基于隨機森林的空調冷負荷逆向分解方法

1 概述

負荷監測是能源管理中的重要環節，它為能源管理提供更高精度的負荷預測模型

。負荷監測從負荷數據的獲取方式上分為侵入式和非侵入式

。侵入式負荷監測可以獲取準確的各項負荷數據，但采購、安裝、維護費用較高，且系統可靠性較低。非侵入式負荷監測是指僅在電力系統入口處安裝監測裝置，通過采集該處的電氣參數，分析得到系統內每類負荷的狀態。該方式減少了測量設備對電力系統的影響，成本較侵入式負荷監測方法低，易于維護，故非侵入式負荷監測被廣泛研究。

非侵入式負荷監測概念于20世紀80年代由麻省理工學院的Hart首次提出

，并給出了實現非侵入式負荷監測的具體步驟。非侵入式負荷監測方法較多，包括k鄰近算法(kNNR)、人工免疫算法(AIA)、遺傳算法(GP)、隨機森林(RF)以及人工神經網絡(ANN)等。

目前，關于空調負荷分解的研究包括空調系統能耗分解、空調系統末端設備能耗分解以及空調冷熱負荷分解。Perez等人

利用K均值算法提取出空調負荷特征，并采取遺傳算法從總能耗中識別出空調系統能耗。但該算法具有一定局限性，無法進行推廣使用。Ji等人

利用傅里葉級數模型，對每小時建筑其他用電(如照明、插座負荷)分析建模，再求解出空調系統終端用電量，該方法結果較為準確。為評估不同建筑部件的節能貢獻，張賀佳

利用稀疏表示與字典學習，將總冷負荷分解為溫差冷負荷、日射冷負荷、新風冷負荷、內擾冷負荷。目前，關于空調系統冷熱負荷分解的研究較少，這是由于各項冷熱負荷的產生機理和擾動不相同，是多因素耦合的結果，其在時間序列上的波動特征也不盡相同。

9月12日，財政部、應急管理部向山東省追加下撥中央財政自然災害生活補助資金1.5億元，主要用于近期山東省部分地區嚴重臺風和暴雨洪澇災害受災群眾緊急轉移安置、過渡期生活救助、倒損民房恢復重建等受災群眾生活救助需要。

本文采用基于bagging算法的隨機森林模型(RF模型)對建筑冷負荷進行分解。分析建筑總冷負荷及分項負荷特征，建立隨機森林模型，以武漢某辦公建筑為例，驗證隨機森林模型的有效性。

2 采用隨機森林模型分解冷負荷的步驟

式中

——均方根誤差

建筑物的冷負荷受室外氣象參數、圍護結構參數、建筑朝向、新風量、室內人員及作息規律、室內設備和照明、室內設定溫度等參數影響。根據負荷來源和特性，將辦公建筑總冷負荷分解為圍護結構負荷、人員負荷、燈光設備負荷和新風負荷4部分。圍護結構負荷受室外溫度影響；人員負荷與人員在室率及時間有關；燈光設備負荷由室內照明、室內設備的發熱量決定，與人員使用情況有關；新風負荷(包括滲透風負荷和新風系統的新風負荷)受室外空氣參數(溫度、濕度等)及風量影響較大，一天中波動較大。

② 模型輸入、輸出的選取

模型輸入、輸出的選取對模型分解的準確性至關重要。由于圍護結構負荷、新風負荷受室外空氣參數影響較大，人員負荷、燈光設備負荷與使用時間相關，因此采用室外空氣參數(干球溫度、濕球溫度)、總冷負荷以及時間作為隨機森林模型的輸入，將4種分項負荷作為隨機森林模型的輸出。

將訓練集中每個樣本的前4維數據(時刻、總冷負荷、干球溫度、濕球溫度)作為模型輸入，后4維數據(圍護結構負荷、人員負荷、燈光設備負荷、新風負荷)作為模型輸出對模型進行訓練。將測試集中每個樣本的前4維數據(時刻、總冷負荷、干球溫度、濕球溫度)作為模型輸入，對模型進行驗證。

第三步是專注客戶需求，打造全產業鏈數字化技術升級。滿足客戶需求是企業開展一切工作的核心，新一代信息技術為企業獲取客戶需求提供了便利性。企業要在數字化車間和信息化管理系統的基礎上，探索建立面向客戶的全產業鏈服務支持平臺，實現智能制造的同時，提供智能在線監測，遠程診斷，預防性維護和檢修等服務，實現制造型企業數字化轉變。

