基于PCA-MLR的公共建筑能耗报警阈值计算

基于PCA-MLR的公共建筑能耗报警阈值计算

林跃东;许巧玲;严哲钦

【摘要】为提高建筑能耗监测系统的运行管理效率,提出一种基于PCA-MLR的公共建筑能耗报警阈值计算方法.首先根据建筑的实际使用情况对能耗进行分类处理,接着以温度、含湿量、风速等8个环境因素作为初始变量,通过主成分分析,提取5个主元.在此基础上,分别建立不同类型能耗的多元线性回归模型.对模型进行F检验,并与单一元线性回归模型进行对比,模型精度较高.将方法用于公共建筑能耗监测系统,系统运行正常可靠,误报警少,强化了系统的报警性能.%In order to improve the operational efficiency of building energy consumption monitoring system, a reasonable set of alarm threshold is very important. First, the actual situation of the building is used to classification of the energy consumption. Then, 8 environmental factors including tempera-ture, humidity and wind speed as the initial variables, 5 principal components were put forward through the principal component analysis(PCA), and the multiple linear regression(MLR) models with different energy consumption patterns were established. F test is carried out on the model, and compared with the single MLR, the model has higher precision. Using this method, the alarm perform-ance of building energy consumption monitoring system can be enhanced.

【期刊名称】《福州大学学报（自然科学版）》

【年(卷),期】2017(045)006

【总页数】5页(P907-911)

【关键词】能耗监测;报警阈值;公共建筑;主成分分析;多元线性回归

【作者】林跃东;许巧玲;严哲钦

【作者单位】福州大学节能技术研究中心,福建福州 350116;福州大学节能技术研究中心,福建福州 350116;福州大学节能技术研究中心,福建福州 350116

【正文语种】中文

【中图分类】TU111

0 引言

建筑能耗监测系统被视为公共建筑的节能管理平台. 监测系统大都设置能耗越限报警功能，即当某一能耗测量值超过报警阈值时，系统报警，提醒操作人员观察(或

调整)报警涉及设备的运行状态，以避免设备的异常运行导致不必要的能源消耗. 通常能耗阈值依据经验或理论计算得到，根据经验设定能耗阈值的方法在监测系统建设初期使用较广，但存在不足，有时设定的阈值与建筑用能系统的实际情况有偏差，影响报警功能的正常应用.

近年来，国内外学者对建筑能耗预测进行了大量的研究，采用的方法主要有：多元线性回归分析法、人工神经网络法、灰色理论法、支持向量机法等. 1980年，Parti等[1]率先将线性回归分析方法引入建筑能耗预测领域，采用线性回归法建立了建筑能耗预测模型，并使用该模型对圣地亚哥地区的建筑能耗进行了预测. Escrivá-Escrivá等[2]分析西班牙哥伦比亚大学的建筑能耗数据，以最高温度、最

低温度、日均温度为输入建立了高校建筑能耗的神经网络预测模型. 徐聪麒[3]采用基于粒子群优化训练的RBF网络计算28栋办公建筑的日能耗报警阈值，并将结果用于能耗监管平台，该方法的应用减少了能耗监管平台的误报警情况；王彦端[4]

采用DeST模拟分析，选定外窗传热系数、室温、室内相对湿度、通风次数、建筑面积和竣工时间6个参数，以此为输入建立SPSO-BP高校用能定额计算模型，该方法的计算结果比统计学方法计算出的能耗结果误差更小. 以上方法都在实践中得到了验证，具有一定的应用价值. 但是，这些方法对所有样本数据采取统一分析，未考虑建筑物不同运行状况下用能数据间的差异，将其用于能耗报警阈值计算时精度不足.

本研究提出一种基于PCA-MLR的公共建筑能耗报警阈值计算方法，按照建筑的实际运行状况，对能耗进行分类处理，然后通过主成分分析，去除信息冗余，消除变量之间的相关性，提取主元，以简化建模过程. 在此基础上，建立不同类型能耗的多元线性回归模型，用于建筑能耗报警阈值的计算.

1 预备知识

1.1 主成分分析

建筑能耗的影响因素众多，且各变量之间存在一定的相关性，个别信息互有重叠，导致建模过程错综复杂. 研究采用主成分分析法(PCA)，构造几个互不相关的综合变量(主成分)，用以代替初始变量，力求减少自变量之间的多重共线性问题[5].

主成分表达式如下：

式(1)中：yi为主成分; x为随机变量矩阵; u为特征向量矩阵.

主成分表征信息的能力用方差贡献率表示：

方差贡献率越大，主成分表征信息的能力也越强.

1.2 多元线性回归

建筑能耗与影响因素的关系体现为一个因变量与多个自变量的关系. 回归分析法在分析多因素模型时，相比于其它分析方法更加简单和方便. 研究采用多元线性回归

分析(MLR)，解释建筑能耗与众多影响因子之间的关系. 多元线性回归方程如下：

式中：β0为常数项(也称回归常数)，β1，β2，…，βp为回归系数；ε为随机误差；y为因变量； x1，x2，…，xp为自变量； p为自变量个数.

为获取最优的β0, β1, …, βp, σ2等未知参数，需对变量进行n次观测，则线性回

归模型可表示为：

采用最小二乘估计，寻找回归参数β的估计值使得观测值yi与拟合值的误差平方

和最小，得到多元线性回归方程如下：

2 模型建立

2.1 总体流程

图1 基于PCA-MLR的能耗报警阈值计算模型流程图Fig.1 Flow chart of energy consumption alarm threshold calculation based on PCA-MLR

图1为建立基于PCA-MLR的能耗报警阈值计算模型的总体流程图. 具体过程为：首先对能耗样本数据进行预处理，消除数量级的差别，并依据建筑的运行状况，对能耗进行分类(一般办公建筑可分为工作日和节假日两类，商场建筑可分为营业时

间和非营业时间两类，等). 通过主成分分析法处理输入变量，以去除信息冗余，消除变量之间的相关性，提取主元. 然后再采用多元线性回归方法，建立不同类型能耗的阈值计算模型.

通常能耗阈值每天更新一次. 采用同类别前一天相应计量点的能耗数据，按该类别模型计算得到报警阈值. 研究以一栋办公建筑为例，阐述基于PCA-MLR的公共建筑能耗报警阈值计算方法及应用.

2.2 模型建立