一種基于分項(xiàng)計(jì)量的樓宇綜合能效分析方法
【專利摘要】本發(fā)明涉及一種基于分項(xiàng)計(jì)量的樓宇綜合能效分析方法，其特征在于，包括以下步驟：1)獲取樓宇的日用電量數(shù)據(jù)，包括日總用電量、用電設(shè)備日總用電量、各個(gè)用電設(shè)備機(jī)組日用電量和日氣象溫度數(shù)據(jù)，并進(jìn)行預(yù)處理補(bǔ)全缺失數(shù)值和損壞數(shù)據(jù)；2)采用K均值算法對(duì)日用電量數(shù)據(jù)進(jìn)行泛化處理，得到泛化數(shù)據(jù)集；3)采用FP增長(zhǎng)算法對(duì)泛化數(shù)據(jù)集進(jìn)行關(guān)聯(lián)規(guī)則分析，得到樓宇總能耗與氣象溫度以及各個(gè)用電設(shè)備間的關(guān)聯(lián)性。與現(xiàn)有技術(shù)相比，本發(fā)明具有算法先進(jìn)、效果明顯等優(yōu)點(diǎn)。
【專利說明】
一種基于分項(xiàng)計(jì)量的樓宇綜合能效分析方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明涉及樓宇綜合能效分析，尤其是涉及一種基于分項(xiàng)計(jì)量的樓宇綜合能效分 析方法。
【背景技術(shù)】
[0002] 樓宇建筑能耗占了全球總能源消耗的約40%，是溫室氣體排放的重要來源之一。 我國(guó)樓宇耗電量約占全國(guó)城鎮(zhèn)總耗電量的27%，95%以上建筑屬于高耗能建筑，單位建筑 能耗是發(fā)達(dá)國(guó)家的1.5~2倍。未來，隨著我國(guó)經(jīng)濟(jì)發(fā)展和產(chǎn)業(yè)結(jié)構(gòu)調(diào)整，樓宇建筑能耗比重 將繼續(xù)上升。為了應(yīng)對(duì)能源危機(jī)和環(huán)境惡化，樓宇建筑的節(jié)能工作受到政府及產(chǎn)學(xué)界的重 要關(guān)注。
[0003] 樓宇的能效管理系統(tǒng)能對(duì)建筑內(nèi)的各個(gè)用能子系統(tǒng)的能耗分項(xiàng)計(jì)量數(shù)據(jù)進(jìn)行采 集分析、評(píng)估診斷和優(yōu)化控制，達(dá)到提高能效和減少浪費(fèi)的目的。分項(xiàng)計(jì)量數(shù)據(jù)的分析評(píng)估 可提取設(shè)備用能特征、識(shí)別異常，是建立科學(xué)節(jié)能模式和優(yōu)化運(yùn)行方案的基礎(chǔ)，在能效管理 系統(tǒng)中具有重要的作用。
[0004] 傳統(tǒng)的能效分析根據(jù)既有的指標(biāo)對(duì)樓宇能耗進(jìn)行評(píng)估，并不能挖掘出樓宇能耗深 層次的關(guān)系和結(jié)論。并且受數(shù)據(jù)質(zhì)量、執(zhí)行難易度和經(jīng)濟(jì)發(fā)展水平限制，傳統(tǒng)能效分析評(píng)價(jià) 受到限制。在最近幾年，提出一些樓宇能量管理系統(tǒng)中能耗數(shù)據(jù)的智能分析方法:通過樓宇 日負(fù)荷曲線特征提取，異常檢測(cè)，典型變量分析以及簡(jiǎn)單分類器對(duì)樓宇進(jìn)行能耗異常檢測(cè) 和負(fù)荷預(yù)測(cè)，有效的負(fù)荷預(yù)測(cè)可以節(jié)省電力系統(tǒng)的調(diào)度開支;量化分析樓宇建筑15分鐘間 隔電能消耗數(shù)據(jù)的方法，可以讓管理者更好地了解樓宇設(shè)備電能消耗，有助于發(fā)掘樓宇參 與需求響應(yīng)、降低電能浪費(fèi)和尖峰負(fù)荷管理的機(jī)會(huì);為智能樓宇能量管理系統(tǒng)提出一種使 用規(guī)則集的決策支持模型，可用于控制樓宇運(yùn)行數(shù)據(jù)如何偏離設(shè)定值，并進(jìn)行內(nèi)部狀態(tài)診 斷和樓宇能量運(yùn)行優(yōu)化。
