CN113762534A - 一种建筑冷热负荷预测方法、装置、设备及存储介质 - Google Patents
一种建筑冷热负荷预测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN113762534A CN113762534A CN202111064242.3A CN202111064242A CN113762534A CN 113762534 A CN113762534 A CN 113762534A CN 202111064242 A CN202111064242 A CN 202111064242A CN 113762534 A CN113762534 A CN 113762534A
- Authority
- CN
- China
- Prior art keywords
- building
- prediction
- cold
- model
- sampling
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000012549 training Methods 0.000 claims abstract description 81
- 238000010801 machine learning Methods 0.000 claims abstract description 39
- 238000012360 testing method Methods 0.000 claims abstract description 23
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 18
- 238000005070 sampling Methods 0.000 claims description 49
- 239000011159 matrix material Substances 0.000 claims description 26
- 230000006870 function Effects 0.000 claims description 17
- 238000005457 optimization Methods 0.000 claims description 14
- 230000005540 biological transmission Effects 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000004931 aggregating effect Effects 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000002834 transmittance Methods 0.000 claims description 3
- 230000004927 fusion Effects 0.000 description 8
- 238000007637 random forest analysis Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 5
- 238000002790 cross-validation Methods 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 238000003066 decision tree Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 238000000611 regression analysis Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010230 functional analysis Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/08—Construction
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Software Systems (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种建筑冷热负荷预测方法、装置、设备及存储介质，涉及负荷预测技术领域。所述方法包括获取建筑属性数据集和冷热负荷数据集，并根据预设比例得到训练集和测试集；选取至少三种机器学习模型对所述训练集进行拟合，得到预测结果；根据各所述测试集和各所述预测结果，分析每个所述机器学习模型的预测精度；将预测精度最高的机器学习模型作为最终模型，并将待预测建筑的建筑属性数据输入所述最终模型，得到所述待预测建筑的预测冷热负荷数据。本发明能够解决现有模拟算法建立的模型不够全面，预测出的结果精度不够高的问题。
Description
技术领域
本发明涉及负荷预测技术领域，尤其涉及一种建筑冷热负荷预测方法、装置、设备及存储介质。
