1 概述

負(fù)荷監(jiān)測(cè)是能源管理中的重要環(huán)節(jié)，它為能源管理提供更高精度的負(fù)荷預(yù)測(cè)模型

。負(fù)荷監(jiān)測(cè)從負(fù)荷數(shù)據(jù)的獲取方式上分為侵入式和非侵入式

。侵入式負(fù)荷監(jiān)測(cè)可以獲取準(zhǔn)確的各項(xiàng)負(fù)荷數(shù)據(jù)，但采購(gòu)、安裝、維護(hù)費(fèi)用較高，且系統(tǒng)可靠性較低。非侵入式負(fù)荷監(jiān)測(cè)是指僅在電力系統(tǒng)入口處安裝監(jiān)測(cè)裝置，通過(guò)采集該處的電氣參數(shù)，分析得到系統(tǒng)內(nèi)每類負(fù)荷的狀態(tài)。該方式減少了測(cè)量設(shè)備對(duì)電力系統(tǒng)的影響，成本較侵入式負(fù)荷監(jiān)測(cè)方法低，易于維護(hù)，故非侵入式負(fù)荷監(jiān)測(cè)被廣泛研究。

非侵入式負(fù)荷監(jiān)測(cè)概念于20世紀(jì)80年代由麻省理工學(xué)院的Hart首次提出

，并給出了實(shí)現(xiàn)非侵入式負(fù)荷監(jiān)測(cè)的具體步驟。非侵入式負(fù)荷監(jiān)測(cè)方法較多，包括k鄰近算法(kNNR)、人工免疫算法(AIA)、遺傳算法(GP)、隨機(jī)森林(RF)以及人工神經(jīng)網(wǎng)絡(luò)(ANN)等。

目前，關(guān)于空調(diào)負(fù)荷分解的研究包括空調(diào)系統(tǒng)能耗分解、空調(diào)系統(tǒng)末端設(shè)備能耗分解以及空調(diào)冷熱負(fù)荷分解。Perez等人

利用K均值算法提取出空調(diào)負(fù)荷特征，并采取遺傳算法從總能耗中識(shí)別出空調(diào)系統(tǒng)能耗。但該算法具有一定局限性，無(wú)法進(jìn)行推廣使用。Ji等人

利用傅里葉級(jí)數(shù)模型，對(duì)每小時(shí)建筑其他用電(如照明、插座負(fù)荷)分析建模，再求解出空調(diào)系統(tǒng)終端用電量，該方法結(jié)果較為準(zhǔn)確。為評(píng)估不同建筑部件的節(jié)能貢獻(xiàn)，張賀佳

利用稀疏表示與字典學(xué)習(xí)，將總冷負(fù)荷分解為溫差冷負(fù)荷、日射冷負(fù)荷、新風(fēng)冷負(fù)荷、內(nèi)擾冷負(fù)荷。目前，關(guān)于空調(diào)系統(tǒng)冷熱負(fù)荷分解的研究較少，這是由于各項(xiàng)冷熱負(fù)荷的產(chǎn)生機(jī)理和擾動(dòng)不相同，是多因素耦合的結(jié)果，其在時(shí)間序列上的波動(dòng)特征也不盡相同。

9月12日，財(cái)政部、應(yīng)急管理部向山東省追加下?lián)苤醒胴?cái)政自然災(zāi)害生活補(bǔ)助資金1.5億元，主要用于近期山東省部分地區(qū)嚴(yán)重臺(tái)風(fēng)和暴雨洪澇災(zāi)害受災(zāi)群眾緊急轉(zhuǎn)移安置、過(guò)渡期生活救助、倒損民房恢復(fù)重建等受災(zāi)群眾生活救助需要。

本文采用基于bagging算法的隨機(jī)森林模型(RF模型)對(duì)建筑冷負(fù)荷進(jìn)行分解。分析建筑總冷負(fù)荷及分項(xiàng)負(fù)荷特征，建立隨機(jī)森林模型，以武漢某辦公建筑為例，驗(yàn)證隨機(jī)森林模型的有效性。