[0005] 以上方法的研究對(duì)象大都是整個(gè)樓宇的能耗數(shù)據(jù)，并不能針對(duì)各個(gè)用電設(shè)備提出 針對(duì)性建議。本發(fā)明基于分項(xiàng)計(jì)量的能耗分析技術(shù)，采用關(guān)聯(lián)分析技術(shù)深層次地挖掘用電 設(shè)備的用電特征。關(guān)聯(lián)分析是一種發(fā)現(xiàn)隱藏在大型數(shù)據(jù)集中有意義的聯(lián)系的數(shù)據(jù)挖掘技 術(shù)，所發(fā)現(xiàn)的聯(lián)系用關(guān)聯(lián)規(guī)則或頻繁項(xiàng)集的形式表示。關(guān)聯(lián)規(guī)則已經(jīng)大量應(yīng)用在金融，醫(yī) 療，電力市場(chǎng)營(yíng)銷以及設(shè)備故障檢測(cè)上，在樓宇能效分析中應(yīng)用較少。

【發(fā)明內(nèi)容】

[0006] 本發(fā)明的目的就是為了克服上述現(xiàn)有技術(shù)存在的缺陷而提供一種基于分項(xiàng)計(jì)量 的樓宇綜合能效分析方法。
[0007] 本發(fā)明的目的可以通過以下技術(shù)方案來實(shí)現(xiàn)：
[0008] 與現(xiàn)有技術(shù)相比，本發(fā)明具有以下優(yōu)點(diǎn)：
[0009] -、算法先進(jìn)、效果明顯:本發(fā)明能夠分析樓宇總能耗與氣象溫度間的關(guān)聯(lián)性以及 與各個(gè)用電設(shè)備的關(guān)聯(lián)特征，有針對(duì)性地研究用電設(shè)備的用電特征，提出有針對(duì)性的節(jié)能 建議。
[0010]二、根據(jù)聚類后的典型負(fù)荷曲線，有針對(duì)性地研究用電設(shè)備的用電特征，有助于制 定分時(shí)電價(jià)。
[0011]三、根據(jù)提取出的用電設(shè)備的關(guān)聯(lián)特征，為樓宇節(jié)能與改善提供依據(jù)，有助于樓宇 智能用電需求響應(yīng)機(jī)制以及樓宇設(shè)備優(yōu)化運(yùn)行策略的制定。
【附圖說明】
[0012] 圖1為本發(fā)明的方法流程圖。
[0013] 圖2為工作日負(fù)荷曲線圖。
[0014]圖3為三類工作日負(fù)荷曲線圖。
【具體實(shí)施方式】
[0015] 下面結(jié)合附圖和具體實(shí)施例對(duì)本發(fā)明進(jìn)行詳細(xì)說明。
[0016] 實(shí)施例：
[0017] 研究數(shù)據(jù)來源于某辦公園區(qū)7月~9月各個(gè)樓宇和空調(diào)機(jī)組的用電量，分項(xiàng)計(jì)量電 表主要包括辦公樓宇總電表、19樓總表、C樓總表、D樓總表、中央空調(diào)總表及4個(gè)空調(diào)機(jī)組分 表等，圖1為本發(fā)明的方法流程圖。
