【技術(shù)實(shí)現(xiàn)步驟摘要】
本專利技術(shù)涉及碳排放，具體涉及一種公共建筑碳排放配額分項(xiàng)拆分方法、存儲介質(zhì)及設(shè)備。
技術(shù)介紹
1、公共建筑由于建筑功能復(fù)雜、體量大、用能設(shè)備多、業(yè)態(tài)變化快、配電支路復(fù)雜等原因，通常具備碳排放量總量大、單位面積碳排放量強(qiáng)度高、用能特征復(fù)雜等特點(diǎn)，是建筑碳排放管理的重中之重。
2、公共建筑碳排放定額通常可按照建筑用能分項(xiàng)或設(shè)備進(jìn)行進(jìn)一步拆分，常見的分項(xiàng)包括：照明系統(tǒng)（又包含下級為室內(nèi)照明、室外照明、景觀照明等）；動(dòng)力系統(tǒng)（又包含下級為給排水泵、電梯系統(tǒng)、消防風(fēng)機(jī)、排煙風(fēng)機(jī)等）；停車場系統(tǒng)（又包含下級為停車場照明、停車場風(fēng)機(jī)）；暖通空調(diào)系統(tǒng)（又包含下級制冷主機(jī)、冷凍泵、冷卻泵和冷卻塔）；和其他系統(tǒng)（如特殊設(shè)備等）。
3、然而在實(shí)際應(yīng)用中，公共建筑雖然了解碳排放量總體控制目標(biāo)，但很難將總目標(biāo)拆分到各個(gè)分項(xiàng)，也很難將一個(gè)全年整體目標(biāo)拆分到每一天。建筑運(yùn)維人員由于并不明確每個(gè)分項(xiàng)、每天的碳排放量約束，因此運(yùn)行時(shí)無從下手，最終仍然容易導(dǎo)致建筑總體碳排放超標(biāo)。
4、國標(biāo)中雖然給出了各類型公共建筑的碳排放量引導(dǎo)與約束值指標(biāo)，但仍然存在兩個(gè)問題：
5、第一，碳排放量引導(dǎo)值與約束值為各類型公共建筑的統(tǒng)計(jì)平均值，并不能反映建筑的個(gè)性特征，因此“一刀切”的用能指標(biāo)并不能很好的指導(dǎo)各個(gè)建筑的實(shí)際運(yùn)行。
6、第二，標(biāo)準(zhǔn)給出的為公共建筑總碳排放量指標(biāo)，但并沒有給出如何將碳排放量指標(biāo)拆分至各個(gè)分項(xiàng)、或拆分到各月、各日的方法。目前的行業(yè)研究中，也沒有相關(guān)研究涉及如何將建筑碳排放量總量控制目標(biāo)在分項(xiàng)和時(shí)間兩
7、人工神經(jīng)網(wǎng)絡(luò)算法（ann）中的誤差反向傳播算法（bp神經(jīng)網(wǎng)絡(luò)算法），是一種單方向傳播的多層前向網(wǎng)絡(luò)，該網(wǎng)絡(luò)一般稱為三層感知層，即：輸入層、隱含層和輸出層。總共分為正向和反向傳播兩個(gè)階段。對于每一個(gè)訓(xùn)練樣本做一次網(wǎng)絡(luò)各層的計(jì)算誤差，在多次計(jì)算后達(dá)到誤差要求。此類方法一般結(jié)合其他概念共同應(yīng)用，如在建立ga-bp建筑碳排放量預(yù)測模型的過程中，用遺傳算法優(yōu)化bp神經(jīng)網(wǎng)路的出事權(quán)值和閾值。具體方法為：確定編碼長度、產(chǎn)生初始群種、適應(yīng)度函數(shù)、選擇、交叉、變異操作、計(jì)算個(gè)體適應(yīng)度值、選取最佳值、訓(xùn)練網(wǎng)絡(luò)。在建立pca-bp的建筑碳排放量預(yù)測模型時(shí)，先進(jìn)行預(yù)測因子的選擇，再對其進(jìn)行主成分提取，利用spss22統(tǒng)計(jì)軟件進(jìn)行主成分分析。再用l-m算法進(jìn)行訓(xùn)練。
8、在實(shí)際應(yīng)用當(dāng)中，bp神經(jīng)元網(wǎng)絡(luò)算法存在局部極小化問題，從數(shù)學(xué)角度看，傳統(tǒng)的bp神經(jīng)網(wǎng)絡(luò)為一種局部搜索的優(yōu)化方法，它要解決的是一個(gè)復(fù)雜非線性化問題，網(wǎng)絡(luò)的權(quán)值是通過沿局部改善的方向逐漸進(jìn)行調(diào)整的，這樣會使算法陷入局部極值，權(quán)值收斂到局部極小點(diǎn)，從而導(dǎo)致網(wǎng)絡(luò)訓(xùn)練失敗。并且bp神經(jīng)元網(wǎng)絡(luò)還有收斂速度慢，網(wǎng)絡(luò)結(jié)構(gòu)選擇不一，樣本依賴性等問題。
