辦公建筑運行能耗的混沌時間序列復(fù)合預(yù)測

于軍琪，段佳音，趙安軍，井文強，王佳麗

(西安建筑科技大學 建筑設(shè)備科學與工程學院，西安 710055)

辦公建筑在全生命周期中普遍存在能耗大、能效低等問題，導(dǎo)致嚴重的能源浪費。其節(jié)能潛力巨大，降耗幅度可以達到30%～50%[1]。其中，辦公建筑運行能耗占比最大。因此，研究辦公建筑的運行能耗情況具有重要意義，對其進行實時準確地預(yù)測可以為優(yōu)化運行效率提供數(shù)據(jù)決策，從而實現(xiàn)節(jié)能目標。

建筑能耗的預(yù)測方法主要分為兩大類：正演模型和數(shù)據(jù)驅(qū)動模型。筆者根據(jù)獲得的辦公建筑歷史能耗數(shù)據(jù)特點，利用數(shù)據(jù)驅(qū)動模型中的時間序列法進行能耗短期預(yù)測。機器學習預(yù)測方法是最常用的短期能耗預(yù)測方法，已經(jīng)廣泛應(yīng)用于風速預(yù)測[2]、電力需求預(yù)測[3]、建筑能耗預(yù)測[4]、建筑冷負荷預(yù)測[5]等能源領(lǐng)域。目前國內(nèi)外建筑能耗時間序列預(yù)測方法應(yīng)用較為廣泛的有：人工神經(jīng)網(wǎng)絡(luò)[6](ANN, artificial neural network)、差分整合移動平均自回歸[7](ARIMA, autoregressive integrated moving average)、支持向量回歸[8](SVR, support vector regression)、多元線性回歸[9](MLR, multiple linear regression)等。辦公建筑除了室外氣象參數(shù)和圍護結(jié)構(gòu)等本體能耗外，還有機電設(shè)備、節(jié)假日、人員占用率等復(fù)雜的運行能耗，造成其能耗時間序列具有非線性特征。為了深入挖掘其時間序列內(nèi)部的非線性規(guī)律，提高預(yù)測精度，研究者們將不同的算法與人工神經(jīng)網(wǎng)絡(luò)和支持向量機結(jié)合，建立了多種辦公建筑混合預(yù)測模型。文獻[9]根據(jù)天氣、人員等多種因素利用MLR方法對辦公建筑的逐日冷負荷進行了回歸預(yù)測，與實際負荷相比平均絕對百分誤差小于8%。……