集的建筑能耗历史数据,分别进行了下列实验:1)使用IABEC方法、IIT方法和单一的异常点分析方法分别进行了异常点分析实验,实验结果表明,IABEC方法相比于IIT方法、单一的异常点分析方法,异常点分析的准确率分别有16.8~44.8%的提升;2)使用IABEC方法和IIT方法分别进行了能耗预测实验,实验结果表明,IABEC方法相比于IIT方法,能耗预测准确率有13~15.7%的提升,迭代次数减少了24~34.2%;3)使用IABEC方法和单一的故障预测方法分别进行了用能设备故障预测实验,实验结果表明,IABEC方法相比于单一的故障预测方法,故障预测的准确率提升了2.9%,平均绝对误差降低了11.0%。(6)设计并实现了建筑能耗集成化智能分析系统,主要功能是利用IABEC方法实现了建筑能耗数据集的能耗模式识别、异常点检测、能耗预测和用能设备的故障预测。