背景技术
商业建筑是公共建筑中的典型单位，具有单位面积耗电密度高的特点，并且随着经济社会的快速发展，商业建筑面积也在快速扩大，这使得商业建筑的负荷水平不断提高。准确的预测商业建筑的冷、热负荷，可以给电网调度提供可靠数据，对电力设备运行、电网的经济调度以及电力营销等工作都有很突出的指导作用。
目前国内外对建筑冷热负荷预测的方法主要分为能耗软件模拟预测、基于统计回归分析的传统预测方法以及基于机器学***台，搭建详细的建筑模型并给定相关的设计参数，通过计算机仿真得到相关的负荷预测值。但是能耗模拟软件预测负荷的方法对操作人员和基础数据的要求都比较高，往往只是作为一种辅助手段而不是负荷预测的主流方法。基于统计回归分析的传统预测方法原理简单，应用也十分广泛，主要是通过大量的基础数据来建立负荷和影响因素之间的函数关系，但是这种算法建立的模型不够全面，预测出的结果精度不够高，难以准确描述复杂的非线性模型。
发明内容
本发明目的在于，提供一种建筑冷热负荷预测方法、装置、设备及存储介质，以解决现有模拟算法建立的模型不够全面，预测出的结果精度不够高的问题。
为实现上述目的，本发明实施例提供一种建筑冷热负荷预测方法，包括：
获取建筑属性数据集和冷热负荷数据集，并根据预设比例得到训练集和测试集；
选取至少三种机器学习模型对所述训练集进行拟合，得到预测结果；
根据各所述测试集和各所述预测结果，分析每个所述机器学习模型的预测精度；
将预测精度最高的机器学习模型作为最终模型，并将待预测建筑的建筑属性数据输入所述最终模型，得到所述待预测建筑的预测冷热负荷数据。
优选地，所述建筑属性数据集包括若干个建筑属性数据，每个建筑属性数据均包括建筑的相对紧实度、表面积、墙体面积、屋顶面积、高度、朝向、透光面积和透光率。
优选地，所述选取至少三种机器学习模型对所述训练集进行拟合，得到预测结果，包括：
选取Lasso回归模型对所述训练集进行拟合，具体优化目标公式为：
其中，J(ω)表示以ω为优化变量的目标函数，变量m表示训练集中的数据个数；yi表示第i个数据的实际负荷数；Xi表示第i个数据的属性矩阵；ω表示属性系数矩阵；||ω||1表示属性系数矩阵的1范数；λ为惩罚因子。
优选地，所述选取至少三种机器学习模型对所述训练集进行拟合，得到预测结果，包括：
选取Bagging算法模型对所述训练集进行拟合，从m个样本的训练集中随机抽取一个样本放入采样集，然后将这个样本放回采样集，经过n次采样后得到包含n个样本的采样集；采样T个含n个训练样本的采样集；基于每个采样集训练得到基学习器ht；基于简单投票法将T个基学习器的结果聚合，具体公式如下：
其中，l表示损失函数，即预测值与真实值之间的差；
表示选择每个基学习器的权值wt使得预测误差最小；ht(xi)表示基学习器ht对样本xi的预测。
本发明实施例还提供一种建筑冷热负荷预测装置，包括：
数据获取模块，用于获取建筑属性数据集和冷热负荷数据集，并根据预设比例得到训练集和测试集；
拟合预测模块，用于选取至少三种机器学习模型对所述训练集进行拟合，得到预测结果；
模型分析模块，用于根据各所述测试集和各所述预测结果，分析每个所述机器学习模型的预测精度；
模型筛选模块，用于将预测精度最高的机器学习模型作为最终模型，并将待预测建筑的建筑属性数据输入所述最终模型，得到所述待预测建筑的预测冷热负荷数据。
优选地，所述建筑属性数据集包括若干个建筑属性数据，每个建筑属性数据均包括建筑的相对紧实度、表面积、墙体面积、屋顶面积、高度、朝向、透光面积和透光率。
优选地，所述拟合预测模块用于选取Lasso回归模型对所述训练集进行拟合，具体优化目标公式为：
其中，J(ω)表示以ω为优化变量的目标函数，变量m表示训练集中的数据个数；yi表示第i个数据的实际负荷数；Xi表示第i个数据的属性矩阵；ω表示属性系数矩阵；||ω||1表示属性系数矩阵的1范数；λ为惩罚因子。
优选地，所述拟合预测模块用于选取Bagging算法模型对所述训练集进行拟合，从m个样本的训练集中随机抽取一个样本放入采样集，然后将这个样本放回采样集，经过n次采样后得到包含n个样本的采样集；采样T个含n个训练样本的采样集；基于每个采样集训练得到基学习器ht；基于简单投票法将T个基学习器的结果聚合，具体公式如下：
其中，l表示损失函数，即预测值与真实值之间的差；
表示选择每个基学习器的权值wt使得预测误差最小；ht(xi)表示基学习器ht对样本xi的预测。
本发明实施例还提供一种计算机终端设备，包括一个或多个处理器和存储器。存储器与所述处理器耦接，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上述任一实施例所述的建筑冷热负荷预测方法。
本发明实施例还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上述任一实施例所述的建筑冷热负荷预测方法。
与现有技术相比，本发明具有以下有益效果：
