作为预测因子;3)基于运行能耗数据对预测仿线)利用校准后的预测仿真模型构
1)建立建筑能耗的预测仿真模型,并预设运行条件,同时基于运行能耗的历史数据,建
立数据驱动模型,所述的预测仿真模型根据建筑信息和能耗设备系统信息建立,并通过规
范参数预设运行条件,所述的建筑信息包括建筑形体,所述的能耗设备系统包括机电系统,
所述的规范参数包括动态预设参数和静态预设参数;所述的数据驱动模型通过机器学习回
2)从预测仿真模型和数据驱动模型中提取共同的特征因子,作为预测因子,所述的预
测因子包括能耗负荷率、室外气象参数、运行方式和/或系统场景,所述的能耗负荷率通过
能耗负荷率预测得到,所述的室外气象参数通过天气预报得到,所述的运行方式通过运行
3)基于运行能耗数据对预测仿真模型进行校准,所述的运行能耗数据包括照明能耗数
41)利用校准后的预测仿真模型,获取预测因子全范围的预测结果,作为历史数据集的
应用预测仿真模型模拟获取预测因子全范围的预测结果数据,作为数据驱动模型的未
能覆盖预测因子全范围的历史数据集的补充,与历史数据融合,构建覆盖预测因子范围全
5)根据拟预测日的预测因子,判断并选择增强训练数据集或历史数据集,对数据驱动
模型进行训练,实施建筑运行能耗预测,当历史数据的经验范围包括拟预测日的预测因子
时,选择历史数据集对数据驱动模型进行训练,否则选择增强训练集对数据驱动模型进行
6)滚动获取预测日新产生的建筑运行能耗数据,返回执行步骤3),进行可持续的模型
2.根据权利要求1所述的一种基于孪生模型的建筑能耗预测方法,其特征在于,当选择
利用KNN聚类算法,从增强训练集中筛选与拟预测日的预测因子对应的数据集,对数据
3.根据权利要求1所述的一种基于孪生模型的建筑能耗预测方法,其特征在于,所述的
步骤3)还包括:基于运行能耗数据分别对预测仿真模型和数据驱动模型进行验证。
4.根据权利要求3所述的一种基于孪生模型的建筑能耗预测方法,其特征在于,所述的
对预测仿真模型进行验证具体包括:验证预测因子在预测仿真模型中的敏感性和适用性;
所述的对数据驱动模型进行验证具体包括:验证数据驱动模型对超出历史经验范围的
5.根据权利要求1所述的一种基于孪生模型的建筑能耗预测方法,其特征在于,在所述
的预测仿真模型具备分项运行能耗数据的条件下,对多个能耗需求用能设备系统,分别对
工参数、机电系统等详细信息建立仿真模型,并预设建筑运行参数进行负荷和能耗预测。长
期在设计阶段为方案比选、相对比较分析研究提供了技术支撑,发挥了重要作用。然而,由
于模型中的预设参数未能真实反映实际建筑运行状态,尽管经过多年的研究和改良,仍然
未能有效解决与实际建筑能耗乖离的现实,结果偏差大,由于这类模型虽然基于机理具有
最近随着大数据、物联网技术的发展,基于实际运行数据的数据驱动模型,包括黑
箱模型等基于机器学习算法的模型方法得以积极应用,为动态把握建筑能耗规律,优化运
行策略等需求提供了技术支持。然而数驱驱动模型因仅基于历史经验学习获取能耗规律,
缺乏对能耗规律背后内在关系的解释性,还由于局限于历史经验的学习,对超出历史经验
差,目前没有行之有效的建筑能耗预测方法,这成为了建筑能耗领域发展的一大瓶颈。
1)建立建筑能耗的预测仿真模型,并预设运行条件,同时基于运行能耗的历史数
3)基于运行能耗数据对预测仿线)利用校准后的预测仿真模型构建增强训练集数据;
5)根据拟预测日的预测因子,判断并选择增强训练数据集或历史数据集,对数据
6)滚动获取预测日新产生的建筑运行能耗数据,返回执行步骤3),进行可持续的
的机制。具体来说,对于预测仿真模型(即白箱模型,称为模型A)而言,需要基于实际运行数
据进行校准,并满足相关指南的精度要求,因此提供数据驱动模型(成为模型B)相呼应,提
集,并与局限于有限范围的实际运行能耗历史数据集混合,形成全域增强的训练数据集,提
模型A和模型B的方法互为补充、校准,且动态迭代完善。模型A与当下历史数据合
成增强训练集数据,提供给模型B进行学习,为新场景预测提供支持,而后续实际的能耗数
据将同步应用于模型A的校准和更新迭代,形成一种成长型的孪生模型预测方法。
41)利用校准后的预测仿真模型,获取预测因子全范围的预测结果,作为历史数据
42)将扩展数据与历史数据相互融合,合成增强训练集数据,实现对有限的历史经
进一步地,所述的步骤5)中,当历史数据的经验范围包括拟预测日的预测因子时,
选择历史数据集对数据驱动模型进行训练,否则选择增强训练集对数据驱动模型进行训
利用KNN聚类算法,从增强训练集中筛选与拟预测日的预测因子对应的数据集,对
进一步地,所述的步骤3)还包括:基于运行能耗数据分别对预测仿真模型和数据
规范参数预设运行条件,所述的建筑信息包括建筑形体,所述的能耗设备系统包括机电系