為了評估隨機森林模型的優劣，選擇均方根誤差作為評估指標。針對每種分項負荷，均方根誤差計算公式為：

④ 模型訓練和測試

為獲得準確的模型，需要獲得訓練與測試樣本，本研究基于模擬產生樣本。首先在SketchUp軟件中建立該辦公建筑的幾何模型，利用Energy Plus軟件對各區域進行設置，導入武漢典型氣象年數據，計算得到該辦公建筑的全年逐時負荷(含總負荷和分項負荷)。干球溫度、濕球溫度來自典型氣象年數據。選取冷負荷連續出現時段(4月20日至10月15日)的數據構成數據集。該數據集以每小時作為1個樣本，共含4 296個樣本，每個樣本有8維數據，分別是時刻、總冷負荷、干球溫度、濕球溫度、圍護結構負荷、人員負荷、燈光設備負荷、新風負荷。將數據集劃分為4 d為間隔的多個區間，選取每個區間的前3 d數據組成訓練集，第4 d數據組成測試集。

根據《海港總體設計規范》（JIS165-2013），防臺船舶一般采用單錨泊形式計算所需水域面積，單個錨位所占水域面積為一圓形面積，計算水域半徑R（m）、錨地容量可按下列公式：

③ 模型構建的參數選擇

⑤ 評價標準

隨機森林算法是一種集成學習模型，它包含多個決策樹，其回歸結果是多個決策樹結果的平均值。該算法訓練速度快，普適性強。基于Python語言實現隨機森林模型的建立。設定參數：樹的最大深度(可以分裂的次數)為20，決策樹的數量為50個，建樹時每一個葉節點有21個類別或達到每個按照屬性劃分的節點的最少樣本數為200，單個樹允許使用的最大特征數量為2，子采樣率為0.8，采用mse計算方法判斷節點是否繼續分裂。

隨著我國的社會發展的速度越來越快，我國農業的發展面臨著越來越高的要求。在我國的山區玉米種植過程中，通過運用玉米高產栽培技術可以不斷改善種植區域的土壤狀況，同時有效的進行玉米病蟲害的防治，提高山區玉米的產量和品質，經過不斷的農業技術推廣，還可以提升我國農戶對新技術的認識和掌握，從而為我國山區的農業發展提供幫助。相信隨著玉米高產栽培技術的推廣，我國的農業發展必將越來越快，為我國的經濟發展提供更好的支持。

(1)

① 冷負荷特征分析

此外，本文提出以日平均相對誤差(一天中各時刻的平均誤差)也作為評估指標。針對每種分項負荷，日平均相對誤差計算式為：

輸入尺寸為512×512的圖片樣本進行測試,選取0.5作為置信度閾值,比較DSSD算法與其它目標檢測算法的mAP值,結果如表4所示。

如前文所提到的，桑迪·斯各格蘭德絕非裝置攝影的唯一實踐者，但她卻是唯一一位將裝置本身與其攝影作品一同當作藝術作品來構想、建造與推廣的藝術家。評論家安·西弗斯(Ann Sievers)認為，這兩種藝術形式“相互依賴且同等重要”。

p

——RF模型輸出的第

個樣本的預測值

a

——第

個樣本的真實值

——訓練集或測試集的樣本數量

(2)

式中

——日平均相對誤差

——一天中的樣本數量

p

——RF模型輸出的第

個樣本的預測值

a

——第

個樣本的真實值

3 實例分析

本研究以武漢某辦公建筑作為研究對象，對其冷負荷進行分解。該辦公建筑共有地上23層，總面積約32 000 m

，工作日運行時間為7：00—22：00。導入武漢典型氣象年數據，在Energy Plus內模擬該建筑全年運行負荷，將1月1日1：00作為起始點，繪制出全年共8 760 h的逐時負荷，其中冷負荷見圖1。該辦公建筑冷負荷主要集中在7—9月，峰值冷負荷出現在8月，為3 748 kW。模擬得到的夏季典型周(7月24—30日)各分項負荷見圖2。由圖2可知，人員負荷與燈光設備負荷隨著時間呈現規律的變化，圍護結構負荷與新風負荷變化較隨機，與室外天氣變化有關。