本发明公开的建筑冷热负荷预测方法，包括获取建筑属性数据集和冷热负荷数据集，并根据预设比例得到训练集和测试集；选取至少三种机器学习模型对所述训练集进行拟合，得到预测结果；根据所述测试集和所述预测结果，分析所述机器学习模型的预测精度；根据所述预测精度，选择机器学习模型中精度最高的作为最终模型；将待预测建筑属性数据输入所述最终模型，得到预测冷热负荷数据。本发明整合多种机器学习模型对建筑属性数据集和冷热负荷数据集进行拟合，优选出最适配的机器学习模型来将待预测建筑属性数据输入所述最终模型，得到预测冷热负荷数据，能够解决现有模拟算法建立的模型不够全面，预测出的结果精度不够高的问题。
附图说明
为了更清楚地说明本发明的技术方案，下面将对实施方式中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明某一实施例提供的建筑冷热负荷预测方法的流程示意图；
图2是本发明某一实施例提供的建筑冷热负荷预测装置的结构示意图；
图3是本发明某一实施例提供的计算机终端设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
应当理解，文中所使用的步骤编号仅是为了方便描述，不作为对步骤执行先后顺序的限定。
应当理解，在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
请参阅图1，图1是本发明某一实施例提供的建筑冷热负荷预测方法的流程示意图。在本实施例中，建筑冷热负荷预测方法，包括以下步骤：
S110，获取建筑属性数据集和冷热负荷数据集，并根据预设比例得到训练集和测试集；
S120，选取至少三种机器学习模型对所述训练集进行拟合，得到预测结果；
在某一实施例中，对所述训练集进行拟合，使用到的机器学习模型包括：岭回归模型、山脊回归模型、随机森林模型、Bagging算法模型、极限树模型和K-近邻模型。
S130，根据各所述测试集和各所述预测结果，分析每个所述机器学习模型的预测精度；
S140，将预测精度最高的机器学习模型作为最终模型，并将待预测建筑的建筑属性数据输入所述最终模型，得到所述待预测建筑的预测冷热负荷数据。
在本发明实施例中，所述建筑属性数据集包括若干个建筑属性数据，每个建筑属性数据均包括建筑的相对紧实度、表面积、墙体面积、屋顶面积、高度、朝向、透光面积和透光率。
在本发明实施例中，步骤S120，选取至少三种机器学习模型对所述训练集进行拟合，得到预测结果，包括：
选取Lasso回归模型对所述训练集进行拟合，具体优化目标公式为：
其中，J(ω)表示以ω为优化变量的目标函数，变量m表示训练集中的数据个数；yi表示第i个数据的实际负荷数；Xi表示第i个数据的属性矩阵；ω表示属性系数矩阵；||ω||1表示属性系数矩阵的1范数；λ为惩罚因子。
在本发明实施例中，步骤S120，选取至少三种机器学习模型对所述训练集进行拟合，得到预测结果，包括：
选取Bagging算法模型对所述训练集进行拟合，从m个样本的训练集中随机抽取一个样本放入采样集，然后将这个样本放回采样集，经过n次采样后得到包含n个样本的采样集；采样T个含n个训练样本的采样集；基于每个采样集训练得到基学习器ht；基于简单投票法将T个基学习器的结果聚合，具体公式如下：
其中，l表示损失函数，即预测值与真实值之间的差；
表示选择每个基学习器的权值wt使得预测误差最小；ht(xi)表示基学习器ht对样本xi的预测。
在某一具体实施例中，获取某一商用建筑自身属性以及冷热负荷数据，构建训练集与测试集；选取机器学习中的岭回归、山脊回归，随机森林，Bagging，极限树和K-近邻6种典型模型对训练集进行拟合，并使用交叉验证的方法在测试集上测试模型的预测精度；使用交叉验证的方法选择效果最好的三种模型，使用模型融合的方法对选出的模型进行融合，得到最终的预测模型；最后应用最终的预测模型，预测商业建筑的冷热负荷。
在本实施例中，所获取的商业建筑自身属性包括相对紧实度、表面积、墙体面积、屋顶面积、高度、朝向、透光面积、透光率。根据80％训练集和20％测试集的分配比例，将获取的商业建筑数据划分为训练集和测试。
在本实施例中，对于训练集，使用Lasso回归模型进行拟合，具体优化目标公式为：
其中，J(ω)表示以ω为优化变量的目标函数，变量m表示训练集中的数据个数；yi表示第i个数据的实际负荷数；Xi表示第i个数据的属性矩阵；ω表示属性系数矩阵；||ω||1表示属性系数矩阵的1范数；λ为惩罚因子。以公式(1)最小为目标，使用随机梯度下降方法计算的得到系数矩阵ω。上述公式中的||ω||1也可以替换成系数矩阵的2范数：||ω||2。范数，是具有“长度”概念的函数。在线性代数、泛函分析及相关的数学领域，范数是一个函数，其为矢量空间内的所有矢量赋予非零的正长度或大小。半范数反而可以为非零的矢量赋予零长度。二范数就是矩阵A的转置共轭矩阵与矩阵A的积的最大特征根的平方根值，是指空间上两个向量矩阵的直线距离。类似于求棋盘上两点间的直线距离。
在本实施例中，对于训练集，使用Bagging算法进行拟合，从m个样本的训练集中随机抽取一个样本放入采样集，然后将这个样本放回采样集，经过n次采样后得到包含n个样本的采样集；采样T个含n个训练样本的采样集；基于每个采样集训练得到基学习器ht；基于简单投票法将T个基学习器的结果聚合，具体公式如下：