2 采用隨機(jī)森林模型分解冷負(fù)荷的步驟

式中

——均方根誤差

建筑物的冷負(fù)荷受室外氣象參數(shù)、圍護(hù)結(jié)構(gòu)參數(shù)、建筑朝向、新風(fēng)量、室內(nèi)人員及作息規(guī)律、室內(nèi)設(shè)備和照明、室內(nèi)設(shè)定溫度等參數(shù)影響。根據(jù)負(fù)荷來(lái)源和特性，將辦公建筑總冷負(fù)荷分解為圍護(hù)結(jié)構(gòu)負(fù)荷、人員負(fù)荷、燈光設(shè)備負(fù)荷和新風(fēng)負(fù)荷4部分。圍護(hù)結(jié)構(gòu)負(fù)荷受室外溫度影響；人員負(fù)荷與人員在室率及時(shí)間有關(guān)；燈光設(shè)備負(fù)荷由室內(nèi)照明、室內(nèi)設(shè)備的發(fā)熱量決定，與人員使用情況有關(guān)；新風(fēng)負(fù)荷(包括滲透風(fēng)負(fù)荷和新風(fēng)系統(tǒng)的新風(fēng)負(fù)荷)受室外空氣參數(shù)(溫度、濕度等)及風(fēng)量影響較大，一天中波動(dòng)較大。

② 模型輸入、輸出的選取

模型輸入、輸出的選取對(duì)模型分解的準(zhǔn)確性至關(guān)重要。由于圍護(hù)結(jié)構(gòu)負(fù)荷、新風(fēng)負(fù)荷受室外空氣參數(shù)影響較大，人員負(fù)荷、燈光設(shè)備負(fù)荷與使用時(shí)間相關(guān)，因此采用室外空氣參數(shù)(干球溫度、濕球溫度)、總冷負(fù)荷以及時(shí)間作為隨機(jī)森林模型的輸入，將4種分項(xiàng)負(fù)荷作為隨機(jī)森林模型的輸出。

將訓(xùn)練集中每個(gè)樣本的前4維數(shù)據(jù)(時(shí)刻、總冷負(fù)荷、干球溫度、濕球溫度)作為模型輸入，后4維數(shù)據(jù)(圍護(hù)結(jié)構(gòu)負(fù)荷、人員負(fù)荷、燈光設(shè)備負(fù)荷、新風(fēng)負(fù)荷)作為模型輸出對(duì)模型進(jìn)行訓(xùn)練。將測(cè)試集中每個(gè)樣本的前4維數(shù)據(jù)(時(shí)刻、總冷負(fù)荷、干球溫度、濕球溫度)作為模型輸入，對(duì)模型進(jìn)行驗(yàn)證。

第三步是專注客戶需求，打造全產(chǎn)業(yè)鏈數(shù)字化技術(shù)升級(jí)。滿足客戶需求是企業(yè)開(kāi)展一切工作的核心，新一代信息技術(shù)為企業(yè)獲取客戶需求提供了便利性。企業(yè)要在數(shù)字化車間和信息化管理系統(tǒng)的基礎(chǔ)上，探索建立面向客戶的全產(chǎn)業(yè)鏈服務(wù)支持平臺(tái)，實(shí)現(xiàn)智能制造的同時(shí)，提供智能在線監(jiān)測(cè)，遠(yuǎn)程診斷，預(yù)防性維護(hù)和檢修等服務(wù)，實(shí)現(xiàn)制造型企業(yè)數(shù)字化轉(zhuǎn)變。

為了評(píng)估隨機(jī)森林模型的優(yōu)劣，選擇均方根誤差作為評(píng)估指標(biāo)。針對(duì)每種分項(xiàng)負(fù)荷，均方根誤差計(jì)算公式為：