[0018] 由于得到的電量數(shù)據(jù)是電表每分鐘的讀數(shù)，因此需要先轉(zhuǎn)換為以15分鐘為間隔的 功率數(shù)據(jù)。處理方法是將每15分鐘電表讀數(shù)為一組，用第15分鐘的電表讀數(shù)減去第1分鐘的 讀數(shù)再除以時(shí)間就得到這段時(shí)間內(nèi)的平均負(fù)荷數(shù)據(jù)。為了清晰顯示負(fù)荷的變化趨勢(shì)，使用 15分鐘消耗的電量作為負(fù)荷曲線的每一點(diǎn)。經(jīng)過數(shù)據(jù)處理得到7月26日~9月5日共42天的 負(fù)荷數(shù)據(jù)。只考慮工作日的負(fù)荷變化情況，圖2是整個(gè)園區(qū)辦公樓宇30天的工作日負(fù)荷曲 線，每天96個(gè)電量數(shù)據(jù)點(diǎn)。
[0019] 1、將得到的負(fù)荷曲線應(yīng)用聚類分析進(jìn)行數(shù)據(jù)挖掘，得到差異較大的幾類曲線。聚 類算法如下：
[0020] 1)對(duì)于一個(gè)包含η個(gè)d維數(shù)據(jù)點(diǎn)的數(shù)據(jù)集Χ= {χι，Χ2,…，Xi,…，χη}，其中XiGRd，選 擇數(shù)據(jù)集中K個(gè)點(diǎn)作為初始聚類中心，每個(gè)對(duì)象代表一個(gè)類別的中心yk(k=l，2,.. .，K)，本 實(shí)施例中n = 30，d = 96。
[0021] 2)計(jì)算各點(diǎn)到中的歐式距離，按距離最近的準(zhǔn)則分別將它們分配給與其最相 似的聚類中心代表的類，形成K個(gè)簇C= {ck，k=l，2，···Κ}。每個(gè)簇Ck代表一個(gè)類。計(jì)算該類各 點(diǎn)到聚類中心的距離平方和J(Ck):
[0023] 3)計(jì)算各類樣本到其所在類別聚類中心yk總的距離平方和J(C)，直至最小。
[0025] 其中，若叉盧(^，(11^=1;若:^癢<?，，(11^ = 0。
[0026] 最后計(jì)算類內(nèi)所有對(duì)象的均值作為該類的新聚類中心。
[0027] 4)判斷聚類中心和J(C)值是否發(fā)生改變，若發(fā)生改變則轉(zhuǎn)步驟2)，若不再改變則 聚類結(jié)束。
[0028] 為了確定最佳聚類效果，引入DB(Davies-Bouldin)有效性指標(biāo)進(jìn)行評(píng)估，DB指標(biāo) 越小聚類效果越佳。表1得到的是k = 2，3，4時(shí)DB指標(biāo)，可以看出k = 3時(shí)，DB指標(biāo)最小。因此將 工作日負(fù)荷曲線分為三類。圖3是當(dāng)k = 3時(shí)，負(fù)荷數(shù)據(jù)歸一化后三類工作日負(fù)荷曲線。
[0029]表1總表聚類有效性評(píng)估
[0031] 2、泛化數(shù)據(jù)集
[0032] 泛化數(shù)據(jù)集是對(duì)電量和氣溫?cái)?shù)據(jù)從較低的概念層抽象到較高的概念層。這里采用 K-means算法對(duì)連續(xù)數(shù)據(jù)進(jìn)行離散化聚類，用類別的標(biāo)號(hào)代替實(shí)際的數(shù)據(jù)值，形成差異分 明、層次清晰的離散數(shù)據(jù)集，構(gòu)成關(guān)聯(lián)規(guī)則分析所直接面向的數(shù)據(jù)源，從而為數(shù)據(jù)挖掘準(zhǔn)備 了必要條件。具體過程如下：
