基于支持向量機(jī)的智能樓宇能耗預(yù)測(cè)方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明設(shè)及能源管理技術(shù)，特別是設(shè)及一種基于支持向量機(jī)的智能樓宇能耗預(yù)測(cè) 方法的技術(shù)。
【背景技術(shù)】
[0002] 智能樓宇建筑能耗分析是樓宇節(jié)能領(lǐng)域的研究熱點(diǎn)之一，是實(shí)現(xiàn)合理節(jié)能方案的 基礎(chǔ)，是實(shí)現(xiàn)能源系統(tǒng)優(yōu)化運(yùn)行的前提條件。分析樓宇能耗的重要工作是根據(jù)樓宇建筑物 的自身特點(diǎn)，建立反映不同分項(xiàng)能耗變化的預(yù)測(cè)模型。準(zhǔn)確的能耗預(yù)測(cè)模型，能提前預(yù)知和 掌握其能耗的情況，從而對(duì)建筑的用能提前做出規(guī)劃，使得國家的能源政策得到更好的實(shí) 施。
[0003] 目前能耗預(yù)測(cè)主要可W分為兩大類，一類W時(shí)間序列為代表的傳統(tǒng)方法，另一類 則是W神經(jīng)網(wǎng)絡(luò)為代表的新型人工智能方法。如果加入重大節(jié)日、突發(fā)事件、氣候變化等影 響因子，傳統(tǒng)能耗預(yù)測(cè)方法的精度會(huì)有較大的偏差，而神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)方法不能徹底解決網(wǎng) 絡(luò)結(jié)構(gòu)設(shè)計(jì)的難題，并且訓(xùn)練時(shí)間較長(zhǎng)。

【發(fā)明內(nèi)容】

[0004] 針對(duì)上述現(xiàn)有技術(shù)中存在的缺陷，本發(fā)明所要解決的技術(shù)問題是提供一種預(yù)測(cè)精 度高，且訓(xùn)練時(shí)間短的基于支持向量機(jī)的智能樓宇能耗預(yù)測(cè)方法。
[0005] 為了解決上述技術(shù)問題，本發(fā)明所提供的一種基于支持向量機(jī)的智能樓宇能耗預(yù) 測(cè)方法，其特征在于，具體步驟如下： 1) 分項(xiàng)采集現(xiàn)場(chǎng)的樓宇能耗數(shù)據(jù)，及室內(nèi)外溫度、濕度，并對(duì)缺失的樓宇能耗數(shù)據(jù)進(jìn)行 填補(bǔ)，具體填補(bǔ)公式為：
其中，L批執(zhí)y年d日t時(shí)刻所缺失的樓宇能耗數(shù)據(jù)，L (di，t)為y年d-舊t時(shí)刻的樓宇 能耗數(shù)據(jù)，L扣，。為y年d-2日?時(shí)刻的樓宇能耗數(shù)據(jù)，巧、的為預(yù)先設(shè)定的數(shù)值權(quán)重； 2) 采用歸一化方法將樓宇能耗數(shù)據(jù)轉(zhuǎn)換為無量綱化指標(biāo)測(cè)評(píng)值，使得樓宇能耗數(shù)據(jù)中 的各指標(biāo)值都處于同一個(gè)數(shù)量級(jí)別上； 3) 根據(jù)歸一化后的數(shù)據(jù)、預(yù)測(cè)日的氣象數(shù)據(jù)及預(yù)測(cè)日的日屬性，構(gòu)建時(shí)序性結(jié)構(gòu)的樓 宇能耗預(yù)測(cè)樣本； 4) 根據(jù)樓宇能耗預(yù)測(cè)樣本，采用svmtrain函數(shù)創(chuàng)建SVR回歸模型； 5) 對(duì)SVR回歸模型進(jìn)行訓(xùn)練； 6) 將SVR回歸模型的返回值與樓宇能耗實(shí)際值進(jìn)行對(duì)比，如果兩者之間的差值大于預(yù) 先設(shè)定的誤差范圍，則返回步驟5,反之則轉(zhuǎn)至步驟7; 7) 利用SVR回歸模型預(yù)測(cè)樓宇能耗，并將SVR回歸模型的返回值作為樓宇能耗預(yù)測(cè)值。