④ 模型訓(xùn)練和測(cè)試

為獲得準(zhǔn)確的模型，需要獲得訓(xùn)練與測(cè)試樣本，本研究基于模擬產(chǎn)生樣本。首先在SketchUp軟件中建立該辦公建筑的幾何模型，利用Energy Plus軟件對(duì)各區(qū)域進(jìn)行設(shè)置，導(dǎo)入武漢典型氣象年數(shù)據(jù)，計(jì)算得到該辦公建筑的全年逐時(shí)負(fù)荷(含總負(fù)荷和分項(xiàng)負(fù)荷)。干球溫度、濕球溫度來(lái)自典型氣象年數(shù)據(jù)。選取冷負(fù)荷連續(xù)出現(xiàn)時(shí)段(4月20日至10月15日)的數(shù)據(jù)構(gòu)成數(shù)據(jù)集。該數(shù)據(jù)集以每小時(shí)作為1個(gè)樣本，共含4 296個(gè)樣本，每個(gè)樣本有8維數(shù)據(jù)，分別是時(shí)刻、總冷負(fù)荷、干球溫度、濕球溫度、圍護(hù)結(jié)構(gòu)負(fù)荷、人員負(fù)荷、燈光設(shè)備負(fù)荷、新風(fēng)負(fù)荷。將數(shù)據(jù)集劃分為4 d為間隔的多個(gè)區(qū)間，選取每個(gè)區(qū)間的前3 d數(shù)據(jù)組成訓(xùn)練集，第4 d數(shù)據(jù)組成測(cè)試集。

根據(jù)《海港總體設(shè)計(jì)規(guī)范》（JIS165-2013），防臺(tái)船舶一般采用單錨泊形式計(jì)算所需水域面積，單個(gè)錨位所占水域面積為一圓形面積，計(jì)算水域半徑R（m）、錨地容量可按下列公式：

③ 模型構(gòu)建的參數(shù)選擇

⑤ 評(píng)價(jià)標(biāo)準(zhǔn)

隨機(jī)森林算法是一種集成學(xué)習(xí)模型，它包含多個(gè)決策樹(shù)，其回歸結(jié)果是多個(gè)決策樹(shù)結(jié)果的平均值。該算法訓(xùn)練速度快，普適性強(qiáng)?；赑ython語(yǔ)言實(shí)現(xiàn)隨機(jī)森林模型的建立。設(shè)定參數(shù)：樹(shù)的最大深度(可以分裂的次數(shù))為20，決策樹(shù)的數(shù)量為50個(gè)，建樹(shù)時(shí)每一個(gè)葉節(jié)點(diǎn)有21個(gè)類別或達(dá)到每個(gè)按照屬性劃分的節(jié)點(diǎn)的最少樣本數(shù)為200，單個(gè)樹(shù)允許使用的最大特征數(shù)量為2，子采樣率為0.8，采用mse計(jì)算方法判斷節(jié)點(diǎn)是否繼續(xù)分裂。

隨著我國(guó)的社會(huì)發(fā)展的速度越來(lái)越快，我國(guó)農(nóng)業(yè)的發(fā)展面臨著越來(lái)越高的要求。在我國(guó)的山區(qū)玉米種植過(guò)程中，通過(guò)運(yùn)用玉米高產(chǎn)栽培技術(shù)可以不斷改善種植區(qū)域的土壤狀況，同時(shí)有效的進(jìn)行玉米病蟲(chóng)害的防治，提高山區(qū)玉米的產(chǎn)量和品質(zhì)，經(jīng)過(guò)不斷的農(nóng)業(yè)技術(shù)推廣，還可以提升我國(guó)農(nóng)戶對(duì)新技術(shù)的認(rèn)識(shí)和掌握，從而為我國(guó)山區(qū)的農(nóng)業(yè)發(fā)展提供幫助。相信隨著玉米高產(chǎn)栽培技術(shù)的推廣，我國(guó)的農(nóng)業(yè)發(fā)展必將越來(lái)越快，為我國(guó)的經(jīng)濟(jì)發(fā)展提供更好的支持。

(1)

① 冷負(fù)荷特征分析

此外，本文提出以日平均相對(duì)誤差(一天中各時(shí)刻的平均誤差)也作為評(píng)估指標(biāo)。針對(duì)每種分項(xiàng)負(fù)荷，日平均相對(duì)誤差計(jì)算式為：

輸入尺寸為512×512的圖片樣本進(jìn)行測(cè)試,選取0.5作為置信度閾值,比較DSSD算法與其它目標(biāo)檢測(cè)算法的mAP值,結(jié)果如表4所示。

如前文所提到的，桑迪·斯各格蘭德絕非裝置攝影的唯一實(shí)踐者，但她卻是唯一一位將裝置本身與其攝影作品一同當(dāng)作藝術(shù)作品來(lái)構(gòu)想、建造與推廣的藝術(shù)家。評(píng)論家安·西弗斯(Ann Sievers)認(rèn)為，這兩種藝術(shù)形式“相互依賴且同等重要”。

p

——RF模型輸出的第

個(gè)樣本的預(yù)測(cè)值

a

——第

個(gè)樣本的真實(shí)值

——訓(xùn)練集或測(cè)試集的樣本數(shù)量

(2)