[0033] 對(duì)辦公樓宇日用電量、空調(diào)日用電量和氣溫進(jìn)行聚類分析，并進(jìn)行有效性評(píng)估，可 發(fā)現(xiàn)在k = 3時(shí)聚類效果最佳，分別將其分成三個(gè)區(qū)間：低水平、中等水平、高水平。為了研究 四個(gè)空調(diào)機(jī)組間的相關(guān)性，將各空調(diào)機(jī)組日用電量大于等于l〇〇kWh視為空調(diào)開，低于 lOOkWh視為空調(diào)關(guān)。于是得到泛化等級(jí)取值范圍，如表2。
[0034]表2泛化等級(jí)取值范圍
[0035]
[0036] 對(duì)原始數(shù)據(jù)集中的電量數(shù)據(jù)、氣溫?cái)?shù)據(jù)按照各自泛化等級(jí)的取值范圍進(jìn)行等級(jí)歸 類，得到如表3所示的泛化數(shù)據(jù)集。在表3中，樓宇總表的低水平、中等水平、高水平三個(gè)等級(jí) 分別用E1、E2、E3表示，空調(diào)日用電總量的三個(gè)等級(jí)分別用A1、A2、A3表示。溫度的三個(gè)等級(jí) 分別用ΤΙ、T2、T3表不。四個(gè)空調(diào)的開關(guān)情況分別用a、b、c、d表不，al表不1#空調(diào)開，a0表不 1#空調(diào)關(guān)，依此類推。
[0037]表3泛化數(shù)據(jù)集
[0038]
[0040] 3、獲取關(guān)聯(lián)規(guī)則
[0041] 在實(shí)現(xiàn)辦公樓宇用電量關(guān)聯(lián)性分析時(shí)，在Visual C++平臺(tái)上編程實(shí)現(xiàn)了FP-Growth算法以尋找所有的頻繁項(xiàng)集，然后再生成強(qiáng)關(guān)聯(lián)規(guī)則。FP-Growth算法如下：
[0042] l)FP_Growth算法的基本步驟
[0043] 輸入為一個(gè)數(shù)據(jù)集(樓宇總用電量、空調(diào)用電量、空調(diào)開關(guān)狀態(tài)、氣象溫度等)和一 個(gè)最小支持度閾值，輸出為頻繁項(xiàng)集1。
[0044] 步驟 1:構(gòu)造 FP-Tree
[0045] (a)第一次掃描數(shù)據(jù)集，篩選出項(xiàng)支持度大于最小支持度閾值的所有頻繁項(xiàng)的集 合F，按每個(gè)頻繁項(xiàng)的支持度降序排列，結(jié)果記為頻繁項(xiàng)表L。
[0046] (b)創(chuàng)建樹的根結(jié)點(diǎn)，用"null"表示。第二次掃描數(shù)據(jù)庫，對(duì)每一條篩選出的頻繁 項(xiàng)的集合按L中頻繁項(xiàng)的次序創(chuàng)建分枝并插入FP-Tree。
[0047] 步驟2:對(duì)FP-Tree進(jìn)行數(shù)據(jù)挖掘得到關(guān)聯(lián)規(guī)則
[0048] (a)若該樹只包含單路徑，則對(duì)該路徑中結(jié)點(diǎn)的每個(gè)組合生成頻繁集輸出。
[0049] (b)若該樹含多條路徑，則由長(zhǎng)度為1的頻繁模式(初始后綴模式)開始，收集它的 前綴路徑(條件模式基），然后構(gòu)建條件FP樹，并遞歸地在該樹上進(jìn)行挖掘。通過后綴模式與 條件樹產(chǎn)生的頻繁模式連接實(shí)現(xiàn)輸出頻繁集模式。
[0050] 2)強(qiáng)關(guān)聯(lián)規(guī)則的生成
[0051]由FP-Growth算法得到的每個(gè)頻繁項(xiàng)集1，生成其所蘊(yùn)含的強(qiáng)關(guān)聯(lián)規(guī)則步驟如下： [0052] (a)生成1的所有非空子集；
