本发明专利技术提供一种基于深度回归森林的空调负荷预测方法，包括以下步骤：根据空调负荷的影响因素采集空调负荷值和影响因素值，所述空调负荷值和影响因素值构成训练样本集；根据所述训练样本集训练一个深度回归森林网络，所述深度回归森林网络包含多个层次，每个层次包括多个随机森林预测器和多个完全随机森林预测器；获取待预测时刻的影响因素值构成预测样本集，将所述预测样本集输入所述深度回归森林网络，得到负荷预测值。本发明专利技术能够有效地分析影响因素与空调负荷之间的非线性关系，在一个统一的框架下处理各种不同性质的影响因素，计算简单高效，预测精度较高。
【技术实现步骤摘要】
一种基于深度回归森林的空调负荷预测方法及系统
本专利技术涉及环境技术管理领域，具体涉及一种基于深度回归森林的空调负荷预测方法及系统。
技术介绍
随着社会经济的发展，空调系统的应用日益普及。在建筑中，特别是公共建筑中，空调的能耗在建筑总能耗中占的比重也日益提高，空调节能有着迫切需求。空调负荷的预测是优化空调机组调度、降低空调系统能耗的重要依据。快速、准确地预测空调负荷具有重要的经济价值和环保意义。主流的空调负荷预测方法大致可以分为三类。第一类是基于时间序列模型的方法。这类方法的基本思想是利用过去一段时间的负荷变化规律来预测未来的负荷值。这类方法的优点是模型简单、计算速度快、只需少量的近期历史数据即可进行预测。其缺点是要求序列满足平稳性假设，实际的空调负荷数据很难满足该假设，此外时间序列模型只分析负荷数据自身的变化规律，而忽略了影响负荷的变量因素，因此这类方法的预测精度不够理想。第二类是基于回归分析的方法。这类方法首先找出若干种与负荷变化相关的影响因素，然后通过历史数据拟合出表示空调负荷的函数。这类方法的优点是能够显式地分析影响因素与空调负荷之间的关系，且数学意义明确。缺点是能同时考虑的影响因素数量有限，当影响因素增加时，计算复杂度将急剧提高，此外这类方法难以描述影响因素和负荷之间复杂的非线性关系，因此预测精度不高。第三类方法是基于机器学习的方法，例如神经网络、支持向量机等。这类方法能够较好的捕捉影响因素和负荷之间的非线性关系，预测精度较高。但是这类方法训练过程复杂，涉及到较多的超参数调节，超参数的设置对预测性能影响较大，且训练耗时很长。
技术实现思路
鉴于以上所述现有技术的缺点，本专利技术的目的在于提供一种基于深度回归森林的空调负荷预测方法，以解决现有技术预测精度不高的问题。为实现上述目的及其他相关目的，本专利技术提供一种基于深度回归森林的空调负荷预测方法，所述基于深度回归森林的空调负荷预测方法包括以下步骤：根据空调负荷的影响因素采集空调负荷值和影响因素值，所述空调负荷值和影响因素值构成样本集；根据所述训练样本集训练一个深度回归森林网络，所述深度回归森林网络包含多个层次，每个层次包括多个随机森林预测器和多个完全随机森林预测器；获取待预测时刻的影响因素值构成预测样本集，将所述预测样本集输入所述深度回归森林网络，得到负荷预测值。可选地，所述根据所述训练样本集训练一个深度回归森林网络，具体包括：对第N层进行训练，计算第N层的预测误差值，N为大于或等于零的整数；对第N+1层进行训练，计算第N+1层的预测误差值，所述第N+1层的随机森林预测器和完全随机森林预测器的数量在所述第N层的础上分别加一；比较第N+1层的预测误差值与第N层的预测误差值，若第N+1层的预测误差值与第N层的预测误差值相等，则训练完成，否则进行下一层的训练。可选地，所述随机森林预测器包括若干个随机树，所述完全随机森林预测器包括若干个完全随机树，在训练所述深度回归森林网络过程中，随机森林预测器和完全随机森林预测器中的每一棵树的节点分裂准则均为使预测误差值最小化。可选地，所述随机森林预测器与所述完全随机森林预测器的训练方法：记某颗树的某一个节点为R，对该节点进行分裂，得到R'和R”两个子节点，位于节点R中的训练样本集合为{(Xi,yi)|i＝1,2,...,NR}，其中NR表示训练样本数量，yi表示负荷值，Xi表示影响因素，它是一个向量Xi＝[xi1,xi2,...xim]，m是备选特征的维数，则节点分裂准则为：其中，和分别为子节点R'和R”的负荷预测值，该负荷预测值为节点中的训练样本负荷值的均值，则：其中，NR'和NR”分别为子节点R'和R”中的训练样本数量；当某个节点中的样本数量小于等于设定的值时，则该节点停止分裂；当所有节点都停止分裂时，生成一棵树；重复上述过程生成所有的树，得到一个随机森林预测器和一个完全随机森林预测器。可选地，所述负荷预测值由所述深度回归森林网络输出层的各个随机森林预测器的输出值和完全随机森林预测器加权融合得到。为实现上述目的及其他相关目的，本专利技术还提供一种基于深度回归森林的空调负荷预测系统，所述基于深度回归森林的空调负荷预测系统包括：训练集构建模块，用于根据空调负荷的影响因素采集空调负荷值和影响因素值，所述空调负荷值和影响因素值构成样本集；训练模块，用于根据所述训练样本集训练一个深度回归森林网络，所述深度回归森林网络包含多个层次，每个层次包括多个随机森林预测器和多个完全随机森林预测器；预测模块，用于获取待预测时刻的影响因素值，所述待预测时刻的影响因素值构成预测样本集，将所述预测样本集输入所述深度回归森林网络，得到负荷预测值。可选地，所述训练模块包括：第一训练模块，用于对第N层进行训练并计算第N层的预测误差值，N为大于或等于零的整数；第二训练模块，用于对第N+1层进行训练，计算第N+1层的预测误差值，所述第N+1层的随机森林预测器和完全随机森林预测器的数量在所述第N层的础上分别加一；比较模块，用于比较第N+1层的预测误差值与第N层的预测误差值，若第N+1层的预测误差值与第N层的预测误差值相等，则训练完成，否则进行下一层的训练。可选地，所述随机森林预测器包括若干个随机树，所述完全随机森林预测器包括若干个完全随机树，在训练所述深度回归森林网络过程中，随机森林预测器和完全随机森林预测器中的每一棵树的节点分裂准则均为使预测误差值最小化。可选地，所述负荷预测值由所述深度回归森林网络输出层的各个随机森林预测器的输出值和完全随机森林预测器加权融合得到。如上所述，本专利技术的一种基于深度回归森林的空调负荷预测方法及系统，具有以下有益效果：(a)采集历史数据构成训练样本集，历史数据不需要在时间上连续，部分历史数据的缺少不会影响预测效果，且数据无需满足平稳性的假设，适用条件宽泛。(b)能够实时的分析影响因素与负荷值之间的关系，且能在一个统一的框架下同时处理各种不同性质的影响因素，影响因素可以是连续数据、离散数据或二值数据。(c)训练过程简单，易于编程实现，本专利技术自身具有并行结构，可通过并行计算大幅提高计算速度。附图说明图1为本专利技术所述的基于深度回归森林的空调负荷预测方法的流程图；图2为深度回归森林结构示意图。具体实施方式以下由特定的具体实施例说明本专利技术的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本专利技术的其他优点及功效。请参阅图1。须知，本说明书所附图式所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本专利技术可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本专利技术所能产生的功效及所能达成的目的下，均应仍落在本专利技术所揭示的
技术实现思路
能涵盖的范围内。同时，本说明书中所引用的如“上”、“下”、“左”、“右”、“中间”及“一”等的用语，亦仅为便于叙述的明了，而非用以限定本专利技术可实施的范围，其相对关系的改变或调整，在无实质变更
技术实现思路
下，当亦视为本专利技术可实施的范畴。参照图1，本专利技术实施例提供一种基于深度回归森林的空调负荷预测方法，包括以下步骤：S1：分析空调负荷的影响因素，总结出以下21项影响空调负荷的因素：<1>采集或预本文档来自技高网...
【技术保护点】
1.一种基于深度回归森林的空调负荷预测方法，其特征在于，所述基于深度回归森林的空调负荷预测方法包括以下步骤：根据空调负荷的影响因素采集空调负荷值和影响因素值，所述空调负荷值和影响因素值构成训练样本集；根据所述训练样本集训练一个深度回归森林网络，所述深度回归森林网络包含多个层次，每个层次包括多个随机森林预测器和多个完全随机森林预测器；获取待预测时刻的影响因素值构成预测样本集，将所述预测样本集输入所述深度回归森林网络，得到负荷预测值。
【技术特征摘要】
1.一种基于深度回归森林的空调负荷预测方法，其特征在于，所述基于深度回归森林的空调负荷预测方法包括以下步骤：根据空调负荷的影响因素采集空调负荷值和影响因素值，所述空调负荷值和影响因素值构成训练样本集；根据所述训练样本集训练一个深度回归森林网络，所述深度回归森林网络包含多个层次，每个层次包括多个随机森林预测器和多个完全随机森林预测器；获取待预测时刻的影响因素值构成预测样本集，将所述预测样本集输入所述深度回归森林网络，得到负荷预测值。2.根据权利要求1所述的一种基于深度回归森林的空调负荷预测方法，其特征在于，所述根据所述训练样本集训练一个深度回归森林网络，具体包括：对第N层进行训练，计算第N层的预测误差值，N为大于或等于零的整数；对第N+1层进行训练，计算第N+1层的预测误差值，所述第N+1层的随机森林预测器和完全随机森林预测器的数量在所述第N层的础上分别加一；比较第N+1层的预测误差值与第N层的预测误差值，若第N+1层的预测误差值与第N层的预测误差值相等，则训练完成，否则进行下一层的训练。3.根据权利要求2所述的一种基于深度回归森林的空调负荷预测方法，其特征在于，所述随机森林预测器包括若干个随机树，所述完全随机森林预测器包括若干个完全随机树，在训练所述深度回归森林网络过程中，随机森林预测器和完全随机森林预测器中的每一棵树的节点分裂准则均为使预测误差值最小化。4.根据权利要求3所述的一种基于深度回归森林的空调负荷预测方法，其特征在于，所述随机森林预测器与所述完全随机森林预测器的训练方法：记某颗树的某一个节点为R，对该节点进行分裂，得到R'和R”两个子节点，位于节点R中的训练样本集合为{(Xi,yi)|i＝1,2,...,NR}，其中NR表示训练样本数量，yi表示负荷值，Xi表示影响因素，它是一个向量Xi＝[xi1,xi2,...xim]，m是备选特征的维数，则节点分裂准则为：其中，和分别为子节点R'和R”的负荷预测值，该负荷预测值为节点中的训练样本负荷值的均值，则：其中，NR'和NR”分别为子节点R'和R”中的训练样本数量；当某个节点中...
【专利技术属性】
技术研发人员：史春燕，李锋，曾祥宁，童建林，刘明，肖鑫，冯应柱，张存琼，周明霞，
申请(专利权)人：中冶赛迪重庆信息技术有限公司，
类型：发明
国别省市：重庆,50
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。