基于住户差异性的住宅建筑在室行为预测模型

现有住宅建筑在室行为预测模型缺乏对住户差异性的合理考虑,导致模型往往存在整体预测精度不高和适用性受限等问题.针对这一问题,提出一种考虑住户差异性的马尔可夫链在室状态预测模型.该模型首先通过Spearman相关性分析确定了不同影响因素(即特征参数)与住户总在室时长的相关性,将相关系数作为特征参数权值并结合聚类分析对住户群体进行分类.在此基础上采用马尔可夫链模型对住户在室状态进行预测.为评估所建立预测模型的性能,以英国TUS(Time Use Survey)数据库为例,将改进模型与传统马尔可夫链模型进行对比分析.结果表明,该方法能够综合考虑不同住户特征参数及其对在室行为的影响,对住户进行合理的分类,与传统马尔可夫模型相比,所建预测模型显著提升了整体性能,平均绝对误差和均方根误差分别减小了20.57%和15.35%.

建筑用户在室行为测量方法及预测模型综述

从测量原理、设备和应用等方面归纳整理了现有在室行为测量方法,对不同测量方法的优缺点进行了客观评价。对国内外在室行为预测模型的研究进行了分类和综述,阐述了各类模型的主要特征,同时提出了其优点及应用局限。探讨了制约该研究方向的问题及可能的解决方法。

建筑用户在室行为预测新方法

准确预测建筑用户在室行为可显著提高建筑能耗模拟精度,并进一步帮助建筑设计及运行控制优化.当前进行在室行为预测时所采用的主要是基于隐马尔可夫链方法的数学模型,该模型考虑了在室行为的时间关联性,可平稳有效地预测在室行为.然而现有隐马尔科夫模型难以准确描述在室行为动态变化规律以及在室行为与可观测参数之间的关联,降低了模型预测精度.针对该问题,本文提出一种基于状态转移的时变隐马尔科夫模型.该模型采用时变状态转移概率矩阵量化不同时刻在室行为的动态变化特征及关联,同时该模型基于状态转移计算可观测参数的概率分布以定量描述在室行为对可观测参数的影响.本文采用比利时某办公室在室行为数据库进行了相关建模和验证,结果表明该模型可更有效地捕捉在室状态变化,从而提高了在室行为预测精度.

变时间步长在室行为预测模型研究

现有在室行为动态预测模型主要采用固定时间步长选取模拟节点,难以同时满足预测准确率和模拟效率的要求。针对该问题,提出一种适用于空调房间的变时间步长在室人数预测方法。该方法首先基于开关门事件选取变时间步长的模拟节点,再结合房间内CO2浓度建立联合概率模型预测在室人数。为验证该方法可行性,基于实测数据建立了相应模型并与传统非均匀隐马尔科夫模型进行了对比。结果显示与传统方法相比,该方法可在将预测准确率提高近10%的同时将模拟次数由288次减少为66次,说明该方法可在显著提高预测精度的同时避免冗余模拟,从而大幅提高模拟效率。此外,该方法能准确预测用户最先到达时间,这对于建筑通风空调系统优化运行控制具有重要意义。