建筑再生能源冗余能耗数据监测方法仿真

孙 恒，刘 喆

(1. 吉林建筑科技学院数字建造学院，吉林 长春 130000；2. 吉林建筑大学，吉林 长春 130000)

1 引言

可再生能源包括太阳能、水能、风能、生物能、海洋能等。因其无污染且取之不尽，近年来对再生能源的有效利用受到全世界的关注和重视。随着我国经济迅速发展，各种大型公共建筑物一时间备受人们青睐。建筑在能耗方面的消耗是整个社会能耗消耗的主要组成部分，大量大型公共建筑物的出现，一方面为人们生活工作提供了方便，另一方面产生大量冗余能耗，造成能耗浪费[1]。各开发商纷纷响应节能环保号召，优先选择可再生资源作为各大型建筑物的用能[2]。并建立建筑再生能源冗余能耗监测系统对再生能源冗余耗能数据进行数据监测，对监测到的建筑再生能源冗余能耗数据进行分析并采取相应措施，改善其在管理和使用当中存在的问题，达到减少建筑可再生能源冗余能耗浪费的目的[3，4]。

当前存在的建筑可再生能源冗余能耗数据监测方法，存在资源消耗高、准确率低、响应时间慢、无法实现对异常数据监测等问题，如王何斌等人[5]提出的基于智能数据的建筑可再生能源冗余能耗监测方法、马智亮等人[6]提出的基于BIM模型的建筑可再生能源冗余能耗监测方法。

为避免实际对建筑再生能源冗余能耗的监测中类似问题的发生，更好的实现对建筑再生能源的管理，避免能耗浪费，本文采用低功率单跳网络数据传输冗余能耗监测方法对通过改进肖维涅算法进行处理的建筑可再生能源冗余能耗数据进行监测[7]。

2 建筑再生能源冗余能耗数据监测

2.1 建筑再生能源冗余能耗数据处理

利用Zig-Bee无线网络技术，采集建筑再生能源冗余能耗数据。Zig-Bee无线网络技术模型如图1：

图1 Zig-Bee无线网络技术模型

采用Zig-Bee无线网络技术采集建筑再生能源冗余能耗数据，利用改进的肖维涅算法剔除采集到的建筑再生能源冗余数据，然后对数据进行融合、压缩[8]。

2.1.1 冗余数据误差剔除

1)传统肖维涅算法

传统肖维涅算法利用有n个样本数据、m个误差数据点的S0={x0，x1，…，xn}数据样本集合将这个样本集合的基本特征用函数f0(x)表示出来。

(1)

其中，一组数据的个体数用n代表。

样本点偏离数据xi偏离函数f0(x)的程度表示为

Di=|xi-f(xi)|

(2)

式中，Di值的大小与样本点成为误差数据的可能性呈正相关，n个数据的Di的最大值可由式(3)求得

(3)

将Di值最高的样本点j去除，得到样本集合S1={s0-xj}，重复计算去除样本点j后的剩余数据，求得的误差数据就是运算完成后去除的m个样本点。

2)改进的肖维涅算法

传统肖维涅算法存在数据处理速度慢、收敛差等问题，本文对其加以研究、改进，提出改进的肖维涅算法，将其运用到建筑再生能源冗余能耗数据采集中。改进的肖维涅算法在设定数值区间时，通过四分位离差法去除偏差大的误差数据，增加运算内存[9]。过程如下：

在S0={x0，x1，…，xn}数据样本集合的n个样本数据中，存在误差数据样本点m个，在m个误差数据样本点中，有偏差大的、偏差小的数据t、m-t个。用归并排序法对数据集合S0={x0，x1，…，xn}的数据进行升序排列。在数据集合中找出上、下四分位数与中位数，并分别用xk1、xk2与xk0代表。四分位偏离差xk计算如下

xk=xk1-xk2

(4)

保留满足xi∈[xk0-β·xk，xk0+β·xk]的数据，将β值设置为β=2。采用四分位离差法处理数据，得到S1={x0，x1，…，xn-t}数据样本，循环运算S1={x0，x1，…，xn-t}，由式(1)、式(2)求得f0(x)、Di后，得到数据波动情况如下。

(5)

样本数量固定，因此式(5)可简化为

(6)

传统肖维涅算法将Di值最高的样本点j去除后得到M1、f1(x)的关系如下

(7)

f1(x)是将Di值最高的样本点j去除后得到的，因此满足

(8)

通过式(9)可求出收敛速度ΔL0

ΔL0=M0-M1

(9)

式(9)的计算可以得到关于收敛速度ΔL0的递减数列{ΔL1，ΔL2…，ΔLm}，改进肖维涅算法改变了传统肖维涅算法一次循环计算去除一个误差数据的状况，一次循环计算可以去除误差数据多个，降低了计算时间，收敛速度更快。用式(10)可以将标准差表示为

(10)

当数据满足Di>2.5ε时，将其去除。其算法流程如下。

图2 改进肖维涅算法流程图

在计算机上，传统肖维涅算法、改进肖维涅算法运行时间复杂度分别为(m+1)×O(4n)、(m+1-t)×O(4n)。偏差大的误差数据数量大于等于3的状况下，改进肖维涅算法具有更小运行时间复杂度，因其将偏离大的误差数据剔除，可增加数据内存空间。

2.1.2 冗余耗能数据融合与压缩

为使得到的建筑再生能源冗余耗能数据真实可靠，得到有效的数据分布状态，应该在多个点采集建筑再生能源冗余耗能数据[10]，同时针对冗余能耗数据中的残缺数据以及正常数据分别进行填补和融合、压缩处理，采用的方法分别是分布图法和传感器数据融合方法。步骤如下：