[0006] 本發(fā)明提供的基于支持向量機(jī)的智能樓宇能耗預(yù)測(cè)方法，通過樓宇分項(xiàng)計(jì)量獲取 能耗數(shù)據(jù)，通過對(duì)歷史數(shù)據(jù)異常點(diǎn)的修復(fù)，歸一化處理，結(jié)合氣候特性、室內(nèi)外溫度、節(jié)假日 等因子進(jìn)行分析，根據(jù)能耗數(shù)據(jù)的特性，建立時(shí)序性結(jié)構(gòu)的預(yù)測(cè)樣本，實(shí)現(xiàn)回歸型支持向量 機(jī)模型的創(chuàng)建和訓(xùn)練，最后利用創(chuàng)建的模型進(jìn)行能耗預(yù)測(cè)，視預(yù)測(cè)精度對(duì)支持向量機(jī)模型 進(jìn)行修正，具有預(yù)測(cè)精度高、訓(xùn)練時(shí)間短的特點(diǎn)，能更好的為樓宇供能設(shè)備的調(diào)度策略提供 依據(jù)，實(shí)現(xiàn)樓宇建筑最大程度的節(jié)能。
【附圖說明】
[0007] 圖1是本發(fā)明實(shí)施例的基于支持向量機(jī)的智能樓宇能耗預(yù)測(cè)方法的流程圖。
【具體實(shí)施方式】
[0008] W下結(jié)合【附圖說明】對(duì)本發(fā)明的實(shí)施例作進(jìn)一步詳細(xì)描述，但本實(shí)施例并不用于限 制本發(fā)明，凡是采用本發(fā)明的相似結(jié)構(gòu)及其相似變化，均應(yīng)列入本發(fā)明的保護(hù)范圍，本發(fā)明 中的頓號(hào)均表示和的關(guān)系，本發(fā)明中的英文字母區(qū)分大小寫。
[0009] 如圖1所示，本發(fā)明實(shí)施例所提供的一種基于支持向量機(jī)的智能樓宇能耗預(yù)測(cè)方 法，其特征在于，具體步驟如下： 1) 分項(xiàng)采集現(xiàn)場(chǎng)的樓宇能耗數(shù)據(jù)，及室內(nèi)外溫度、濕度，并對(duì)缺失的樓宇能耗數(shù)據(jù)進(jìn)行 填補(bǔ)，具體填補(bǔ)公式為：
其中，L (d，t)[為y年d日t時(shí)刻所缺失的樓宇能耗數(shù)據(jù)，L (di，t)為y年d-1日t時(shí)刻的樓宇 能耗數(shù)據(jù)，L (d2，t)為y年d-2日t時(shí)刻的樓宇能耗數(shù)據(jù)，叫、巧為預(yù)先設(shè)定的數(shù)值權(quán)重，al的典 型值為0.6，a2的典型值為0.4，曰1、曰2的值可^根據(jù)實(shí)際項(xiàng)目進(jìn)行調(diào)整； 在數(shù)據(jù)的采集過程中會(huì)出現(xiàn)數(shù)據(jù)缺失或數(shù)據(jù)異常的情況，運(yùn)些異常數(shù)據(jù)的存在造成了 大量的有用信息的丟失，使系統(tǒng)中蘊(yùn)涵的確定性成分更加難于把握，甚至?xí)诡A(yù)測(cè)過程中 產(chǎn)生錯(cuò)亂，需要對(duì)采集的數(shù)據(jù)進(jìn)行預(yù)處理，修復(fù)歷史能耗序列中的缺失和異常數(shù)據(jù)； 根據(jù)采集的樓宇能耗數(shù)據(jù)、氣象數(shù)據(jù)及預(yù)測(cè)日的日屬性(周一到周日）對(duì)樓宇能耗特性 變化趨勢(shì)的影響，得出樓宇能耗與環(huán)境因素的關(guān)系曲線，并根據(jù)關(guān)系曲線，分配運(yùn)些影響因 素的權(quán)重，氣象數(shù)據(jù)包括日最高溫度、日最低溫度、日平均溫度、天氣狀況（晴、多云、陰、 雨）； 2) 采用歸一化方法將樓宇能耗數(shù)據(jù)轉(zhuǎn)換為無量綱化指標(biāo)測(cè)評(píng)值，使得樓宇能耗數(shù)據(jù)中 的各指標(biāo)值都處于同一個(gè)數(shù)量級(jí)別上，采用歸一化方法將樓宇能耗數(shù)據(jù)轉(zhuǎn)換為無量綱化指 標(biāo)測(cè)評(píng)值的方法為現(xiàn)有技術(shù)，具體轉(zhuǎn)換公式為：