式中

——日平均相對(duì)誤差

——一天中的樣本數(shù)量

p

——RF模型輸出的第

個(gè)樣本的預(yù)測(cè)值

a

——第

個(gè)樣本的真實(shí)值

3 實(shí)例分析

本研究以武漢某辦公建筑作為研究對(duì)象，對(duì)其冷負(fù)荷進(jìn)行分解。該辦公建筑共有地上23層，總面積約32 000 m

，工作日運(yùn)行時(shí)間為7：00—22：00。導(dǎo)入武漢典型氣象年數(shù)據(jù)，在Energy Plus內(nèi)模擬該建筑全年運(yùn)行負(fù)荷，將1月1日1：00作為起始點(diǎn)，繪制出全年共8 760 h的逐時(shí)負(fù)荷，其中冷負(fù)荷見(jiàn)圖1。該辦公建筑冷負(fù)荷主要集中在7—9月，峰值冷負(fù)荷出現(xiàn)在8月，為3 748 kW。模擬得到的夏季典型周(7月24—30日)各分項(xiàng)負(fù)荷見(jiàn)圖2。由圖2可知，人員負(fù)荷與燈光設(shè)備負(fù)荷隨著時(shí)間呈現(xiàn)規(guī)律的變化，圍護(hù)結(jié)構(gòu)負(fù)荷與新風(fēng)負(fù)荷變化較隨機(jī)，與室外天氣變化有關(guān)。

采用前述方法進(jìn)行模型的訓(xùn)練和測(cè)試，以下負(fù)荷均指冷負(fù)荷。

3.1 訓(xùn)練效果評(píng)價(jià)

該辦公建筑隨機(jī)森林模型的訓(xùn)練效果評(píng)價(jià)指標(biāo)見(jiàn)表1。可以看出，模型訓(xùn)練時(shí)各分項(xiàng)負(fù)荷的均方根誤差均小于29.6 kW，日平均相對(duì)誤差的平均值均不大于1.4%，表明隨機(jī)森林模型能夠準(zhǔn)確地實(shí)現(xiàn)負(fù)荷分解。人員負(fù)荷均方根誤差較小，因?yàn)槿藛T負(fù)荷與時(shí)間相關(guān)，變化規(guī)律明顯，但其日平均相對(duì)誤差的平均值較大。燈光設(shè)備負(fù)荷日平均相對(duì)誤差的平均值較小，說(shuō)明其偏離實(shí)際值程度較小。雖然圍護(hù)結(jié)構(gòu)負(fù)荷的均方根誤差較大，但日平均相對(duì)誤差的平均值較小，可能是由于圍護(hù)結(jié)構(gòu)負(fù)荷波動(dòng)較大。新風(fēng)負(fù)荷的均方根誤差較小，日平均相對(duì)誤差的平均值為1.4%，表明其分解精度較好。

斯里蘭卡“星光藍(lán)寶石”經(jīng)過(guò)琢磨，通過(guò)放大鏡可細(xì)細(xì)品味寶石中的“燦爛星光”。此外，在暗光下，普通的深藍(lán)寶石顯現(xiàn)為黑色，而優(yōu)質(zhì)的斯里蘭卡藍(lán)寶石在任何光照下都會(huì)保持本色。

伴隨著科學(xué)技術(shù)的發(fā)展，智能產(chǎn)品接踵而來(lái)，人們漸漸被網(wǎng)絡(luò)中的虛擬世界所迷惑。學(xué)生們的鍛煉意識(shí)逐漸減弱，寧愿待在宿舍玩手機(jī)，也不愿進(jìn)行室外活動(dòng)。學(xué)生為了節(jié)省時(shí)間玩游戲或者學(xué)習(xí)，忽視了身體的重要性。這不僅會(huì)增強(qiáng)學(xué)生潛意識(shí)的惰性，還會(huì)降低身體機(jī)能，不利于學(xué)生良好的身心發(fā)展。因此，教育部提出體育教育信息化的發(fā)展，爭(zhēng)取改變此現(xiàn)狀，增進(jìn)學(xué)生的健康，提高學(xué)生的素質(zhì)，共同為體育教育信息化的發(fā)展而努力。

