[发明专利]基于小波分解的非侵入式建筑系统能耗监测方法

说明书

本发明提供一种基于小波分解的非侵入式建筑系统能耗监测方法，包括：采集建筑总能耗数据，使用小波分解将建筑总能耗分为低频与高频成分，使用建筑总能耗低频与高频成分的小波系数、时刻与星期特征作为分解器模型的特征，测量获取建筑系统分项能耗，将建筑系统分项能耗及其对应特征划分为训练集与测试集；使用训练集和测试集得到分解器模型；对获取新的一栋建筑总能耗数据进行同样的处理来构建建筑系统分项能耗特征集，将其作为该分解器模型的输入对建筑系统能耗进行分解，输出对应的建筑系统分项能耗。本发明保证了数据的可利用性，通过挖掘建筑系统分项能耗数据的特征，使用能表征建筑系统分项能耗特征的多维特征来获取建筑系统分项能耗数据。

技术领域

本发明涉及建筑节能领域，具体是一种基于小波分解的非侵入式建筑系统能耗监测方法。

背景技术

随着社会经济发展，我国建筑能耗整体呈迅速增长趋势。详细的建筑系统分项能耗可帮助用户更好了解建筑各系统运行特性，为建筑节能改造与系统优化控制提供个性化意见，降低建筑能耗，减少建筑碳排放。

传统的能耗监测方法即侵入式负荷监测，需要在末端设备分别安装传感器，因此该方法会造成初投资与维护成本较高等问题，且会占据一定的使用空间，在实际应用中存在一定局限性。非侵入式负荷监测技术仅需监测建筑总能耗，然后通过机器学习算法来监测并识别分项能耗。与侵入式负荷监测方法相比，该方法所需安装的传感器较少，初投资与维护成本相对较低，且对用户造成的侵扰较小，因而该方法得到广泛的关注。非侵入式负荷监测方法主要包括四个步骤，即数据获取与预处理、事件检测、特征提取与能耗识别。

现有研究和专利主要集中于电力领域中建筑内部各类设备的电力负荷分解的问题上。如论文《计及小波设计和半监督机器学习的非侵入式负载识别》与《基于小波设计和数据挖掘算法协同训练的非侵入式负载识别》使用小波分解提取家用电器的开关暂态特性的特征信息，从而识别出家用电器的开关状态来对家庭用户的能耗进行分解。该类设备往往仅包含开/关两种状态或有限态，属于离散负载，利用算法识别出设备状态并估算能耗，从而实现负荷分解，其难度较小。虽然非侵入式负荷监测方法日渐完善，但针对建筑系统分项能耗监测仍存在一定的问题：

(1)非侵入式负荷监测方法主要应用在对单个设备能耗，对建筑系统分项能耗监测研究较少；

(2)在建筑内部各系统内通常包含大量各类设备，由于各设备启停组合较多，其负荷近似为连续性状态，难以通过识别系统状态来获取系统能耗。

发明内容

本发明提供一种非侵入式建筑系统能耗监测方法，该方法仅需监测建筑总能耗数据，通过机器学习算法实现对建筑总能耗的分解，获得准确的建筑系统分项能耗，从而解决现有技术中需要侵入建筑空间对能耗进行监测，以及难以对连续性的建筑系统分项能耗进行识别的技术问题。

为了解决以上技术问题，本发明提供了一种基于小波分解的非侵入式建筑系统能耗监测方法，包括以下步骤：

(1)采集建筑总能耗数据；

(2)对步骤(1)中获取的建筑总能耗数据进行预处理，包括剔除异常值和线性插值处理；

(3)通过对建筑内各系统的末端设备能耗进行测量，获取建筑系统分项能耗，使用小波分解从步骤(2)预处理后的建筑总能耗数据中提取低频与高频成分的小波系数，将提取的低频与高频成分的小波系数与时刻、星期作为分解器模型的特征与测量获取的建筑系统分项能耗构成获取分解器所需的数据集；

(4)使用随机抽样的方法对在步骤(3)得到的数据集进行抽样，整个数据集被划分为训练集与测试集两部分，训练集与测试集的比例根据经验选取；

(5)使用步骤(4)随机取样获得的训练集数据对分解器进行训练，并使用测试集对模型的泛化能力进行验证，最后得到分解精度较高的分解器模型，供分解使用；