能源系统大数据分析理论与实-4.监督学习方法-上.docxVIP

能源系统大数据分析理论与实践第四节

监督学习方法上

1

背景

能源预测是指对各种能源的需求量及其比例关系的未来状况的推测。能源预测的主要内容有：

?煤炭、石油、天然气、薪柴、核电等各种能源的未来需求量

?各种能源需求量之间的比例关系

?生活能耗和生活人均能耗?…

背景

能源预测按供需关系分，包括能源需求预测和能源供应预测两个方面。

前者是根据社会和国民经济发展目标，经济结构的调整，科学技术的进步，能源价格的趋势以及消费方式的变化估计未来规划年份国民经济各部门所需要的能源数量及能源品种的构成；

后者是根据能源资源可获得性及其开发利用的工艺技术条件，能源价格的趋势和能源投资与外贸的前景，预测未来规划年份能源分品种的供应量及能源供应的技术构成。

通过能源预测，可以建立能源消耗与环境保护之间的关系，结合环境保护要求，有针对性地调整能源结构和工业布局，达到经济与环境的协调发展。

背景

对建筑能耗进行可靠的预测是实现建筑能耗管理任务的重要基础，包括：

?能耗异常发现

?故障检测与诊断

?需求侧管理

?控制优化运行

?能源规划调度

?

…

背景

建筑能耗预测方法可分为两类：基于物理模型的方法和数据驱动的方法

基于物理模型的方法利用建筑本身的物理特性和传热原理，通过仿真软件建立建筑的热力学模型来模拟建筑实际运行中的能耗过程，从而实现准确的能耗预测。目前应用最多的物理建模软件有EnergyPlus、TRNSYS、DeST等。

在利用热力学原理建立理想化的建筑运行模型时，需要输入大量的建筑参数和环境参数，建模时间成本较高。同时，由于实际工程中不同建筑的建筑参数和环境参数均不相同，每一栋建筑都需要重新建立物理模型来进行能耗预测。

背景

基于数据驱动的方法通过对历史数据的挖掘来实现对建筑能耗的预测。

该方法摒弃了物理建模大量参数输入的弊端，将收集到的建筑能耗相关数据作为输入，对应的能耗作为输出，训练得到对应的数据驱动的能耗预测模型，该建模方式比较简洁且预测精度高，在建立好算法模型后便可依据建筑相关数据来进行预测，增加了模型的可复制性。

常见的数据驱动方法有：

?人工神经网络（ArtificialNeuralNetwork，ANN）

?支持向量机（SupportVectorMachine，SVM）

?决策树（DecisionTree，DT）?…

7

提纲

o总论

o特征工程

o模型选择与优化

o模型评价方法

o模型解读

8

监督学习基础概念

监督学习通过学习若干输入变量的协同关系对输出变量进行预测。根据输出变量的数据类型，可以分为回归模型和分类模型；

监督学习包含各类统计和机器学习建模算法，常见算法包括：

Output

人工神经网络支持向量回归

人工神经网络

在实践中并非采用越复杂的监督学习算法效果越好，应从数据源质量、计算能力和解读需求等多角度出发选择最合适的算法。

9

能源领域典型应用场景

监督学习算法典型能源应用场景：

典型能源应用场景实例——故障诊断与检测

末端（空气-空气）送风回风建筑系统在运行过程中存在多种故障，会导致室内温度失调、空气品质降低、设备能耗增加等问题，严重时甚至会引发安全事故：

末端（空气-空气）

送风

回风

10种故障

风阀阀门故障

流量传感器故障

温度传感器故障

控制器故障…

排风

放热

冷凝器温度传感器

冷凝器

温度传感器放热

冷却塔

冷却塔

温度传感器压缩机膨胀阀冷媒循环

温度传感器

压缩机

膨胀阀

冷媒循环

新风

新风

表冷器

表冷器

蒸发器

吸热

空气处理机组（水-空气）68种故障新风风阀故障混风风阀故障

空气处理机组（水-空气）

68种故障

新风风阀故障

混风风阀故障

表冷器阀门故障

加热器阀门故障…

10

7种主要隐性故障

制冷剂泄漏

存在不凝结气体

冷凝器结垢

冷却水流量过少

制冷剂充注过多

冷冻水流量过少

蒸发器结垢

典型能源应用场景实例——故障诊断与检测

根据美国RP-1403项目调研，冷水机组典型故障可以总结为7类，运行中往往难以察觉：

不凝性气体冷凝器结垢

不凝性气体

冷凝器结垢

21.3%8.2%

21.3%

8.2%

制冷剂充注过量冷却水不足

制冷剂充注过量

冷却水不足

制冷剂泄露蒸发器结垢16.2%

制冷剂泄露

蒸发器结垢

16.2%

20.0%11

20.0%

典型能源应用场景实例——故障诊断与检测

据美国

据美国RP-1312项目统计，一个典型的AHU中共有68类故障[1]：

6个受控设备有25类故障

5个设备中有11类故障

8个控制器中有8类故障