基于青岛某办公建筑2015 年全年逐时总用电能耗及空调用电能耗数据,利用kmeans 聚类算法对其进行聚
类,将全年能耗水平分为四大类。利用求平均值法得到每一类典型设备使用率曲线。将典型曲线的数据、日前两
周数据以及气象数据一同作为BP 神经网络的输入,预测未来24 小时的建筑总用电和空调用电,该方法比单用日
前两周数据及气象数据进行负荷预测能获得更低的相对误差、均方根误差、平均绝对百分误差。BP 负荷预测相对
误差在5%以内,而kmeans-BP 负荷预测算法控制在±2.5%以内; BP 预测得到的均方根误差和平均绝对百分误差
范围分别在4.6~ 9.0 之间、2.3%~ 4.4%之间,km
《基于kmeans聚类与BP神经网络算法的办公建筑逐时电负荷预测》是一篇探讨建筑能耗预测技术的学术论文,作者通过结合kmeans聚类算法与BP神经网络,提出了一个更为精确的建筑电负荷预测模型。以下是这篇论文中涉及的知识点详解:
1. **kmeans聚类算法**:kmeans是一种无监督学习方法,常用于数据的分类。在本文中,作者使用kmeans对青岛某办公建筑2015年的全年逐时总用电能耗及空调用电能耗数据进行聚类,将全年的能耗水平划分为四大类。通过这种方式,可以识别出不同时间段的能耗模式,为后续的预测提供基础。
2. **BP神经网络**:BP(Backpropagation)神经网络是一种反向传播的学习算法,用于处理非线性问题的预测。在本文中,BP神经网络被用来预测未来24小时的建筑总用电和空调用电,其输入包括典型曲线数据、日前两周数据以及气象数据。
3. **建筑能耗预测**:这是建筑能源管理的重要环节,通过预测建筑的能耗,可以有效地进行能源规划,提高能源效率,降低运营成本。作者提出的kmeans-BP算法相较于传统的BP预测方法,提高了预测精度,减少了预测误差。
4. **预测指标**:文中提到的预测效果评估指标包括相对误差、均方根误差和平均绝对百分误差。这些是衡量预测模型准确性的常用统计量,较小的误差意味着更高的预测精度。kmeans-BP算法将这些误差控制在一个更窄的范围内,表明了该算法的优越性。
5. **数据预处理**:通过对数据进行kmeans聚类,得到的典型设备使用率曲线是对原始数据的简化和抽象,能够更好地反映出能耗的规律,为BP神经网络提供更有代表性的输入。
6. **实证研究**:论文以青岛某办公建筑的实际数据为基础,进行实证研究,这使得结果更具现实意义和参考价值。实验结果表明,kmeans-BP算法在负荷预测精度上实现了显著提升,这对于建筑能源管理的决策支持具有重要意义。
7. **应用背景**:本研究适用于可再生能源绿色建筑领域的应用效果研究,因为准确的负荷预测有助于优化能源分配,减少无效能耗,推动绿色建筑的发展。
该论文提出了一种创新的建筑能耗预测方法,通过结合kmeans聚类和BP神经网络,有效提高了预测精度,降低了预测误差,对于建筑能源管理和节能策略的制定具有重要的理论和实践价值。