9、支持向量機(jī)方法（svm）和支持向量回歸機(jī)方法（svr）。支持向量機(jī)（?svm?）是一種比較好的實(shí)現(xiàn)了結(jié)構(gòu)風(fēng)險(xiǎn)最小化思想的方法。它的機(jī)器學(xué)習(xí)策略是結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則。在進(jìn)行碳排放量預(yù)算的時(shí)候首選需要進(jìn)行預(yù)測樣本特征選擇，此技術(shù)目前選取的是建筑歷史碳排放量時(shí)間序列、日平均氣溫、直接日射、散射日射、日期屬性作為樣本特征。接著對于數(shù)據(jù)進(jìn)行預(yù)處理包括異常數(shù)據(jù)處理和數(shù)據(jù)歸一化處理。再運(yùn)用高斯函數(shù)作為支持向量機(jī)核函數(shù)，利用枚舉法、網(wǎng)格搜索法、遺傳算法與粒子群優(yōu)化算法進(jìn)行參數(shù)選取，之后用交叉驗(yàn)證cv，其中包括loo-cv和k-cv，確定最終參數(shù)。再利用mape和rmse對回歸預(yù)測結(jié)果進(jìn)行評價(jià)。最后以碳排放量異常判定標(biāo)準(zhǔn)來驗(yàn)證誤差。支持向量回歸機(jī)（svr）主要是通過升維后，在高維空間中構(gòu)造線性決策函數(shù)來實(shí)現(xiàn)線性回歸，用e不敏感函數(shù)時(shí)，其基礎(chǔ)主要是?e?不敏感函數(shù)和核函數(shù)算法。結(jié)合其他概念共同運(yùn)用，例如在kpca-wlssvm里采用的是kpca核主元分析，通過非線性映射，將原空間映射到某個(gè)高維特征空間，再進(jìn)行主元分析。最小二乘支持向量機(jī)?(lssvm)?不同于標(biāo)準(zhǔn)支持向量機(jī)的地方是它把誤差的二范數(shù)定義為損失函數(shù),?并將不等式約束改為等式約束。在gm-lssvm中，gm灰色模型通過對原始數(shù)據(jù)挖掘和整理來提高模型預(yù)測精度，步驟為：對原始數(shù)據(jù)進(jìn)行一次累加生成（1-ago），弱化隨機(jī)序列的波動(dòng)性和隨機(jī)性。建立一階時(shí)間響應(yīng)微分方程，采用最小二乘法求其參數(shù)，確定時(shí)間影響方程。輸出對數(shù)據(jù)進(jìn)行一次累減生成處理（iago），得到預(yù)測結(jié)果。
10、svm算法對大規(guī)模訓(xùn)練樣本難以實(shí)施，由于svm是借助二次規(guī)劃來求解支持向量，而求解二次規(guī)劃將涉及m階矩陣的計(jì)算（m為樣本的個(gè)數(shù)），當(dāng)m數(shù)目很大時(shí)該矩陣的存儲和計(jì)算將耗費(fèi)大量的機(jī)器內(nèi)存和運(yùn)算時(shí)間。經(jīng)典的支持向量機(jī)算法只給出了二類分類的算法，而在數(shù)據(jù)挖掘的實(shí)際應(yīng)用中，一般要解決多類的分類問題。對于每個(gè)高維空間在此空間的映射f,如何確定f也就是核函數(shù),現(xiàn)在還沒有合適的方法,所以對于一般的問題,svm只是把高維空間的復(fù)雜性的困難轉(zhuǎn)為了求核函數(shù)的困難.而且即使確定核函數(shù)以后,在求解問題分類時(shí),要求解函數(shù)的二次規(guī)劃,這就需要大量的存儲空間.這也是svm的一個(gè)問題。對于支持向量回歸機(jī)（svr）來說，若將擬合的數(shù)學(xué)模型表達(dá)多維空間的某一曲線，則根據(jù)e?不敏感函數(shù)所得的結(jié)果，就是包括該曲線和訓(xùn)練點(diǎn)的“?e管道”。在所有樣本點(diǎn)中，只有分布在“管壁”上的那一部分樣本點(diǎn)決定管道的位置。這一部分訓(xùn)練樣本稱為“支持向量”。為適應(yīng)訓(xùn)練樣本集的非線性，傳統(tǒng)的擬合方法通常是在線性方程后面加高階項(xiàng)。此法誠然有效，但由此增加的可調(diào)參數(shù)未免增加了過擬合的風(fēng)險(xiǎn)。