去除传感器采集到的建筑再生能源冗余耗能数据中的噪声数据，填充残缺数据。若某时间段虚拟机接到已排序的建筑再生能源冗余耗能数据序列x′1，…x′n′，该序列的上界、下界分别用x′n′、x′1表示。该序列的中位数可由下式求得。

(11)

式中，序列元素用x′n′+1/2代表。若区间[xm′，xn′]的中位数用建筑再生能源冗余耗能数据序列上的四分位数Fu表示，区间[x1，xm′]的中位数用建筑再生能源冗余耗能数据序列的下四分位数Fi表示，分布图的离散度用DF代表，且满足DF=Fu-Fi，建筑再生能源冗余耗能传输能耗有效判定区间可由下式求得

|xι-xm′|<β·DF

(12)

式中，β代表根据单跳网络传感器测量精度设定的常数，有效的建筑再生能源冗余耗能数据用xι代表。β=0.8情况下，可去除筑再生能源冗余耗能数据中的噪声数据，在此操作之后，用两点插值法填充建筑再生能源冗余耗能数据序列的残缺数据。

(13)

(14)

(15)

2.2 冗余能耗数据监测

用低能耗单跳网络在进行建筑再生资源冗余能耗数据传输的过程中，网络等不稳定等因素会影响建筑再生能源异常冗余能耗检测精度，从而导致检测出的冗余能耗数据存在误差，造成对建筑再生冗余能耗的错误判断，通过滑动窗口局部事件监测(SW-LED)算法分析结果的准确性。其监测的数据是传感器传送给汇聚节点的比给定阈值T低的数据。设置网络节点监测值正常分布范围后，判断t时段取样值，需将冗余能耗监测值ψ′γ转换成二进值。若二进值为1代表情况异常，为0代表情况正常。若阈值T小于t时段取样值，此时冗余能耗监测值ψ′γ的二进值为1，情况异常。若阈值T大于t时段取样值，冗余能耗监测值ψ′γ的二进值为0，情况正常。假定某时段冗余能耗监测值情况异常，通过式(16)检验当下数据以及其前的w-1个数据传输冗余能耗值是否有50%以上存在异常。

(16)

式中，某阶段冗余能耗监测值、滑动窗口分别用j与W代表。

依据式(16)取得的结果，将高于阈值的冗余能耗数据si通过监测节点传输给簇首C*，其余节点在接到簇首C*下达的传输通知后，也将冗余能耗数据传输给簇首C*，簇首通过所有节点传输的冗余能耗数据计算出冗余能耗的中间值med，然后通过式(17)求得所有冗余能耗数据传输节点、中间值med之间的差值。

(17)

式中，μ代表差值集合均值，σ代表差值集合方差。如果低功率单跳网络参加数据传输冗余能耗监测的n个节点中，用{d1，…，dn}代表各个节点与med的集合，与si相对应的标准化值计算如下

Z=(si-μ)/σ

(18)

用θ代表给定的门限值，若满足Z>θ，则该节点传输的冗余能耗数据异常，其监测范围发生异常，需将预警信号发送给汇聚节点。

3 仿真研究

仿真以某市电力办公大楼为实验对象，采用本文监测方法对其进行建筑再生能源冗余耗能数据监测，通过仿真验证本文监测方法的性能，仿真操作系统是CentOS6.4。

图3是应用本文方法监测到的该电力办公大楼秋季与冬季的太阳能、地热能、空调能、水能四个方面的冗余能耗在该办公大楼总的建筑再生能源冗余能耗中所占比重。

图3 冗余耗能比重

从图3可清晰地看到应用本文方法得到的该电力办公大楼太阳能、地热能、空调能、水能四个方面的冗余耗能在总的冗余耗能中所占比重。将两个季度的冗余能耗比重对比，可以看出该办公大楼秋季的太阳能、地热能、空调能、水能方面产生的冗余能耗要低于冬季，原因是冬季气温比较低，太阳能、地热能空调能等建筑再生能源利用得多，产生的冗余耗能较高。

图4是在不同温度下应用本文方法进行监测时，分别采用改进肖维涅、传统肖维涅进行数据处理时得到的冗余能耗数据与实际监测结果的对比。

图4 不同温度下冗余能耗

从图4可以看出，本文方法应用改进肖维捏算法进行数据处理时监测到的空调冗余能耗值更接近实际结果，采用肖维捏算法进行数据处理时监测到的空调冗余耗能值与实际结果偏离较大。实验结果说明本文方法使用的改进肖维涅算法进行数据处理可使得到的数据监测结果更为准确。

图5给出的是本文方法与文献[5]基于智能数据的建筑再生能源冗余能耗监测方法、文献[6]基于BIM模型的建筑再生能源冗余能耗监测方法3种不同监测方法在建筑再生能源冗余耗能监测中的冗余能耗监测精度随着K值的变化情况。

图5 监测精度

从图5分析可得，随着K值的不断提高，三种方法的监测精度都出现一定程度的波动，K值不断提升，两种对比方法的监测精度都出现下降趋势，而本文方法的监测精度逐步提升。说明本文方法监测精度较高，且监测时不受K冗余能耗数据传输节点和中间值间差值的干扰。

4 结论

本文设计建筑再生能源冗余能耗数据监测方法。通过对改进的肖维涅算法处理过并经数据融合压缩的建筑再生能源冗余耗能数据，进行建筑再生能源冗余能耗监测，因其剔除了偏差较大数据，使得建筑再生能源冗余能耗监测误差率更小，准确度更高，可实现对建筑再生能源冗余能耗的有效监测。将本文方法监测到的建筑内各冗余耗能值占总冗余能耗比重进行相邻年份比较，为采取必要措施，减少建筑再生能源能耗消耗，避免建筑再生能源能耗浪费提供可靠依据。