基于特征分析与深度学习的办公建筑蓄能空调系统能耗预测研究

作     者：刘慧恒 

作者单位：广州大学 

学位级别：硕士

导师姓名：刘彦辰

授予年度：2024年

学科分类：080705[工学-制冷及低温工程] 08[工学] 0807[工学-动力工程及工程热物理] 081304[工学-建筑技术科学] 0813[工学-建筑学] 

主      题：建筑蓄能空调系统 能耗预测 特征分析 深度学习 办公建筑 

摘      要：在“双碳战略背景下,空调系统能耗的准确预测在建筑节能减排和智慧运维中起着关键作用。随着人工智能技术的发展,基于数据驱动方法的空调系统能耗预测模型不断涌现。然而,目前的建模策略主要集中于引入鲁棒性更强的模型,忽视了能耗特征分析在蓄能空调系统能耗预测中的指导作用。模型的预测性能受限于能源系统复杂的运行模式和外界环境的季节性变化。本文提出了基于特征分析与深度学习的办公建筑蓄能空调系统能耗预测方法,主要工作内容与成果如下: 首先,以天津某办公建筑水蓄能空调系统为研究对象,通过四分位法识别蓄能空调系统的时间分布规律,采用二维核密度和Pearson相关系数表征能耗与室内外参数的相关性。分析结果表明,蓄能系统将峰值的部分能耗转移到非峰值时段（削峰填谷）,导致空调系统能耗迁移迹象明显,季节差异分明;蓄能空调系统能耗与室外气象参数和室内环境参数的相关性较弱,能耗特征之间存在耦合。 其次,针对办公建筑蓄能空调系统能耗特征的弱相关性,采用基于Pearson相关系数的时间序列迁移方法增强特征相关性,并与深度学习门控循环单元（GRU）模型集成建立蓄能空调系统能耗预测模型。同时,探讨时间序列迁移方法与非深度学习模型支持向量回归（SVR）和随机森林（RF）的适应性。研究结果表明,时间序列迁移方法通过增强模型输入和输出变量之间的相关性,有效地提高了模型的预测精度。具体而言,空调能耗与室内外环境参数的Kaiser-Meyer-Olkin检验值经过时间序列迁移,提高了10.8%。GRU模型预测结果的均方根误差（RMSE）降低了12%,决定系数（R2）为0.850。RF模型的RMSE降低到12.24 k W·h,R2增加了12%,达到0.760。SVR模型的RMSE为12.59 k W·h,R2为0.793。 最后,针对跨季节或不同运行模式的蓄能空调系统能耗预测,综合室内外环境参数以及历史能耗数据,构建多属性高维度的聚类向量;采用统计特征提取和维度归一化（SFEDN）增强K-means算法聚类效果,实现能耗特征的聚类解构。引入粒子群优化算法（PSO）优化GRU超参数,实现模型训练自适应,并通过k倍交叉验证评估自适应模型的鲁棒性和稳定性。研究结果表明,多属性聚类建模优于单属性建模,SFEDN方法相比常规方法聚类多属性高维度的向量更具有优势。具体而言,多属性聚类建模的预测结果相比采用空调系统能耗的单属性聚类,RMSE降低12.6%,R2增大4.0%,MAPE下降26.3%。相比未聚类的静态预测,RMSE降低11.9%,R2增大3.8%,MAPE降低19.9%。 综上所述,本文的研究为空调系统能耗预测模型的建立与优化提供了可行的技术参考。