CN105631539A - 基于支持向量机的智能楼宇能耗预测方法 - Google Patents

Abstract

一种基于支持向量机的智能楼宇能耗预测方法，涉及能源管理技术领域，所解决的是提高预测精度，及缩短训练时间的技术问题。该方法先分项采集现场的楼宇能耗数据，及室内外温度、湿度，并对缺失的楼宇能耗数据进行填补；再采用归一化方法将楼宇能耗数据转换为无量纲化指标测评值，再根据归一化后的数据、预测日的气象数据及预测日的日属性，构建楼宇能耗预测样本；再根据楼宇能耗预测样本，采用svmtrain函数创建并训练SVR回归模型；然后再利用SVR回归模型预测楼宇能耗。本发明提供的方法，适用于智能楼宇的能耗预测。

Description

基于支持向量机的智能楼宇能耗预测方法

技术领域

本发明涉及能源管理技术，特别是涉及一种基于支持向量机的智能楼宇能耗预测方法的技术。

背景技术

智能楼宇建筑能耗分析是楼宇节能领域的研究热点之一，是实现合理节能方案的基础，是实现能源系统优化运行的前提条件。分析楼宇能耗的重要工作是根据楼宇建筑物的自身特点，建立反映不同分项能耗变化的预测模型。准确的能耗预测模型，能提前预知和掌握其能耗的情况，从而对建筑的用能提前做出规划，使得国家的能源政策得到更好的实施。

目前能耗预测主要可以分为两大类，一类以时间序列为代表的传统方法，另一类则是以神经网络为代表的新型人工智能方法。如果加入重大节日、突发事件、气候变化等影响因子，传统能耗预测方法的精度会有较大的偏差，而神经网络预测方法不能彻底解决网络结构设计的难题，并且训练时间较长。

发明内容

针对上述现有技术中存在的缺陷，本发明所要解决的技术问题是提供一种预测精度高，且训练时间短的基于支持向量机的智能楼宇能耗预测方法。

为了解决上述技术问题，本发明所提供的一种基于支持向量机的智能楼宇能耗预测方法，其特征在于，具体步骤如下：

1）分项采集现场的楼宇能耗数据，及室内外温度、湿度，并对缺失的楼宇能耗数据进行填补，具体填补公式为：

其中，为y年日时刻所缺失的楼宇能耗数据，为y年d-1日时刻的楼宇能耗数据，为y年d-2日时刻的楼宇能耗数据，、为预先设定的数值权重；

2）采用归一化方法将楼宇能耗数据转换为无量纲化指标测评值，使得楼宇能耗数据中的各指标值都处于同一个数量级别上；

3）根据归一化后的数据、预测日的气象数据及预测日的日属性，构建时序性结构的楼宇能耗预测样本；

4）根据楼宇能耗预测样本，采用svmtrain函数创建SVR回归模型；

5）对SVR回归模型进行训练；

6）将SVR回归模型的返回值与楼宇能耗实际值进行对比，如果两者之间的差值大于预先设定的误差范围，则返回步骤5，反之则转至步骤7；

7）利用SVR回归模型预测楼宇能耗，并将SVR回归模型的返回值作为楼宇能耗预测值。

本发明提供的基于支持向量机的智能楼宇能耗预测方法，通过楼宇分项计量获取能耗数据，通过对历史数据异常点的修复，归一化处理，结合气候特性、室内外温度、节假日等因子进行分析，根据能耗数据的特性，建立时序性结构的预测样本，实现回归型支持向量机模型的创建和训练，最后利用创建的模型进行能耗预测，视预测精度对支持向量机模型进行修正，具有预测精度高、训练时间短的特点，能更好的为楼宇供能设备的调度策略提供依据，实现楼宇建筑最大程度的节能。

附图说明

图1是本发明实施例的基于支持向量机的智能楼宇能耗预测方法的流程图。

具体实施方式

以下结合附图说明对本发明的实施例作进一步详细描述，但本实施例并不用于限制本发明，凡是采用本发明的相似结构及其相似变化，均应列入本发明的保护范围，本发明中的顿号均表示和的关系，本发明中的英文字母区分大小写。

如图1所示，本发明实施例所提供的一种基于支持向量机的智能楼宇能耗预测方法，其特征在于，具体步骤如下：

1）分项采集现场的楼宇能耗数据，及室内外温度、湿度，并对缺失的楼宇能耗数据进行填补，具体填补公式为：

其中，为y年日时刻所缺失的楼宇能耗数据，为y年d-1日时刻的楼宇能耗数据，为y年d-2日时刻的楼宇能耗数据，、为预先设定的数值权重，a1的典型值为0.6，a2的典型值为0.4，a1、a2的值可以根据实际项目进行调整；