夏季某一月各分項(xiàng)負(fù)荷的訓(xùn)練分解結(jié)果與模擬值對(duì)比見(jiàn)圖3。由圖3可知，各分項(xiàng)負(fù)荷的訓(xùn)練分解結(jié)果與模擬值吻合較好。對(duì)于人員負(fù)荷與燈光設(shè)備負(fù)荷，在某些峰值時(shí)刻會(huì)出現(xiàn)較大偏差，但絕大多數(shù)時(shí)刻相對(duì)誤差小于4%。

第二、求同存異，構(gòu)建有效的溝通協(xié)調(diào)機(jī)制。求同存異，在發(fā)展的過(guò)程中，重點(diǎn)探尋粵港澳大灣區(qū)九市二區(qū)的共通之處，以發(fā)展為重，盡快打通城市間人才、資金流、物流和信息流等生產(chǎn)要素的流動(dòng)與對(duì)接，為粵港澳大灣區(qū)的發(fā)展掃除障礙。

3.2 測(cè)試效果評(píng)價(jià)

該辦公建筑隨機(jī)森林模型的測(cè)試效果評(píng)價(jià)指標(biāo)見(jiàn)表2。模型測(cè)試時(shí)各分項(xiàng)負(fù)荷的均方根誤差均小于77.5 kW，日平均相對(duì)誤差的平均值均不大于11.2%，均高于訓(xùn)練時(shí)的指標(biāo)。各分項(xiàng)負(fù)荷的分解精度與訓(xùn)練結(jié)果基本一致。

各分項(xiàng)負(fù)荷的測(cè)試分解結(jié)果與模擬值對(duì)比見(jiàn)圖4。由圖4可知，人員負(fù)荷和燈光設(shè)備負(fù)荷的測(cè)試分解結(jié)果與模擬值吻合較好。對(duì)于新風(fēng)負(fù)荷，測(cè)試分解結(jié)果與模擬值差異不大，大部分時(shí)刻的絕對(duì)誤差小于24 kW，但某些時(shí)刻絕對(duì)誤差高達(dá)204 kW。對(duì)于建筑圍護(hù)結(jié)構(gòu)負(fù)荷，大部分時(shí)刻測(cè)試分解結(jié)果與模擬值吻合較好，但某些時(shí)刻相對(duì)誤差較大。

4 結(jié)論

① 隨機(jī)森林算法訓(xùn)練速度快，普適性強(qiáng)。用于分解冷負(fù)荷的隨機(jī)森林模型訓(xùn)練時(shí)間短，參數(shù)調(diào)整容易。

② 模型訓(xùn)練時(shí)各分項(xiàng)負(fù)荷的均方根誤差均小于29.6 kW，日平均相對(duì)誤差的平均值均不大于1.4%；模型測(cè)試時(shí)各分項(xiàng)負(fù)荷的均方根誤差均小于77.5 kW，日平均相對(duì)誤差的平均值均不大于11.2%，說(shuō)明隨機(jī)森林模型可準(zhǔn)確實(shí)現(xiàn)冷負(fù)荷分解，分解精度較高。

③ 4項(xiàng)負(fù)荷分解結(jié)果中，就均方根誤差來(lái)看，人員負(fù)荷分解精度較高，圍護(hù)結(jié)構(gòu)負(fù)荷分解精度偏低；當(dāng)以日平均相對(duì)誤差的平均值為判斷標(biāo)準(zhǔn)時(shí)，圍護(hù)結(jié)構(gòu)負(fù)荷分解結(jié)果偏離模擬值程度較小，人員負(fù)荷偏離模擬值程度較大。

[1] 李自文, 魏平, 李海. 非侵入式負(fù)荷分解方法綜述[J]. 價(jià)值工程，2018(18): 233-235.

[2] 付華. 非侵入式負(fù)荷分解算法的綜合研究(碩士學(xué)位論文)[D]. 北京：北京交通大學(xué)，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] 張賀佳. 基于稀疏表示與字典學(xué)習(xí)的建筑冷負(fù)荷熱量組分反向分解(碩士學(xué)位論文)[D]. 天津：天津大學(xué)，2018：21-32.