基于信息融合方法的公共建筑短期冷热负荷预测研究

Building cooling/heating load changes from combined functions of a variety of interference factors in indoor and outdoor environments. The uncertainty of these factors forms part-load operation under off-design conditions. To be effective match the real-time energy supply and part-load demand, an accurate method to predict the load demand in a rapid way needs to be explored. In the context of the rapid development of intelligent buildings, how to utilize the sensors and information elements in public buildings and to filter and integrate the real-time feedback indicators based on monitored variables, aiming at predicting the load variation, is the key issue to be solved. This study proposes a method based on information fusion to establish short-term cooling/heating load prediction model by the basic parameters such as the indoor air parameters, meteorological parameters related to external disturbance, interference in the personnel-related parameters. With applying the method like diversification of information filtering, correlation and integration, extraction feature amount and division level, the load prediction model for typical public buildings can be completed. Verification and correction will also be conducted with simulation results and experimental data. The model aims at providing load demand information for practical operation of energy supply for public buildings.

建筑冷热负荷的变化来源于室内外环境多种扰量因素的综合作用，这些不确定性的因素形成了多种偏离设计条件下的部分负荷工况。要实时有效的将能源供给与部分负荷需求相匹配，就需要探索一种快速准确反映负荷需求的预测方法。在建筑智能化快速发展的背景下，如何利用公共建筑中多种传感器和信息要素，筛选并集成出基于可监测变量建立的实时反馈参数指标来预测负荷变化，是本课题要解决的关键问题。本课题提出一种基于信息融合的方法来建立建筑短期冷热负荷的预测模型，通过对基本空气状态参数、气象外扰相关参数、人员内扰相关参数等多样化信息滤波、相关和集成，提取特征量并划分层次，从而完成针对典型公共建筑的负荷预测模型构建。以仿真结果和实测数据为支撑，对负荷预测模型进行验证和修正，从而为建筑的能源供应提供具有实用价值的负荷需求信息。

建筑冷热负荷的变化来源于室内外环境多种扰量因素的综合作用，科学利用公共建筑中多种传感器和信息要素，筛选并集成出基于可监测变量建立的实时反馈参数指标来预测负荷变化，是本项目研究解决的关键问题。为了建立一种结构把海量的信息融合演化出对控制目标的快速响应途径，本项目首先研究了典型公共建筑的负荷参数的特征与关联性，获得了冷负荷与热负荷预测中室内外变量的不同重要性，发现内扰负荷占建筑夏季总冷负荷比例超过30%，因此在建立冷负荷短期预测模型时，应在输入变量中加入内扰负荷参数的监测值。在不同类别的负荷预测输入变量中，由热量表直接监测得到的供冷量和供热量的历史类负荷数据是对建筑冷热负荷预测影响最大的输入变量，且变量历史值在提高冷热负荷预测精度上起到了重要作用，可带来至少26.6%的预测精度提高。研究进一步针对负荷预测所需的基础参数信息进行了分类和提炼，研究了参数变量的维度和时间范围对负荷预测精度的影响，探索了并遴选出了以信息聚类和信息重构的信息融合方法为代表的特征集构建方法，提炼出一套基于信息融合方法的特征工程构建模式，建立了温度、太阳辐射、建筑耗电量为代表的最小特征集。结合负荷预测输入参数特征工程的建立，研究深入比较了不同类型的机器学习算法在冷热负荷预测中的性能表现，发现了集成学习算法和深度学习算法在预测精度上的优势。此外，本项目研究验证了基于特征集构建方法的冷热负荷预测模型在部分负荷工况预测上的良好表现，所构建的建筑冷热负荷预测模型可达到R-squared值高至99.8%和CV-RMSE值低至1.5%的预测精度，并以基于案例的仿真研究证实了空调系统部分负荷工况下建立的运行调控策略所带来的调控准确性提高，以及供冷供热系统在能效上的大幅度提高。