其中，l表示损失函数，即预测值与真实值之间的差；
表示选择每个基学习器的权值wt使得预测误差最小；ht(xi)表示基学习器ht对样本xi的预测。
在本实施例中，对于训练集，使用随机森林算法进行拟合。随机森林以Bagging算法为基础，选择决策树作为基学习器。即对于，每个基决策树的每个节点，从该节点的特征集合中随机选择一个包含部分特征集合的子集，然后再从这个子集中选择一个最优属性用于划分。其余特征与使用Bagging算法进行拟合相同。
在本实施例中，对于训练集，使用极限树模型进行拟合。极限树模型以随机森林模型为基础，在训练基学习器的过程中，不再从原有训练集中随机抽取构建新样本集，而是在全体训练样本的基础上进行基学习器的生成。
在某一具体实施例中，步骤S140，根据所述预测精度，选择机器学习模型中精度最高的作为最终模型。
针对每一种模型，将训练数据集划分成k个大小相似的互斥子集，即D＝D1∪D2∪...∪Dk。其中D表示整个训练数据集。在其中k-1个子集的并集上进行训练，在剩余的那一个集合上进行验证。其中每一个子集都会被用于验证一次，如此循环k次，求出预测精度的平均值和标准差。选择其中平均值较大，标准差较小的模型，具体结果如表1所示，根据交叉验证结果，选择Bagging，随机森林和极限树作为模型融合的基模型。
表1模型的交叉验证结果
接着采用学习法模型融合技术，将选出的模型进行融合。假设选出的J种模型m1，m2，...mJ。首先将训练集中的训练特征输入所选出模型mj，接着得出一组预测值
其中
表示模型j对数据集中第n个数据进行预测。将生成的预测值当做融合模型的特征值，将原数据集的实际负荷数作为真实值，采用多响应线性回归算法进行拟合，得到最终的预测模型。
在本发明实施例中，将待预测建筑属性数据输入所述最终模型，得到预测冷热负荷数据。下面举出该实施例的计算效果
表2展示了各种模型的预测结果，以及加入模型融合后的效果。由结果可以看出这三种模型在建筑负荷预测任务上已经有较高性能表现，尤其是热负荷的预测，但是对于冷负荷的预测仍有较明显误差。因此我们通过模型融合的方式，对三种模型的预测结果进行加权融合，进而提升负荷预测准确度以及模型的泛化性能。由结果可以看出，相对于Bagging，随机森林和极限树在树分叉属性的生成上是对所有数据的完全随机，有更高的随机性，因此获得了更好的性能。在加入模型融合后，热负荷和冷负荷的预测精度都有提升，说明模型融合在已有模型的基础上，对每个模型的预测较准确的对象赋予了较高的权重，相当于保留了每个模型的优点，进一步提升了模型的表现。
表2实施例结果
本发明公开的建筑冷热负荷预测方法，包括获取建筑属性数据集和冷热负荷数据集，并根据预设比例得到训练集和测试集；选取至少三种机器学习模型对所述训练集进行拟合，得到预测结果；根据所述测试集和所述预测结果，分析所述机器学习模型的预测精度；根据所述预测精度，选择机器学习模型中精度最高的作为最终模型；将待预测建筑属性数据输入所述最终模型，得到预测冷热负荷数据。本发明能够解决现有模拟算法建立的模型不够全面，预测出的结果精度不够高的问题。
请参阅图1，图1是本发明某一实施例提供的建筑冷热负荷预测方法的流程示意图。在本实施例中，建筑冷热负荷预测装置，包括：
数据获取模块210，用于获取建筑属性数据集和冷热负荷数据集，并根据预设比例得到训练集和测试集；
拟合预测模块220，用于选取至少三种机器学习模型对所述训练集进行拟合，得到预测结果；
模型分析模块230，用于根据所述测试集和所述预测结果，分析所述机器学习模型的预测精度；
模型筛选模块240，用于根据所述预测精度，选择机器学习模型中精度最高的作为最终模型；
目标预测模块250，用于将待预测建筑属性数据输入所述最终模型，得到预测冷热负荷数据。
在本发明实施例中，所述建筑属性数据集包括建筑的相对紧实度、表面积、墙体面积、屋顶面积、高度、朝向、透光面积和透光率。
在本发明实施例中，所述拟合预测模块用于选取Lasso回归模型对所述训练集进行拟合，具体优化目标公式为：
其中，J(ω)表示以ω为优化变量的目标函数，变量m表示训练集中的数据个数；yi表示第i个数据的实际负荷数；Xi表示第i个数据的属性矩阵；ω表示属性系数矩阵；||ω||1表示属性系数矩阵的1范数；λ为惩罚因子。
在本发明实施例中，所述拟合预测模块用于选取Bagging算法模型对所述训练集进行拟合，从m个样本的训练集中随机抽取一个样本放入采样集，然后将这个样本放回采样集，经过n次采样后得到包含n个样本的采样集；采样T个含n个训练样本的采样集；基于每个采样集训练得到基学习器ht；基于简单投票法将T个基学习器的结果聚合，具体公式如下：
其中，l表示损失函数，即预测值与真实值之间的差；
表示选择每个基学习器的权值wt使得预测误差最小；ht(xi)表示基学习器ht对样本xi的预测。
关于建筑冷热负荷预测装置的具体限定可以参见上文中对于建筑冷热负荷预测方法的限定，在此不再赘述。上述建筑冷热负荷预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
