[发明专利]基于大数据和人工智能的民用建筑负荷计算方法及系统

权利要求书

1.一种基于大数据和人工智能的民用建筑负荷计算方法，其特征在于，包括步骤：

T10：匹配建筑能耗数据库，分为3个子步骤：

步骤T11：匹配地区信息：在民用建筑能耗数据库中匹配相同地区标签的数据，若特定地区缺少数据，则匹配距离最近的拥有数据的地区数据；

步骤T12：匹配建筑类型信息：在民用建筑能耗数据库中匹配相同建筑类型标签的数据。

步骤T13：匹配分项面积信息：在民用建筑能耗数据库中匹配相同分项面积标签的数据；

T20：负荷计算，分为4个子步骤：

步骤T21：计算分类能耗负荷S_E；

步骤T22：计算分项面积能耗负荷S_M；

步骤T23：计算建筑类型能耗负荷S_L

步骤T24：对比S_E、S_M和S_L，取最大值得到建筑总能耗S₀。

步骤T30：确定变压器，分为3个子步骤：

步骤T31：根据民用建筑耗能数据库大小，选择置信系数k_z，其中，置信系数k_z根据公式(1)计算得到：

式中，为样本均值；z^*为置信度的临界值，取95％置信度时z^*为1.96；S为样本标准差；n为民用建筑耗能数据库中样本量。

步骤T32：根据置信系数修正能耗配置：最终能耗配置S₁＝k_z×S₀；

步骤T33：计算得到变压器配置：根据变压器产品序列和项目需求，使得所有变压器配置数据大于等于能耗配置S₁。

2.根据权利要求1所述的基于大数据和人工智能的民用建筑负荷计算方法，其特征在于，还包括建立民用建筑耗能数据库的步骤，包括：

步骤S10：获取能耗大数据；

步骤S11：获取分类能耗数据；

步骤S12：获取分项面积能耗数据；

步骤S13：获取建筑类型能耗数据；

步骤S14：获取地区标签；

步骤S20：数据分析，分为4个子步骤：

步骤S21：生成分类能耗单位数据：提取步骤S11生成的每条分类能耗，除以建筑面积，得到分类能耗单位数据；

步骤S22：生成分项面积能耗单位数据：提取步骤S12生成的每条分项面积能耗，除以建筑面积，得到分项面积能耗单位数据；

步骤S23：生成建筑类型能耗单位数据：提取步骤S13生成的每条建筑类型能耗，除以建筑面积，得到建筑类型能耗单位数据；

步骤S24：采用人工智能算法聚类。

步骤S30：数据归类，分为3个子步骤：

步骤S31：生成经过聚类的分类能耗单位数据，共为k类。

步骤S32：生成经过聚类的分项面积能耗单位数据，共为k类。

步骤S33：生成经过聚类的建筑类型能耗单位数据，共为k类。

3.根据权利要求1所述的基于大数据和人工智能的民用建筑负荷计算方法，其特征在于，采用人工智能算法聚类的步骤，包括：

第1步，输入民用建筑耗能数据库和聚类数量k；

第2步，初始化k个聚类中心；

第3步，分配各个能耗数据对象到最近的类中；

第4步，重新计算各聚类中心；

第5步，判断聚类目标是否收敛；若未收敛则回到第3步，重新分配聚类中心；

第6步，若聚类目标已收敛，则输出结果。

4.一种基于大数据和人工智能的民用建筑负荷计算系统，其特征在于，所述系统以计算机执行指令形式存储于计算机可读存储介质上，当处理器执行所述计算机执行指令时，实现如权利要求1至3任一项所述的基于大数据和人工智能的民用建筑负荷计算方法。