其中^為歸一化后的樓宇能耗測(cè)評(píng)值，巧為樓宇能耗實(shí)測(cè)值，m為輸入向量維數(shù)（即 影響樓宇能耗的因素的數(shù)量），巧maK為樣本數(shù)據(jù)的最大值，馬m說為樣本數(shù)據(jù)的最小值； 3) 根據(jù)歸一化后的數(shù)據(jù)、預(yù)測(cè)日的氣象數(shù)據(jù)及預(yù)測(cè)日的日屬性，構(gòu)建時(shí)序性結(jié)構(gòu)的樓 宇能耗預(yù)測(cè)樣本，樓宇能耗預(yù)測(cè)樣本的數(shù)據(jù)結(jié)構(gòu)為：
其中，方1為預(yù)先設(shè)定的與預(yù)測(cè)時(shí)刻關(guān)聯(lián)性強(qiáng)的樓宇能耗數(shù)據(jù)的集合，為預(yù)測(cè)日的 氣象數(shù)據(jù)的集合，文3:為預(yù)測(cè)日的日屬性的集合； 由于能耗數(shù)據(jù)具有時(shí)序性，因此預(yù)測(cè)模型是時(shí)序性的結(jié)構(gòu)，樣本輸入包括Ξ個(gè)部分:與 預(yù)測(cè)時(shí)刻關(guān)聯(lián)性較強(qiáng)的負(fù)荷數(shù)據(jù)，預(yù)測(cè)日的氣象數(shù)據(jù)（日最高溫度、日最低溫度、日平均溫 度及天氣狀況），預(yù)測(cè)日的日屬性； 4) 根據(jù)樓宇能耗預(yù)測(cè)樣本，采用svm化ain(訓(xùn)練建模）函數(shù)創(chuàng)建SVR回歸模型，SVR回歸 模型的創(chuàng)建方法為現(xiàn)有技術(shù)； 5) 對(duì)SVR回歸模型進(jìn)行訓(xùn)練，SVR回歸模型的訓(xùn)練方法為現(xiàn)有技術(shù)； 6) 將SVR回歸模型的返回值與樓宇能耗實(shí)際值進(jìn)行對(duì)比，如果兩者之間的差值大于預(yù) 先設(shè)定的誤差范圍，則返回步驟5,反之則轉(zhuǎn)至步驟7; 7) 利用SVR回歸模型預(yù)測(cè)樓宇能耗，并將SVR回歸模型的返回值作為樓宇能耗預(yù)測(cè)值。 [0010]本發(fā)明實(shí)施例中，采用svmtrain函數(shù)創(chuàng)建并訓(xùn)練SVR回歸模型的具體步驟如下； 4.1) 設(shè)含有爾個(gè)訓(xùn)練樣本的訓(xùn)練集樣本對(duì)為|(而，乃)，；=l，2,3，.vnj，兩為第個(gè)訓(xùn)練 的輸入列向量，和片請(qǐng)…，叫，:'科為巧的訓(xùn)練輸出值，將運(yùn)些數(shù)據(jù)投影到高 締度特征空間，建立的線性回歸函數(shù)為： /(js)=wO(j〇 個(gè)友 其中，/?鐘為線性回歸函數(shù)，鮮巧為非線性映射函數(shù)，W為權(quán)重向量，及為位偏移量； 4.2) 定義線性不敏感損失函數(shù)為：
其中J為/(刮所對(duì)應(yīng)的真實(shí)值，f為預(yù)先設(shè)定的誤差值，左脯典型值為0.0162; 4.3) 引入松弛變量輪雜，并將尋找W、皮的問題用公式描述為：
其中，C為懲罰因子，C越大表示對(duì)訓(xùn)練誤差大于f的樣本懲罰越大，右規(guī)定了回歸函 數(shù)的誤差要求，f越小表示回歸函數(shù)的誤差越??； 4.4) 采用La巧range(拉格朗日）函數(shù)，將步驟4.3的公式轉(zhuǎn)換為：
其中，:κ|馬，光雜Φ(巧|飯(巧)為核函數(shù)； 4.扣求解步驟4.4的公式，得到最優(yōu)解為。二[呵，…，%!]，α*二坤，。';，...，，貝賄：
其中，嘶,,為支持向量個(gè)數(shù)； 4.6)得到5￥3回歸模型責(zé)·