[0053] (b)對(duì)于1中每個(gè)非空子集s，補(bǔ)集r=l_s，
，則輸出規(guī)則s-r。 其中min_conf是最小置信度閾值。由于該規(guī)則是由滿足最小支持度閾值的頻繁項(xiàng)集1產(chǎn)生， 因此該規(guī)則必然是強(qiáng)關(guān)聯(lián)規(guī)則。
[0054]將以上泛化數(shù)據(jù)集及最小支持度閾值錄入程序中生成頻繁集，然后對(duì)頻繁集進(jìn)行 挖掘產(chǎn)生強(qiáng)關(guān)聯(lián)規(guī)則，作為綜合能效分析結(jié)果，見表4。
[0055]表4強(qiáng)關(guān)聯(lián)規(guī)則
[0057] 從表4我們可以得到以下關(guān)聯(lián)規(guī)則：
[0058]空調(diào)對(duì)樓宇總電量的影響
[0059] 對(duì)規(guī)則1、規(guī)則2、規(guī)則3進(jìn)行分析，當(dāng)空調(diào)用電量分別處于高、中、低等水平時(shí)，樓宇 總的用電量一定也處于相應(yīng)水平?？梢娤募究照{(diào)負(fù)荷對(duì)總負(fù)荷有著非常重要的影響。
[0060] 空調(diào)機(jī)組間的關(guān)聯(lián)性
[0061] 對(duì)規(guī)則4、規(guī)則5、規(guī)則6進(jìn)行分析，空調(diào)4#(d0)對(duì)空調(diào)3#(cl)的影響程度更大，即空 調(diào)3#、4#關(guān)聯(lián)性較高。由于處于同一支路的空調(diào)受環(huán)境、氣溫影響更為相似，相關(guān)性更大。 [0062]氣溫對(duì)空調(diào)的影響
[0063] 對(duì)規(guī)則7、規(guī)則12進(jìn)行分析，規(guī)則7表明氣溫處于27.5~31.5區(qū)間時(shí)，空調(diào)3#-定會(huì) 開;將規(guī)貝1J7和規(guī)則12結(jié)合起來考慮，規(guī)則12比規(guī)貝1J7支持度略低，由0.567下降到0.5，這說 明氣溫處于T2的前提下，空調(diào)3#處于開狀態(tài)的時(shí)間主要集中在空調(diào)4#處于關(guān)狀態(tài)的時(shí)間， 并且置信度達(dá)到1。
[0064]氣溫與樓宇總用電量的關(guān)聯(lián)性
[0065]對(duì)規(guī)則8、規(guī)則9、規(guī)則10進(jìn)行分析，溫度與樓宇的用電量有著十分密切的關(guān)系。由 規(guī)則9可知大部分時(shí)間溫度和用電量處于中等水平，即氣溫處于27.5~31.5區(qū)間時(shí)，樓宇總 的用電量將有76.5%的概率處于12550~15560kWh。；由規(guī)則10可知一旦溫度達(dá)到31.5度以 上，用電量一定處于高水平。
【主權(quán)項(xiàng)】