采用前述方法進行模型的訓練和測試，以下負荷均指冷負荷。

3.1 訓練效果評價

該辦公建筑隨機森林模型的訓練效果評價指標見表1。可以看出，模型訓練時各分項負荷的均方根誤差均小于29.6 kW，日平均相對誤差的平均值均不大于1.4%，表明隨機森林模型能夠準確地實現負荷分解。人員負荷均方根誤差較小，因為人員負荷與時間相關，變化規律明顯，但其日平均相對誤差的平均值較大。燈光設備負荷日平均相對誤差的平均值較小，說明其偏離實際值程度較小。雖然圍護結構負荷的均方根誤差較大，但日平均相對誤差的平均值較小，可能是由于圍護結構負荷波動較大。新風負荷的均方根誤差較小，日平均相對誤差的平均值為1.4%，表明其分解精度較好。

斯里蘭卡“星光藍寶石”經過琢磨，通過放大鏡可細細品味寶石中的“燦爛星光”。此外，在暗光下，普通的深藍寶石顯現為黑色，而優質的斯里蘭卡藍寶石在任何光照下都會保持本色。

伴隨著科學技術的發展，智能產品接踵而來，人們漸漸被網絡中的虛擬世界所迷惑。學生們的鍛煉意識逐漸減弱，寧愿待在宿舍玩手機，也不愿進行室外活動。學生為了節省時間玩游戲或者學習，忽視了身體的重要性。這不僅會增強學生潛意識的惰性，還會降低身體機能，不利于學生良好的身心發展。因此，教育部提出體育教育信息化的發展，爭取改變此現狀，增進學生的健康，提高學生的素質，共同為體育教育信息化的發展而努力。

夏季某一月各分項負荷的訓練分解結果與模擬值對比見圖3。由圖3可知，各分項負荷的訓練分解結果與模擬值吻合較好。對于人員負荷與燈光設備負荷，在某些峰值時刻會出現較大偏差，但絕大多數時刻相對誤差小于4%。

第二、求同存異，構建有效的溝通協調機制。求同存異，在發展的過程中，重點探尋粵港澳大灣區九市二區的共通之處，以發展為重，盡快打通城市間人才、資金流、物流和信息流等生產要素的流動與對接，為粵港澳大灣區的發展掃除障礙。

3.2 測試效果評價

該辦公建筑隨機森林模型的測試效果評價指標見表2。模型測試時各分項負荷的均方根誤差均小于77.5 kW，日平均相對誤差的平均值均不大于11.2%，均高于訓練時的指標。各分項負荷的分解精度與訓練結果基本一致。

各分項負荷的測試分解結果與模擬值對比見圖4。由圖4可知，人員負荷和燈光設備負荷的測試分解結果與模擬值吻合較好。對于新風負荷，測試分解結果與模擬值差異不大，大部分時刻的絕對誤差小于24 kW，但某些時刻絕對誤差高達204 kW。對于建筑圍護結構負荷，大部分時刻測試分解結果與模擬值吻合較好，但某些時刻相對誤差較大。

4 結論

① 隨機森林算法訓練速度快，普適性強。用于分解冷負荷的隨機森林模型訓練時間短，參數調整容易。

② 模型訓練時各分項負荷的均方根誤差均小于29.6 kW，日平均相對誤差的平均值均不大于1.4%；模型測試時各分項負荷的均方根誤差均小于77.5 kW，日平均相對誤差的平均值均不大于11.2%，說明隨機森林模型可準確實現冷負荷分解，分解精度較高。

③ 4項負荷分解結果中，就均方根誤差來看，人員負荷分解精度較高，圍護結構負荷分解精度偏低；當以日平均相對誤差的平均值為判斷標準時，圍護結構負荷分解結果偏離模擬值程度較小，人員負荷偏離模擬值程度較大。

[1] 李自文, 魏平, 李海. 非侵入式負荷分解方法綜述[J]. 價值工程，2018(18): 233-235.

[2] 付華. 非侵入式負荷分解算法的綜合研究(碩士學位論文)[D]. 北京：北京交通大學，2018：1-3.

[3] HART G W. Nonintrusive appliance load monitoring[J]. Proceedings of the IEEE， 1992(12): 1870-1891.

[4] PEREZ K X, COLE W J, RHODES J D,et al. Nonintrusive disaggregation of residential air-conditioning loads from sub-hourly smart meter data[J]. Energy and Buildings,2014, 81: 316-325.

[5] JI Ying, XU Peng,YE Yunyang. HVAC terminal hourly end-use disaggregation in commercial buildings with Fourier series model[J]. Energy & Buildings,2015, 97: 33-46.

[6] 張賀佳. 基于稀疏表示與字典學習的建筑冷負荷熱量組分反向分解(碩士學位論文)[D]. 天津：天津大學，2018：21-32.