请参阅图3，本发明实施例提供一种计算机终端设备，包括一个或多个处理器和存储器。存储器与所述处理器耦接，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上述任意一个实施例中的建筑冷热负荷预测方法。
处理器用于控制该计算机终端设备的整体操作，以完成上述的建筑冷热负荷预测方法的全部或部分步骤。存储器用于存储各种类型的数据以支持在该计算机终端设备的操作，这些数据例如可以包括用于在该计算机终端设备上操作的任何应用程序或方法的指令，以及应用程序相关的数据。该存储器可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，例如静态随机存取存储器(Static Random Access Memory，简称SRAM)，电可擦除可编程只读存储器(Electrically Erasable Programmable Read-OnlyMemory，简称EEPROM)，可擦除可编程只读存储器(Erasable Programmable Read-OnlyMemory，简称EPROM)，可编程只读存储器(Programmable Read-Only Memory，简称PROM)，只读存储器(Read-Only Memory，简称ROM)，磁存储器，快闪存储器，磁盘或光盘。
在一示例性实施例中，计算机终端设备可以被一个或多个应用专用集成电路(Application Specific 1ntegrated Circuit，简称AS1C)、数字信号处理器(DigitalSignal Processor，简称DSP)、数字信号处理设备(Digital Signal Processing Device,简称DSPD)、可编程逻辑器件(Programmable Logic Device，简称PLD)、现场可编程门阵列(Field Programmable Gate Array，简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述的建筑冷热负荷预测方法，并达到如上述方法一致的技术效果。
在另一示例性实施例中，还提供了一种包括程序指令的计算机可读存储介质，该程序指令被处理器执行时实现上述任意一个实施例中的建筑冷热负荷预测方法的步骤。例如，该计算机可读存储介质可以为上述包括程序指令的存储器，上述程序指令可由计算机终端设备的处理器执行以完成上述的建筑冷热负荷预测方法，并达到如上述方法一致的技术效果。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。
Claims (10)
1.一种建筑冷热负荷预测方法，其特征在于，包括：
获取建筑属性数据集和冷热负荷数据集，并根据预设比例得到训练集和测试集；
选取至少三种机器学习模型对所述训练集进行拟合，得到预测结果；
根据各所述测试集和各所述预测结果，分析每个所述机器学习模型的预测精度；
将预测精度最高的机器学习模型作为最终模型，并将待预测建筑的建筑属性数据输入所述最终模型，得到所述待预测建筑的预测冷热负荷数据。
2.根据权利要求1所述的建筑冷热负荷预测方法，其特征在于，所述建筑属性数据集包括若干个建筑属性数据，每个建筑属性数据均包括建筑的相对紧实度、表面积、墙体面积、屋顶面积、高度、朝向、透光面积和透光率。
3.根据权利要求1所述的建筑冷热负荷预测方法，其特征在于，所述选取至少三种机器学习模型对所述训练集进行拟合，得到预测结果，包括：
选取Lasso回归模型对所述训练集进行拟合，具体优化目标公式为：
其中，J(ω)表示以ω为优化变量的目标函数，变量m表示训练集中的数据个数；yi表示第i个数据的实际负荷数；Xi表示第i个数据的属性矩阵；ω表示属性系数矩阵；||ω||1表示属性系数矩阵的1范数；λ为惩罚因子。
4.根据权利要求1所述的建筑冷热负荷预测方法，其特征在于，所述选取至少三种机器学习模型对所述训练集进行拟合，得到预测结果，包括：
选取Bagging算法模型对所述训练集进行拟合，从m个样本的训练集中随机抽取一个样本放入采样集，然后将这个样本放回采样集，经过n次采样后得到包含n个样本的采样集；采样T个含n个训练样本的采样集；基于每个采样集训练得到基学习器ht；基于简单投票法将T个基学习器的结果聚合，具体公式如下：
其中，l表示损失函数，即预测值与真实值之间的差；
表示选择每个基学习器的权值wt使得预测误差最小；ht(xi)表示基学习器ht对样本xi的预测。
5.一种建筑冷热负荷预测装置，其特征在于，包括：
数据获取模块，用于获取建筑属性数据集和冷热负荷数据集，并根据预设比例得到训练集和测试集；
拟合预测模块，用于选取至少三种机器学习模型对所述训练集进行拟合，得到预测结果；
模型分析模块，用于根据各所述测试集和各所述预测结果，分析每个所述机器学习模型的预测精度；
模型筛选模块，用于将预测精度最高的机器学习模型作为最终模型，并将待预测建筑的建筑属性数据输入所述最终模型，得到所述待预测建筑的预测冷热负荷数据。
