(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210596974.5 (22)申请日 2022.05.30 (71)申请人 天津科技大 学 地址 300457 天津市滨 海新区经济技 术开 发区第十三大街9号 (72)发明人 田玮　李广臣　张虎　陈璐　 周显志　 (51)Int.Cl. G06F 30/27(2020.01) G06F 30/13(2020.01) G06Q 10/04(2012.01) (54)发明名称 基于贝叶斯自适应样条曲面和Cubist的建 筑能耗混合建模方法 (57)摘要 本发明涉及一种基于贝叶斯自适应样条曲 面和Cubi st(BASS‑CB)的建筑制冷能耗 混合预测 模型建立方法。 包括如下步骤： 1)模型输入参数 获取； 2)创建建筑基本能耗模型； 3)基础数据集 的生成； 4)数据预处理和时间序列加法分解； 5) 建立BASS‑CB混合滞后模型； 6)模型性能评估。 本 发明不但可以进行建筑特征参数的敏感性分析 和不确定分析， 而且可以在新建筑设计与旧建筑 改造阶段为 建筑工程师提供有效指导， 从而降低 建筑能耗。 权利要求书2页 说明书4页 附图3页 CN 114861553 A 2022.08.05 CN 114861553 A 1.基于贝叶斯自适应样条曲面和Cubist(BASS ‑CB)的建筑制冷能耗混合预测模型建立 方法， 其特 征在于： 其包括如下步骤： 1)模型输入参数获取： 根据国家建筑节能标准、 建筑能耗预测领域文献和实地调研等 方法， 确定建筑能耗模型的静态和动态参数。 2)创建建筑基本能耗模型： 使用步骤1)所确定的输入参数， 结合SketchUp和 EnergyPlus， 建立 一座四层办公建筑能耗基本模型。 3)基础数据集的生成： 使用RStudio和EnergyPlus并行计算17个建筑 能耗基本模型ID F 文件， 获得17组全年的逐时制冷能耗数据集。 4)数据预处理和时间序列加法分解： 对步骤3)生成的17组逐 时制冷能耗数据集预处理 和分解， 首先删除掉基础数据集中制冷能耗全天为0的数据， 即删除非工作日数据； 然后将 随时间变化的动态参数进行滞后1 ‑3小时处理； 最后将处理后的数据按照时间序列加法分 解为趋势项、 季节项和随机项。 5)建立BASS ‑CB混合滞后模型： 分别使用趋势项数据建立BASS模型和随机项建立CB模 型， 并考虑动态参数 无滞后和滞后1 ‑3小时。 6)模型性能评估： 使用均方根误差(RMSE)、 变异系数(CV ‑RMSE)、 决定系数(R2)和平均绝 对误差(MAE)作为 性能指标， 并考虑计算时间， 选出最佳建筑逐时制冷能耗模型。 2.根据权利 要求1所述的基于BASS ‑CB的建筑制冷能耗混合预测模型建立方法， 其特征 在于： 步骤2)建筑能耗基本模型创建方法。 首先使用SketchUp ‑2019和内部插件OpenStudio ‑ 3.3.0建立一座四层办公建筑。 其窗墙比为0.4， 每层分为五个热区， 一个中心热区， 四个外 围热区。 采用风机盘管、 水冷式制冷机和燃气锅炉保证建筑环境热舒适和提供冷热水。 接着 在EnergyPlus ‑9.4中加入建筑围护结构材料和气象数据。 最终得到一个完整的建筑能耗基 本模型。 3.根据权利 要求1所述的基于BASS ‑CB的建筑制冷能耗混合预测模型建立方法， 其特征 在于： 步骤3)原始逐时制冷能耗数据集生成方法。 首先使用拉丁超立方抽样在已确定范围的 静态输入参数抽取17次， 得到17 组输入组合。 接着在RStudio中将17 组输入组合导入到建筑 基本能耗模 型中， 并使用bat格式的批量处理文件调用EnergyPlus软件并行计算， 得到全年 逐时制冷能耗。 最后得到具有输入和输出 数据的17组全年逐时制冷能耗数据集。 4.根据权利 要求1所述的基于BASS ‑CB的建筑制冷能耗混合预测模型建立方法， 其特征 在于： 步骤4)中数据预处理方法。 采用两种方式进行数据预处理， 第一种是因为暖通空调系 统关闭时无制冷能耗， 所以删除暖通空调系统关闭时间段18： 00 ‑8： 00的数据， 为建立无滞 后模型做准备。 第二种 是将全部动态参数滞后3小时处理， 为建立分布滞后模型做准备。 数 据处理过程均在RStudi o中进行， 其中所使用的R程序包为dplyr和iForecast。 5.根据权利 要求1所述的基于BASS ‑CB的建筑制冷能耗混合预测模型建立方法， 其特征 在于： 步骤4)中数据分解方法。 采用时间序列加法模型将预处理后的数据分解为季节项、 趋 势项和随机项， 数据分解使用R程序中的stl 函数完成， stl 函数公式为：权　利　要　求　书 1/2 页 2 CN 114861553 A 2Yt＝Seasonalt+Trendt+Irregulart.Yt表示原始逐时能耗数据； Seasonalt表示具有季 节性的逐时能耗 数据； Trendt表示具有趋势性的逐时能耗数据； Irregulart表示具有随机性 的逐时能耗数据。 6.根据权利 要求1所述的基于BASS ‑CB的建筑制冷能耗混合预测模型建立方法， 其特征 在于： 步骤5)BASS ‑CB混合滞后模型建立方法。 首先使用BASS算法建立趋势项模型， CB算法建 立随机项模型， 随机项不做处理。 接着强调建立无滞后和分布滞后1 ‑3小时模型需要的输入 特征不同， 无滞后输入最少， 分布滞后1小时模型需要在无滞后输入的基础上加上滞后1小 时的动态输入参数， 分布滞后2和3小时模型同理。 最后将季节项、 趋势项和随机项相加得到 能耗预测结果。 7.根据权利 要求1所述的基于BASS ‑CB的建筑制冷能耗混合预测模型建立方法， 其特征 在于： 步骤6)模型性能评估方法。 首先采用均方根误差(RMSE)、 变异系数(CV ‑RMSE)、 决定系 数(R2)和平均绝对误差(MAE)四种性能指标， 进行模型精确度评估。 经评估最佳模型为 BASS‑CB‑DL1。 接着考虑模型建立和预测的时间成本， 随着滞后时间加长时间成本越高， 用 时最短的模型为BAS S‑CB‑DL0。 综合考虑最优秀的模型为BAS S‑CB‑DL1。权　利　要　求　书 2/2 页 3 CN 114861553 A 3