11、時(shí)間序列分析法對各個(gè)變量的時(shí)間序列數(shù)據(jù)進(jìn)行統(tǒng)計(jì)研究,?基于時(shí)間序列分析方法并加入回歸擬合方法,?研究得出一種適用于商業(yè)建筑的碳排放量數(shù)據(jù)預(yù)測方法。具體步驟為，建立原序列并于季節(jié)調(diào)整。可對數(shù)據(jù)進(jìn)行平衡性與隨機(jī)性檢驗(yàn)，利用eviews?5對數(shù)據(jù)進(jìn)行分析，確定差分次數(shù)d，對各差分序列進(jìn)行adf檢驗(yàn)，從而建立二階差分序列。對序列進(jìn)行模型的建立與預(yù)測，對序列進(jìn)行物理原理化擬合處理與預(yù)測（對建筑物碳排放量，包括耗電量、耗油量、耗氣量分別進(jìn)行分析預(yù)測,?不僅使建立時(shí)間序列模型的方法更為簡易,也方便實(shí)際建筑能源管理與建筑節(jié)能措施實(shí)施），對建筑物的逐月耗氣量與逐月耗油量預(yù)測值進(jìn)行修正。
12、時(shí)間序列預(yù)測法因突出時(shí)間序列暫不考慮外界因素影響，因而存在著預(yù)測誤差的缺陷，當(dāng)遇到外界發(fā)生較大變化，往往會有較大偏差，時(shí)間序列預(yù)測法對于中短期預(yù)測的效果要比長期預(yù)測的效果好。另外，基于時(shí)間序列分析的建筑碳排放量預(yù)測方法主要針對逐月出租率基本不變的商業(yè)建筑,?逐月出租率有一定變化的建筑物不適用。且該方法的預(yù)測碳排放量為全年建筑總碳排放量,?不能預(yù)測建筑物的分項(xiàng)碳排放量。
13、基于現(xiàn)場調(diào)研的統(tǒng)計(jì)拆分法。目前，不依賴于測試而進(jìn)行的碳排放量拆分的方法研究較少。有研究者在之前的研究基礎(chǔ)上，提出了適用于辦公建筑的簡化模型，能夠保持相似的精度。該模型首先需要建立不同設(shè)備系統(tǒng)的碳排放量計(jì)算模本文檔來自技高網(wǎng)...
【技術(shù)保護(hù)點(diǎn)】
1.一種公共建筑碳排放配額分項(xiàng)拆分方法，其特征在于，包括如下步驟：
2.根據(jù)權(quán)利要求1所述的方法，其特征在于，步驟S1.1中，所述計(jì)算建筑各分項(xiàng)的日碳排放量和室外溫度的相關(guān)性系數(shù)，具體包括：
3.根據(jù)權(quán)利要求1所述的方法，其特征在于，步驟1.6）中，，=18。
4.根據(jù)權(quán)利要求3所述的方法，其特征在于，步驟S1.3.2中，如果當(dāng)前無保存的滑動(dòng)周分項(xiàng)日比例系數(shù)時(shí)，需等待一周才能使用，以第一個(gè)包含完整的周一到周日的7天為周期的7個(gè)分項(xiàng)日比例系數(shù)為準(zhǔn)；如果已有多于1周的數(shù)據(jù)保存時(shí)，以最近一個(gè)滑動(dòng)周為準(zhǔn)；若其中存在壞數(shù)，則以最近一個(gè)具有完整好數(shù)的滑動(dòng)周數(shù)據(jù)，重新計(jì)算滑動(dòng)周的日比例系數(shù)，再計(jì)算分項(xiàng)的日預(yù)測碳排放量。
5.根據(jù)權(quán)利要求4所述的方法，其特征在于，步驟S2中，預(yù)警的具體過程如下：
6.根據(jù)權(quán)利要求5所述的方法，其特征在于，步驟S2中，報(bào)警的具體過程如下：
7.一種計(jì)算機(jī)可讀存儲介質(zhì)，其特征在于，所述計(jì)算機(jī)可讀存儲介質(zhì)內(nèi)存儲有計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)權(quán)利要求1-6任一所述的方法。
還沒有人留言評論。發(fā)表了對其他瀏覽者有用的留言會獲得科技券。