基于随机森林的空调冷负荷逆向分解方法

1 概述

负荷监测是能源管理中的重要环节，它为能源管理提供更高精度的负荷预测模型

。负荷监测从负荷数据的获取方式上分为侵入式和非侵入式

。侵入式负荷监测可以获取准确的各项负荷数据，但采购、安装、维护费用较高，且系统可靠性较低。非侵入式负荷监测是指仅在电力系统入口处安装监测装置，通过采集该处的电气参数，分析得到系统内每类负荷的状态。该方式减少了测量设备对电力系统的影响，成本较侵入式负荷监测方法低，易于维护，故非侵入式负荷监测被广泛研究。

非侵入式负荷监测概念于20世纪80年代由麻省理工学院的Hart首次提出

，并给出了实现非侵入式负荷监测的具体步骤。非侵入式负荷监测方法较多，包括k邻近算法(kNNR)、人工免疫算法(AIA)、遗传算法(GP)、随机森林(RF)以及人工神经网络(ANN)等。

目前，关于空调负荷分解的研究包括空调系统能耗分解、空调系统末端设备能耗分解以及空调冷热负荷分解。Perez等人

利用K均值算法提取出空调负荷特征，并采取遗传算法从总能耗中识别出空调系统能耗。但该算法具有一定局限性，无法进行推广使用。Ji等人

利用傅里叶级数模型，对每小时建筑其他用电(如照明、插座负荷)分析建模，再求解出空调系统终端用电量，该方法结果较为准确。为评估不同建筑部件的节能贡献，张贺佳

利用稀疏表示与字典学习，将总冷负荷分解为温差冷负荷、日射冷负荷、新风冷负荷、内扰冷负荷。目前，关于空调系统冷热负荷分解的研究较少，这是由于各项冷热负荷的产生机理和扰动不相同，是多因素耦合的结果，其在时间序列上的波动特征也不尽相同。

9月12日，财政部、应急管理部向山东省追加下拨中央财政自然灾害生活补助资金1.5亿元，主要用于近期山东省部分地区严重台风和暴雨洪涝灾害受灾群众紧急转移安置、过渡期生活救助、倒损民房恢复重建等受灾群众生活救助需要。

本文采用基于bagging算法的随机森林模型(RF模型)对建筑冷负荷进行分解。分析建筑总冷负荷及分项负荷特征，建立随机森林模型，以武汉某办公建筑为例，验证随机森林模型的有效性。

2 采用随机森林模型分解冷负荷的步骤

式中

——均方根误差

建筑物的冷负荷受室外气象参数、围护结构参数、建筑朝向、新风量、室内人员及作息规律、室内设备和照明、室内设定温度等参数影响。根据负荷来源和特性，将办公建筑总冷负荷分解为围护结构负荷、人员负荷、灯光设备负荷和新风负荷4部分。围护结构负荷受室外温度影响；人员负荷与人员在室率及时间有关；灯光设备负荷由室内照明、室内设备的发热量决定，与人员使用情况有关；新风负荷(包括渗透风负荷和新风系统的新风负荷)受室外空气参数(温度、湿度等)及风量影响较大，一天中波动较大。

② 模型输入、输出的选取

模型输入、输出的选取对模型分解的准确性至关重要。由于围护结构负荷、新风负荷受室外空气参数影响较大，人员负荷、灯光设备负荷与使用时间相关，因此采用室外空气参数(干球温度、湿球温度)、总冷负荷以及时间作为随机森林模型的输入，将4种分项负荷作为随机森林模型的输出。

将训练集中每个样本的前4维数据(时刻、总冷负荷、干球温度、湿球温度)作为模型输入，后4维数据(围护结构负荷、人员负荷、灯光设备负荷、新风负荷)作为模型输出对模型进行训练。将测试集中每个样本的前4维数据(时刻、总冷负荷、干球温度、湿球温度)作为模型输入，对模型进行验证。

第三步是专注客户需求，打造全产业链数字化技术升级。满足客户需求是企业开展一切工作的核心，新一代信息技术为企业获取客户需求提供了便利性。企业要在数字化车间和信息化管理系统的基础上，探索建立面向客户的全产业链服务支持平台，实现智能制造的同时，提供智能在线监测，远程诊断，预防性维护和检修等服务，实现制造型企业数字化转变。