统,所述的规范参数包括动态预设参数和静态预设参数;所述的数据驱动模型通过机器学
进一步地,所述的预测因子包括能耗负荷率、室外气象参数、运行方式和/或系统
场景,所述的能耗负荷率通过能耗负荷率预测得到,所述的室外气象参数通过天气预报得
到,所述的运行方式通过运行方式预设得到,所述的系统场景通过系统变更场景预设得到。
需求用能设备系统,分别对应建立多个独立的预测仿真模型。例如建筑中含有多个或多种
空调系统情形时,对应各系统能耗和承担的空调区域需求分别建立预测仿真模型,提取影
响能耗变化的主要动态因子,参照对应的实际数据进行校准并与数据驱动模型(模型B)的
1)本发明针对建筑能耗预测领域的瓶颈问题,克服了原来白箱模型由于预设变量
的不确定性而导致偏离实际的局限,建立了预测因子与实际情况动态校准和联动关系;解
决了数据驱动模型因受限于历史经验数据的学习而应对异动场景能力不足的局限性,增强
势,取长补短,实现两模型方法的相互补充和支撑,实现数据交互融合应用,显著提升了预
测模型的适应范围和精度,两模型的孪生发展可取长补短发挥其优势,突破了现有模型方
发明的一部分实施例,而不是全部实施例。基于本发明中的实施例,本领域普通技术人员在
没有做出创造性劳动的前提下所获得的所有其他实施例,都应属于本发明保护的范围。
如图1和图2所示,本发明提供一种基于孪生模型的建筑能耗预测方法,用以保障
S1:根据建筑信息、设备系统信息建立基于对象的建筑能耗的预测仿真模型,即白
S2:根据运行能耗数据建立基于对象的建筑能耗预测的数据驱动模型(以下称模
S3:从模型A和模型B中提取共同的特征因子,作为预测特征变量(以下简称预测因
子),并基于运行能耗数据校准模型A,并验证校准模型A预测因子的敏感性、适应性及模型
S4:应用模型A模拟获取预测因子全范围的预测结果数据,作为模型B的未能覆盖
预测因子全范围的历史数据集的补充,与历史数据融合,构建覆盖预测因子范围全域的增
S5:在模型B实施建筑能耗预测前,检测预测因子与历史数据的条件范围的吻合
度,具体为,对能耗实施预测时采取前馈方式,并基于聚类、分类的学习算法对预测因子及
拟采用的历史数据训练集辨识分析,当拟预测日的预测因子超出实际的历史数据的经验范
围时,启用包括历史数据和模型A扩展数据合成的增强训练集数据,进行模型B的学习和预
测,否则采用历史数据集作为训练集,进行模型B的学习和预测,最终得到拟预测日的能耗
数据所覆盖的范围的一致性,如果超出历史经验方法,存在模型学习有限、预测失灵的风
险,启用增强训练集取代原训练集,并利用分类、聚类算法优选出接近预测目标场景的训练
S6:模型A与模型B互为补充,利用新产生的历史数据持续对模型A实施动态校准,
同时对增强训练集数据动态更新迭代,实现模型A与模型B的模型据孪生和数据融合。
的机制。具体来说,对于预测仿真模型(即白箱模型,称为模型A)而言,需要基于实际运行数
据进行校准,并满足相关指南的精度要求,因此提供数据驱动模型(成为模型B)相呼应,提
集,并与局限于有限范围的实际运行能耗历史数据集混合,形成全域增强的训练数据集,提
模型A和模型B的方法互为补充、校准,且动态迭代完善。模型A与当下历史数据合
成增强训练集数据,提供给模型B进行学习,为新场景预测提供支持,而后续实际的能耗数
据将同步应用于模型A的校准和更新迭代,形成一种成长型的孪生模型预测方法。
其中,在具备分项运行能耗数据的条件下,可将模型A分解为各个独立、直接对应
能耗需求用能设备系统的模型。例如建筑中含有多个或多种空调系统情形时,对应各系统
能耗和承担的空调区域需求分别建模。提取影响能耗变化的主要动态因子,参照对应的实
因子主要包括但不限于通过能耗负荷率预测、天气预报、运行方式预设、系统变更场景预设
2、基于运行能耗数据建模数据驱动模型,与白箱模型同调提取共同的特征变量作
3、针对提取的预测因子,本实施例中为机电系统的能耗负荷率和室外气象参数,
基于实际能耗历史数据验证在白箱模型中的敏感性和适用性,并对比验证数据驱动模型对
4、以校准后的白箱模型、合成的增强训练集为模型拓展的支撑,在实施数据驱动
模型预测时基于对预测因子的前馈检测及对历史数据的聚类分析,对预测目标的场景是否
超出历史经验范围做出判断,当超出历史经验范围时则选择增强训练集,并利用KNN等分类
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何
熟悉本技术领域的工作人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替
换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利