在数据的采集过程中会出现数据缺失或数据异常的情况，这些异常数据的存在造成了大量的有用信息的丢失，使系统中蕴涵的确定性成分更加难于把握，甚至会使预测过程中产生错乱，需要对采集的数据进行预处理，修复历史能耗序列中的缺失和异常数据；

根据采集的楼宇能耗数据、气象数据及预测日的日属性（周一到周日）对楼宇能耗特性变化趋势的影响，得出楼宇能耗与环境因素的关系曲线，并根据关系曲线，分配这些影响因素的权重，气象数据包括日最高温度、日最低温度、日平均温度、天气状况（晴、多云、阴、雨）；

2）采用归一化方法将楼宇能耗数据转换为无量纲化指标测评值，使得楼宇能耗数据中的各指标值都处于同一个数量级别上，采用归一化方法将楼宇能耗数据转换为无量纲化指标测评值的方法为现有技术，具体转换公式为：

其中为归一化后的楼宇能耗测评值，为楼宇能耗实测值，为输入向量维数（即影响楼宇能耗的因素的数量），为样本数据的最大值，为样本数据的最小值；

3）根据归一化后的数据、预测日的气象数据及预测日的日属性，构建时序性结构的楼宇能耗预测样本，楼宇能耗预测样本的数据结构为：

，，；

其中，为预先设定的与预测时刻关联性强的楼宇能耗数据的集合，为预测日的气象数据的集合，为预测日的日属性的集合；

由于能耗数据具有时序性，因此预测模型是时序性的结构，样本输入包括三个部分：与预测时刻关联性较强的负荷数据，预测日的气象数据（日最高温度、日最低温度、日平均温度及天气状况），预测日的日属性；

4）根据楼宇能耗预测样本，采用svmtrain（训练建模）函数创建SVR回归模型，SVR回归模型的创建方法为现有技术；

5）对SVR回归模型进行训练，SVR回归模型的训练方法为现有技术；

6）将SVR回归模型的返回值与楼宇能耗实际值进行对比，如果两者之间的差值大于预先设定的误差范围，则返回步骤5，反之则转至步骤7；

7）利用SVR回归模型预测楼宇能耗，并将SVR回归模型的返回值作为楼宇能耗预测值。

本发明实施例中，采用svmtrain函数创建并训练SVR回归模型的具体步骤如下；

4.1）设含有个训练样本的训练集样本对为，为第个训练的输入列向量，，，为的训练输出值，将这些数据投影到高纬度特征空间，建立的线性回归函数为：

其中，为线性回归函数，为非线性映射函数，为权重向量，为位偏移量；

4.2）定义线性不敏感损失函数为：

其中，为所对应的真实值，为预先设定的误差值，的典型值为0.0162；

4.3）引入松弛变量，并将寻找、的问题用公式描述为：

其中，为惩罚因子，越大表示对训练误差大于的样本惩罚越大，规定了回归函数的误差要求，越小表示回归函数的误差越小；

4.4）采用Largrange（拉格朗日）函数，将步骤4.3的公式转换为：

其中，为核函数；

4.5）求解步骤4.4的公式，得到最优解为，则有：

其中，为支持向量个数；

4.6）得到SVR回归模型为：

其中，只有参数部分不为零，对应的样本即为支持向量机；

考虑到核函数的类型、参数的取值对回归模型的性能影响较大的特点，采用交叉验证的方法寻找最佳的惩罚因子c和参数g(核函数中的方差)，并默认采用RBF核函数，然后利用最佳的参数训练SVR回归模型,SVR回归模型建立后，通过svmpredict函数对回归模型进行仿真测试，该函数返回的误差值和决定系数可以对SVR回归模型进行评价，若没有达到要求，可以通过修改模型参数、核函数等方法重新建立回归模型，直到满足要求。

Claims (1)

1.一种基于支持向量机的智能楼宇能耗预测方法，其特征在于，具体步骤如下：

1）分项采集现场的楼宇能耗数据，及室内外温度、湿度，并对缺失的楼宇能耗数据进行填补，具体填补公式为：

其中，为y年日时刻所缺失的楼宇能耗数据，为y年d-1日时刻的楼宇能耗数据，为y年d-2日时刻的楼宇能耗数据，、为预先设定的数值权重；

2）采用归一化方法将楼宇能耗数据转换为无量纲化指标测评值，使得楼宇能耗数据中的各指标值都处于同一个数量级别上；

3）根据归一化后的数据、预测日的气象数据及预测日的日属性，构建时序性结构的楼宇能耗预测样本；

4）根据楼宇能耗预测样本，采用svmtrain函数创建SVR回归模型；

5）对SVR回归模型进行训练；

6）将SVR回归模型的返回值与楼宇能耗实际值进行对比，如果两者之间的差值大于预先设定的误差范围，则返回步骤5，反之则转至步骤7；

7）利用SVR回归模型预测楼宇能耗，并将SVR回归模型的返回值作为楼宇能耗预测值。