1. 一種基于分項(xiàng)計(jì)量的樓宇綜合能效分析方法，其特征在于，包括以下步驟： 1) 獲取樓宇的日用電量數(shù)據(jù)，包括日總用電量、用電設(shè)備日總用電量、各個(gè)用電設(shè)備機(jī) 組日用電量和日氣象溫度數(shù)據(jù)，并進(jìn)行預(yù)處理補(bǔ)全缺失數(shù)值和損壞數(shù)據(jù)； 2) 采用K均值算法對(duì)日用電量數(shù)據(jù)進(jìn)行泛化處理，得到泛化數(shù)據(jù)集； 3) 采用FP增長(zhǎng)算法對(duì)泛化數(shù)據(jù)集進(jìn)行關(guān)聯(lián)規(guī)則分析，得到樓宇總能耗與氣象溫度以及 各個(gè)用電設(shè)備間的關(guān)聯(lián)性。2. 根據(jù)權(quán)利要求1所述的一種基于分項(xiàng)計(jì)量的樓宇綜合能效分析方法，其特征在于，所 述的步驟2)具體包括以下步驟： 21) 采用聚類算法對(duì)樓宇日總用電量、用電設(shè)備日總用電量和日氣象溫度數(shù)據(jù)進(jìn)行聚 類，通過有效性評(píng)估獲得聚類類別數(shù)目，并通過聚類類別數(shù)目對(duì)聚類后的數(shù)據(jù)進(jìn)行區(qū)間劃 分； 22) 設(shè)定各個(gè)用電設(shè)備機(jī)組日用電量與機(jī)組開關(guān)的關(guān)系； 23) 根據(jù)劃分后的區(qū)間以及各個(gè)用電設(shè)備機(jī)組日用電量與機(jī)組開關(guān)的關(guān)系對(duì)對(duì)樓宇日 總用電量、用電設(shè)備日總用電量和日氣象溫度數(shù)據(jù)進(jìn)行等級(jí)歸類，獲得泛化數(shù)據(jù)集。3. 根據(jù)權(quán)利要求2所述的一種基于分項(xiàng)計(jì)量的樓宇綜合能效分析方法，其特征在于，所 述的步驟3)具體包括以下步驟： 31) 根據(jù)泛化數(shù)據(jù)集構(gòu)建FP樹； 32) 在FP樹中根據(jù)路徑生成頻繁項(xiàng)集； 33) 設(shè)定最小置信度閾值，并且根據(jù)最小置信度閾值在頻繁項(xiàng)集中生成強(qiáng)關(guān)聯(lián)規(guī)則，即 樓宇總能耗與氣象溫度以及各個(gè)用電設(shè)備間的關(guān)聯(lián)性。4. 根據(jù)權(quán)利要求3所述的一種基于分項(xiàng)計(jì)量的樓宇綜合能效分析方法，其特征在于，所 述的步驟31)具體包括以下步驟： 311) 設(shè)定最小支持度閾值，并掃描泛化數(shù)據(jù)集，篩選出項(xiàng)支持度大于最小支持度閾值 的所有頻繁項(xiàng)的集合F，按每個(gè)頻繁項(xiàng)的支持度降序排列，獲得頻繁項(xiàng)表L; 312) 創(chuàng)建FP樹的根結(jié)點(diǎn)，并再次掃描泛化數(shù)據(jù)集，對(duì)每一條篩選出的頻繁項(xiàng)的集合按L 中頻繁項(xiàng)的次序創(chuàng)建分枝并插入FP樹。5. 根據(jù)權(quán)利要求4所述的一種基于分項(xiàng)計(jì)量的樓宇綜合能效分析方法，其特征在于，所 述的步驟32)具體包括以下步驟： 321) 當(dāng)FP樹只包含單路徑，則對(duì)該路徑中結(jié)點(diǎn)的每個(gè)組合生成頻繁集并輸出； 322) 當(dāng)FP樹含多條路徑，則由長(zhǎng)度為1的頻繁模式開始，收集它的前綴路徑，并構(gòu)建條 件FP樹，并遞歸地在該樹上進(jìn)行挖掘，通過后綴模式與條件FP樹產(chǎn)生的頻繁模式連接輸出 頻繁集。
【文檔編號(hào)】G06K9/62GK105868887SQ201610168903
【公開日】2016年8月17日
【申請(qǐng)日】2016年3月23日
【發(fā)明人】林順富, 郝朝, 湯曉棟, 符楊, 李東東
【申請(qǐng)人】上海電力學(xué)院