其中，只有參數(shù)部分?巧-<1不為零，對(duì)應(yīng)的樣本疋即為支持向量機(jī)； 考慮到核函數(shù)的類型、參數(shù)的取值對(duì)回歸模型的性能影響較大的特點(diǎn)，采用交叉驗(yàn)證 的方法尋找最佳的懲罰因子C和參數(shù)g(核函數(shù)中的方差），并默認(rèn)采用RBF核函數(shù)，然后利用 最佳的參數(shù)訓(xùn)練SVR回歸模型，SVR回歸模型建立后，通過svmpredict函數(shù)對(duì)回歸模型進(jìn)行 仿真測(cè)試，該函數(shù)返回的誤差值和決定系數(shù)可W對(duì)SVR回歸模型進(jìn)行評(píng)價(jià)，若沒有達(dá)到要 求，可W通過修改模型參數(shù)、核函數(shù)等方法重新建立回歸模型，直到滿足要求。
【主權(quán)項(xiàng)】
1. 一種基于支持向量機(jī)的智能樓宇能耗預(yù)測(cè)方法，其特征在于，具體步驟如下： 1) 分項(xiàng)采集現(xiàn)場(chǎng)的樓宇能耗數(shù)據(jù)，及室內(nèi)外溫度、濕度，并對(duì)缺失的樓宇能耗數(shù)據(jù)進(jìn)行 填補(bǔ)，具體填補(bǔ)公式為：其中，L 日t時(shí)刻所缺失的樓宇能耗數(shù)據(jù)，L (斗片為7年d-ι日塒刻的樓宇能 耗數(shù)據(jù)，L 為7年(1-2日t時(shí)刻的樓宇能耗數(shù)據(jù)，4、a2為預(yù)先設(shè)定的數(shù)值權(quán)重； 2) 采用歸一化方法將樓宇能耗數(shù)據(jù)轉(zhuǎn)換為無量綱化指標(biāo)測(cè)評(píng)值，使得樓宇能耗數(shù)據(jù)中 的各指標(biāo)值都處于同一個(gè)數(shù)量級(jí)別上； 3) 根據(jù)歸一化后的數(shù)據(jù)、預(yù)測(cè)日的氣象數(shù)據(jù)及預(yù)測(cè)日的日屬性，構(gòu)建時(shí)序性結(jié)構(gòu)的樓 宇能耗預(yù)測(cè)樣本； 4) 根據(jù)樓宇能耗預(yù)測(cè)樣本，采用svmtrain函數(shù)創(chuàng)建SVR回歸模型； 5) 對(duì)SVR回歸模型進(jìn)行訓(xùn)練； 6) 將SVR回歸模型的返回值與樓宇能耗實(shí)際值進(jìn)行對(duì)比，如果兩者之間的差值大于預(yù) 先設(shè)定的誤差范圍，則返回步驟5,反之則轉(zhuǎn)至步驟7; 7) 利用SVR回歸模型預(yù)測(cè)樓宇能耗，并將SVR回歸模型的返回值作為樓宇能耗預(yù)測(cè)值。
【專利摘要】一種基于支持向量機(jī)的智能樓宇能耗預(yù)測(cè)方法，涉及能源管理技術(shù)領(lǐng)域，所解決的是提高預(yù)測(cè)精度，及縮短訓(xùn)練時(shí)間的技術(shù)問題。該方法先分項(xiàng)采集現(xiàn)場(chǎng)的樓宇能耗數(shù)據(jù)，及室內(nèi)外溫度、濕度，并對(duì)缺失的樓宇能耗數(shù)據(jù)進(jìn)行填補(bǔ)；再采用歸一化方法將樓宇能耗數(shù)據(jù)轉(zhuǎn)換為無量綱化指標(biāo)測(cè)評(píng)值，再根據(jù)歸一化后的數(shù)據(jù)、預(yù)測(cè)日的氣象數(shù)據(jù)及預(yù)測(cè)日的日屬性，構(gòu)建樓宇能耗預(yù)測(cè)樣本；再根據(jù)樓宇能耗預(yù)測(cè)樣本，采用svmtrain函數(shù)創(chuàng)建并訓(xùn)練SVR回歸模型；然后再利用SVR回歸模型預(yù)測(cè)樓宇能耗。本發(fā)明提供的方法，適用于智能樓宇的能耗預(yù)測(cè)。
【IPC分類】G06Q10/04
【公開號(hào)】CN105631539
【申請(qǐng)?zhí)枴緾N201510987926
【發(fā)明人】李建, 周慎, 陳烈
【申請(qǐng)人】上海建坤信息技術(shù)有限責(zé)任公司
【公開日】2016年6月1日
【申請(qǐng)日】2015年12月25日