6.根据权利要求5所述的建筑冷热负荷预测装置，其特征在于，所述建筑属性数据集包括若干个建筑属性数据，每个建筑属性数据均包括建筑的相对紧实度、表面积、墙体面积、屋顶面积、高度、朝向、透光面积和透光率。
7.根据权利要求5所述的建筑冷热负荷预测装置，其特征在于，所述拟合预测模块用于选取Lasso回归模型对所述训练集进行拟合，具体优化目标公式为：
其中，J(ω)表示以ω为优化变量的目标函数，变量m表示训练集中的数据个数；yi表示第i个数据的实际负荷数；Xi表示第i个数据的属性矩阵；ω表示属性系数矩阵；||ω||1表示属性系数矩阵的1范数；λ为惩罚因子。
8.根据权利要求5所述的建筑冷热负荷预测装置，其特征在于，所述拟合预测模块用于选取Bagging算法模型对所述训练集进行拟合，从m个样本的训练集中随机抽取一个样本放入采样集，然后将这个样本放回采样集，经过n次采样后得到包含n个样本的采样集；采样T个含n个训练样本的采样集；基于每个采样集训练得到基学习器ht；基于简单投票法将T个基学习器的结果聚合，具体公式如下：
其中，l表示损失函数，即预测值与真实值之间的差；
表示选择每个基学习器的权值wt使得预测误差最小；ht(xi)表示基学习器ht对样本xi的预测。
9.一种计算机终端设备，其特征在于，包括：
一个或多个处理器；
存储器，与所述处理器耦接，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1至4任一项所述的建筑冷热负荷预测方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至4任一项所述的建筑冷热负荷预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111064242.3A CN113762534A (zh) | 2021-09-10 | 2021-09-10 | 一种建筑冷热负荷预测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111064242.3A CN113762534A (zh) | 2021-09-10 | 2021-09-10 | 一种建筑冷热负荷预测方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113762534A true CN113762534A (zh) | 2021-12-07 |
Family
ID=78795016
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111064242.3A Pending CN113762534A (zh) | 2021-09-10 | 2021-09-10 | 一种建筑冷热负荷预测方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113762534A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116596112A (zh) * | 2023-04-10 | 2023-08-15 | 哈博能源科技(苏州)有限公司 | 一种通用冷热电负荷预测方法及*** |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20180138371A (ko) * | 2017-06-21 | 2018-12-31 | 서울대학교산학협력단 | 데이터 기반 모델 평가 및 이를 이용한 캡슐형 빙축열 시스템 예측제어 방법 |
| CN111861002A (zh) * | 2020-07-22 | 2020-10-30 | 上海明华电力科技有限公司 | 基于数据驱动高斯学习技术的建筑物冷热负荷预测方法 |
| CN112232593A (zh) * | 2020-11-04 | 2021-01-15 | 武汉理工大学 | 一种基于相空间重构和数据驱动的电力负荷预测方法 |
-
2021
- 2021-09-10 CN CN202111064242.3A patent/CN113762534A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20180138371A (ko) * | 2017-06-21 | 2018-12-31 | 서울대학교산학협력단 | 데이터 기반 모델 평가 및 이를 이용한 캡슐형 빙축열 시스템 예측제어 방법 |
| CN111861002A (zh) * | 2020-07-22 | 2020-10-30 | 上海明华电力科技有限公司 | 基于数据驱动高斯学习技术的建筑物冷热负荷预测方法 |
