276-基于数据挖掘的建筑热惰性周期研究.pdfVIP

基于数据挖掘的建筑热惰性周期研究 河北工业大学 朱佳 孙春华 耿欣欣 齐承英 摘 要：首先建立了以室外温度和历史耗热量为自变量的建筑热惰性周期回归预测模型， 然后利用 MATLAB 软件对某地不同热工性能的散热器供暖建筑楼栋耗热量进行回归预测分 析，发现耗热量受建筑热惰性周期的影响，并提出建筑热惰性周期的概念。通过对回归结果 相对误差分析发现，建筑热惰性周期经历三个时期，即波动期，平稳期和波动发散期。对于 不同热工性能的建筑通常有不同的最佳热惰性周期，且随着热工性能的提高，最佳热惰性周 期变长。这一研究为供热系统的供热参数准确预测提供有价值的理论参考。 关键词 ：数据挖掘；耗热量;回归预测模型；MATLAB；建筑热惰性周期 一、引言 在如今的信息化时代里，各种行业或组织的数据得以海量积累和传递。但是，从海量的 数据当中提取有用的信息也成为了一个难题。在海量数据面前，传统的数据分析工具和方法 很无力。数据挖掘是一种将传统的数据分析方法与处理大量数据的复杂算法相结合的技术， 它可以从大量模糊的随机数据中，提取隐含在其中的潜在有用信息和知识，为此数据挖掘广 泛应用于各个行业。国内外众多学者也纷纷将这一技术应用于供热领域。Werner[1]通过应用 数据挖掘技术对多个瑞典区域的供热系统热负荷历史数据进行研究、分析，最终得出影响供 热负荷的主要因素为室外温度、自然风和太阳辐射的影响相对较小这一重要结论。OMER[2] 等人以土耳其Afyon 地区的大量历史气象参数为基础，运用数据挖掘技术对气象参数进行分 析，发现相对湿度对建筑的耗热量较小，而室外温度、风速和太阳辐射一定程度上对耗热量 影响较大。WESTPHAL[3]等人对大量气象参数、系统热负荷和耗热量的历史数据进行数据挖掘 应用，得出不同的气象参数周期选取对预测结果也有较大影响。除了将数据挖掘应用于对未 知的潜在信息探索上，这一技术还被应用于供热的能耗预测方面。毕海军 [4]使用大量的样 本信息，通过模糊神经网络，考虑了室外温度、风力、风向、阴晴状况，对锅炉的供回水温 度进行了预测。张德山[5]等人利用多年实际的数据，建立了室外温度与热负荷指标的关系， 用以指导热电厂的输出。石兆玉 [6]通过研究、分析、试验大量历史数据，运用回归分析将 前几天的供热参数及当天的供热参数汇总以预测当天的热负荷，并得到了较高的精度。大量 的研究已经表明，采用数据挖掘技术对建筑能耗预测是可行的，但是对于历史数据周期的选 取和准确性这二者之间的关系还是有待深入探讨的，这也是本文的研究目的。 二、数据挖掘模型建立 热负荷的准确预测是实现热力站按需供热达到节能运行的基础和前提。实现按需供热的 供热系统应该根据用户需热量及室外气象参数的变化进行周期性调节，而供热系统供热量由 建筑功能、用户生活习惯以及室外气象参数决定，必然具有一定的内在规律。由于供暖系统 和建筑存在热惰性，故而对室温的扰动往往有较大的延迟性，因此预测模型的时间单位往往 以天为基数，所以预测按时间分类应为中期预测。加之笔者有着大量的历史耗热量数据，以 及越来越多回归分析能耗预测的成功应用，故本文采用回归分析法预测能耗。 朱佳，男，1994 年10 月生，在读硕士研究生 邮编：300401 天津市北辰区四西平道 5340 号河北工业大学 1075693506@ 回归分析法是通过挖掘历史数据来建立自变量与因变量间的关系，以回归模型的方式进 行预测[7]。由于回归分析是用数学模型来反映各个自变量和因变量的联系，所以自变量的选 择很大程度上决定着预测结果的准确性。建筑耗热量具有时间遗传特性[8]，故建筑的历史耗 热量也对建筑的耗热量有影响。太阳辐射能是室外温度的绝对影响因素，同时太阳辐射能又 能对室内温度进行补偿，所以太阳辐射能对建筑耗热量的影响实际上也可体现为室外温度和 历史耗热量上。 本文采用室外温度和前m 天的历史耗热量作为预测模型的自变量，采用最小二乘法来建 立回归预测模型，其预测模型如下： ( ) = , , = 1，= + ∙ + ∙ ⎧ 0 1 1 ⎪ = 2，= + ∙ + ∙ + ∙