为了评估随机森林模型的优劣，选择均方根误差作为评估指标。针对每种分项负荷，均方根误差计算公式为：

④ 模型训练和测试

为获得准确的模型，需要获得训练与测试样本，本研究基于模拟产生样本。首先在SketchUp软件中建立该办公建筑的几何模型，利用Energy Plus软件对各区域进行设置，导入武汉典型气象年数据，计算得到该办公建筑的全年逐时负荷(含总负荷和分项负荷)。干球温度、湿球温度来自典型气象年数据。选取冷负荷连续出现时段(4月20日至10月15日)的数据构成数据集。该数据集以每小时作为1个样本，共含4 296个样本，每个样本有8维数据，分别是时刻、总冷负荷、干球温度、湿球温度、围护结构负荷、人员负荷、灯光设备负荷、新风负荷。将数据集划分为4 d为间隔的多个区间，选取每个区间的前3 d数据组成训练集，第4 d数据组成测试集。

根据《海港总体设计规范》（JIS165-2013），防台船舶一般采用单锚泊形式计算所需水域面积，单个锚位所占水域面积为一圆形面积，计算水域半径R（m）、锚地容量可按下列公式：

③ 模型构建的参数选择

⑤ 评价标准

随机森林算法是一种集成学习模型，它包含多个决策树，其回归结果是多个决策树结果的平均值。该算法训练速度快，普适性强。基于Python语言实现随机森林模型的建立。设定参数：树的最大深度(可以分裂的次数)为20，决策树的数量为50个，建树时每一个叶节点有21个类别或达到每个按照属性划分的节点的最少样本数为200，单个树允许使用的最大特征数量为2，子采样率为0.8，采用mse计算方法判断节点是否继续分裂。

随着我国的社会发展的速度越来越快，我国农业的发展面临着越来越高的要求。在我国的山区玉米种植过程中，通过运用玉米高产栽培技术可以不断改善种植区域的土壤状况，同时有效的进行玉米病虫害的防治，提高山区玉米的产量和品质，经过不断的农业技术推广，还可以提升我国农户对新技术的认识和掌握，从而为我国山区的农业发展提供帮助。相信随着玉米高产栽培技术的推广，我国的农业发展必将越来越快，为我国的经济发展提供更好的支持。

(1)

① 冷负荷特征分析

此外，本文提出以日平均相对误差(一天中各时刻的平均误差)也作为评估指标。针对每种分项负荷，日平均相对误差计算式为：

输入尺寸为512×512的图片样本进行测试,选取0.5作为置信度阈值,比较DSSD算法与其它目标检测算法的mAP值,结果如表4所示。

如前文所提到的，桑迪·斯各格兰德绝非装置摄影的唯一实践者，但她却是唯一一位将装置本身与其摄影作品一同当作艺术作品来构想、建造与推广的艺术家。评论家安·西弗斯(Ann Sievers)认为，这两种艺术形式“相互依赖且同等重要”。

p

——RF模型输出的第

个样本的预测值

a

——第

个样本的真实值

——训练集或测试集的样本数量

(2)

式中

——日平均相对误差

——一天中的样本数量

p

——RF模型输出的第

个样本的预测值

a

——第

个样本的真实值

3 实例分析

本研究以武汉某办公建筑作为研究对象，对其冷负荷进行分解。该办公建筑共有地上23层，总面积约32 000 m

，工作日运行时间为7：00—22：00。导入武汉典型气象年数据，在Energy Plus内模拟该建筑全年运行负荷，将1月1日1：00作为起始点，绘制出全年共8 760 h的逐时负荷，其中冷负荷见图1。该办公建筑冷负荷主要集中在7—9月，峰值冷负荷出现在8月，为3 748 kW。模拟得到的夏季典型周(7月24—30日)各分项负荷见图2。由图2可知，人员负荷与灯光设备负荷随着时间呈现规律的变化，围护结构负荷与新风负荷变化较随机，与室外天气变化有关。