| CN112232593A (zh) * | 2020-11-04 | 2021-01-15 | 武汉理工大学 | 一种基于相空间重构和数据驱动的电力负荷预测方法 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116596112A (zh) * | 2023-04-10 | 2023-08-15 | 哈博能源科技(苏州)有限公司 | 一种通用冷热电负荷预测方法及*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11544522B2 (en) | Methods, systems, and computer readable mediums for determining a system state of a power system using a convolutional neural network | |
| Kapetanakis et al. | Input variable selection for thermal load predictive models of commercial buildings | |
| Banihashemi et al. | Developing a hybrid model of prediction and classification algorithms for building energy consumption | |
| CN108375474B (zh) | 一种航空发动机过渡态关键性能参数预测方法 | |
| CN109659933A (zh) | 一种基于深度学习模型的含分布式电源配电网电能质量预测方法 | |
| CN103168278A (zh) | 用于分析建筑物操作传感器数据的***和方法 | |
| CN112182720A (zh) | 一种基于建筑能源管理应用场景的建筑能耗模型评价方法 | |
| CN113591215A (zh) | 基于不确定性的异常卫星组件布局检测方法 | |
| CN112101736A (zh) | 微电网运营模式的评估方法、装置、存储介质和电子设备 | |
| CN111428419A (zh) | 悬浮泥沙浓度预测方法、装置、计算机设备和存储介质 | |
| Clarke | Assessing building performance by simulation | |
| Aliberti et al. | Indoor air-temperature forecast for energy-efficient management in smart buildings | |
| CN113762534A (zh) | 一种建筑冷热负荷预测方法、装置、设备及存储介质 | |
| CN109871642B (zh) | 一种用于蒸汽发生器的内部结构的温度场建模方法 | |
| CN108805419B (zh) | 基于网络嵌入与支持向量回归的电网节点重要度计算方法 | |
| Bagheri Tolabi et al. | An enhanced particle swarm optimization algorithm to solve probabilistic load flow problem in a micro-grid | |
| Mousavi et al. | On the application of genetic programming for new generation of ground motion prediction equations | |
| Kapetanakis et al. | Selection of input variables for a thermal load prediction model | |
| CN115207921A (zh) | 一种光伏接入配电网的位置优化方法及*** | |
| Li et al. | Design and implementation of equipment maintenance predictive model based on machine learning | |
| CN104715343A (zh) | 一种基于强化学习和自适应序贯重点抽样的电力***充裕度评估方法 | |
| Al-Ahmadi et al. | Spatial optimization of urban cellular automata model | |
| Knight et al. | A knowledge-based system to represent spatial reasoning for fire modelling | |
| Ploskas | Parameter Tuning of Linear Programming Solvers | |
| Barnes et al. | Building Energy Use Surrogate Model Feature Selection–A Methodology Using Forward Stepwise Selection and LASSO Regression Methods |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |