基于支持向量机的逐时建筑能耗预测方法技术
【技术实现步骤摘要】
基于支持向量机的逐时建筑能耗预测方法
本专利技术涉及一种基于支持向量机的主视建筑能耗预测方法，属于建筑节能
技术介绍
随着房地产业的高速发展，我国各类建筑物数量急增，建筑能耗在整个社会总能耗中所占的比例越来越大，同时产生了大量基于物联网感知技术的各种与建筑能耗相关的数据，面向这些数据对建筑物能耗进行预测，有利于更合理有效的布局能耗资源，有力的推动节约型社会的建立。从国内外研究现状来看,关于建筑能耗的预测大多采用模拟软件的方法，将建筑模型在计算机中整个模拟出来，由建筑设计人员调整相关参数并进行物理描述的过程，如DOE-2、EnergyPlus、Ecotect、BLAST和ESP-r等，该方法耗时较长，计算结果和实际测量结果之间的误差有时会很大。基于机器学习的方法是通过建筑能耗的相关数据，建立学习模型来预测某种条件下未来所产生的能耗，该方法优点是无需专业知识，一旦模型训练完善，只需修改建筑设计输入参数，就可以进行预测。相关研究中很多采用了基于支持向量机的方法进行回归预测，最优解超平面本身只依赖支持向量，故只需要少量数据即可完成预测任务，又通过引入核函数，有效...
【技术保护点】
一种基于支持向量机的逐时建筑能耗预测方法，其特征在于：包括以下步骤：S01）、基于随机森林对未来天气进行逐时预测，包括以下具体步骤：S11）、对数据进行分析和预处理，包括数据转换、数据缺失的统计分析和数据缺失的处理；S12）、特征选取，使用平均不纯度减少作为特征选择的方法；S13）、基于随机森林进行未来天气的逐时预测和评价；S02）、将逐时天气特征与建筑外围特征进行数据融合后，基于支持向量机对建筑能耗进行逐时预测，以精确反映建筑能耗峰值及细部变化，包括以下具体步骤：S21）、筛选数据，采用马氏距离与3
【技术特征摘要】
1.一种基于支持向量机的逐时建筑能耗预测方法，其特征在于：包括以下步骤：S01）、基于随机森林对未来天气进行逐时预测，包括以下具体步骤：S11）、对数据进行分析和预处理，包括数据转换、数据缺失的统计分析和数据缺失的处理；S12）、特征选取，使用平均不纯度减少作为特征选择的方法；S13）、基于随机森林进行未来天气的逐时预测和评价；S02）、将逐时天气特征与建筑外围特征进行数据融合后，基于支持向量机对建筑能耗进行逐时预测，以精确反映建筑能耗峰值及细部变化，包括以下具体步骤：S21）、筛选数据，采用马氏距离与3原则相结合，缩小取值邻域半径，筛选部分数据用于支持向量机的训练模型；S22）、支持向量机的回归预测，设定样本集，xi表示由所有归一化的输入参数构成的向量，i表示一个输入样本，yi为xi的训练输出值，SVM模型输入和输出参数之间的关系为：（1），其中，表示从非线性输入空间到高维空间x的映射，w和b的值通过构建拉格朗日方程，引入拉格朗日因子，再通过对偶问题可解得最优值；回归模型中的目标函数如公式2所示：（2），其中表示损失函数测量的误差，通常称为-灵敏度函数，这就限定了一个区域，如果预测值在这区域之内，则损耗为0，如果预测值在管状区域外，损耗为预测值与区域管半径之间差的量值，C为惩罚函数，以确定训练误差和模型平坦度之间的平衡度；为获得w和b的估计值，引入正松弛变量和至公式2，得到公式3，（3）；公式3中引入核函数，得到其对偶形式，如公式4所示，（4），其中，和是拉格朗日乘子，i和j分别代表不同的样本，因此公式1变为以下形式，如公式5所示，（5），通过选择核函数，基于SVM的建筑能耗及其相对影响参数之间非线性关系被建立起来了，之后，从SVM模型就可以直接输出预测值y。2.根据权利要求1所述的基于支持向量机的逐时建筑能耗预测方法，其特征在于：选择的核函数包括线性核函数、多项式核函数、径向基核函数和sigmoid核函数，引入核函数以后，目标函数变为如公式6所示：（6），然后分别利用四种核函数进行建模，建模时每种核函数参数的选取采用网格搜索和交叉验证的方法，的值设置为0.01，得出采用四种核函数的SVM模型的预测值；然后使用均方根误差RMSE作为评价函数评价SVM模型预测结果的误差，（7），公式7中，表示样本i的真实值，是样本i的预测值，通过公式7计算出各核函数的预测误差，通过比较得出用径向基核函数建模进行预测的误差相对较小。3.根据权利要求1所述的基于支持...
【专利技术属性】
技术研发人员：宋玲，吕舜铭，张志军，王向辉，李凤龙，徐军，庄志刚，
申请(专利权)人：山东建筑大学，
类型：发明
国别省市：山东,37
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。