采用前述方法进行模型的训练和测试，以下负荷均指冷负荷。

3.1 训练效果评价

该办公建筑随机森林模型的训练效果评价指标见表1。可以看出，模型训练时各分项负荷的均方根误差均小于29.6 kW，日平均相对误差的平均值均不大于1.4%，表明随机森林模型能够准确地实现负荷分解。人员负荷均方根误差较小，因为人员负荷与时间相关，变化规律明显，但其日平均相对误差的平均值较大。灯光设备负荷日平均相对误差的平均值较小，说明其偏离实际值程度较小。虽然围护结构负荷的均方根误差较大，但日平均相对误差的平均值较小，可能是由于围护结构负荷波动较大。新风负荷的均方根误差较小，日平均相对误差的平均值为1.4%，表明其分解精度较好。

斯里兰卡“星光蓝宝石”经过琢磨，通过放大镜可细细品味宝石中的“灿烂星光”。此外，在暗光下，普通的深蓝宝石显现为黑色，而优质的斯里兰卡蓝宝石在任何光照下都会保持本色。

伴随着科学技术的发展，智能产品接踵而来，人们渐渐被网络中的虚拟世界所迷惑。学生们的锻炼意识逐渐减弱，宁愿待在宿舍玩手机，也不愿进行室外活动。学生为了节省时间玩游戏或者学习，忽视了身体的重要性。这不仅会增强学生潜意识的惰性，还会降低身体机能，不利于学生良好的身心发展。因此，教育部提出体育教育信息化的发展，争取改变此现状，增进学生的健康，提高学生的素质，共同为体育教育信息化的发展而努力。

夏季某一月各分项负荷的训练分解结果与模拟值对比见图3。由图3可知，各分项负荷的训练分解结果与模拟值吻合较好。对于人员负荷与灯光设备负荷，在某些峰值时刻会出现较大偏差，但绝大多数时刻相对误差小于4%。

第二、求同存异，构建有效的沟通协调机制。求同存异，在发展的过程中，重点探寻粤港澳大湾区九市二区的共通之处，以发展为重，尽快打通城市间人才、资金流、物流和信息流等生产要素的流动与对接，为粤港澳大湾区的发展扫除障碍。

3.2 测试效果评价

该办公建筑随机森林模型的测试效果评价指标见表2。模型测试时各分项负荷的均方根误差均小于77.5 kW，日平均相对误差的平均值均不大于11.2%，均高于训练时的指标。各分项负荷的分解精度与训练结果基本一致。

各分项负荷的测试分解结果与模拟值对比见图4。由图4可知，人员负荷和灯光设备负荷的测试分解结果与模拟值吻合较好。对于新风负荷，测试分解结果与模拟值差异不大，大部分时刻的绝对误差小于24 kW，但某些时刻绝对误差高达204 kW。对于建筑围护结构负荷，大部分时刻测试分解结果与模拟值吻合较好，但某些时刻相对误差较大。

4 结论

① 随机森林算法训练速度快，普适性强。用于分解冷负荷的随机森林模型训练时间短，参数调整容易。

② 模型训练时各分项负荷的均方根误差均小于29.6 kW，日平均相对误差的平均值均不大于1.4%；模型测试时各分项负荷的均方根误差均小于77.5 kW，日平均相对误差的平均值均不大于11.2%，说明随机森林模型可准确实现冷负荷分解，分解精度较高。

③ 4项负荷分解结果中，就均方根误差来看，人员负荷分解精度较高，围护结构负荷分解精度偏低；当以日平均相对误差的平均值为判断标准时，围护结构负荷分解结果偏离模拟值程度较小，人员负荷偏离模拟值程度较大。

[1] 李自文, 魏平, 李海. 非侵入式负荷分解方法综述[J]. 价值工程，2018(18): 233-235.

[2] 付华. 非侵入式负荷分解算法的综合研究(硕士学位论文)[D]. 北京：北京交通大学，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] 张贺佳. 基于稀疏表示与字典学习的建筑冷负荷热量组分反向分解(硕士学位论文)[D]. 天津：天津大学，2018：21-32.