【技术实现步骤摘要】
基于支持向量机原理的建筑能耗预测方法
本专利技术属于机器学习、数据挖掘领域，主要用于建筑物能耗水平研究，为一种基于支持向量机的建筑能耗预测方法。
技术介绍
建筑物占世界能源消耗的40％以上，而且建筑物排放的二氧化碳占二氧化碳总排放量的三分之一。需要对建筑用电数据进行分析，以实现合理用能，节约用能的目的。使用传统手段对建筑能耗进行分析诊断工作量大，作用有限。随之智能技术的快速发展，利用计算机数学算法对建筑用能数据建模用能形态模型，并进行深入分析，已成为近几年的用能形态研究的热点问题。对于既有建筑而言，建筑物的结构参数、建筑所在地的气候数据等详细资料均为已知信息，更为重要的是，建筑的历史能耗数据也可以通过科学的计量方法获得，因而基于这些信息来分析建筑的未来能耗相比于前向模拟法会使得分析结果更加具有参考价值。在众多的数据驱动建筑能耗预测模型中，人工神经网络模型、支持向量机模型以及混合模型应用最为广泛。人工神经网络(ANN)是目前使用最广泛的算法，常被用于预测各种类型的冷暖负荷或电力监控，ANN能够隐式检测输入和输出...
【技术保护点】
1.一种基于支持向量机原理的建筑能耗预测方法，其特征在于：通过建筑物运行管理系统采集空调系统运行参数，气象数据等信息，首先对样本数据进行归一化处理，接下来划分训练集与测试集，使用SVM方法建立能耗预测模型，将测试样本带入模型测算评估分值，从而实现对建筑能耗的预测与分析，包括以下步骤：/n1)通过建筑物运行管理系统采集空调系统运行参数，气象数据等相关参数；/n2)由于不同影响因子的单位和量化标准是完全不同的，为避免对训练后的评估模型带来很大的影响，导致出现模型预测准确性降低等问题，现对所获取的数据进行归一化处理，将这些数据统一到相同的量化标准中，归一化计算公式如式(1)所示：/n
【技术特征摘要】
1.一种基于支持向量机原理的建筑能耗预测方法，其特征在于：通过建筑物运行管理系统采集空调系统运行参数，气象数据等信息，首先对样本数据进行归一化处理，接下来划分训练集与测试集，使用SVM方法建立能耗预测模型，将测试样本带入模型测算评估分值，从而实现对建筑能耗的预测与分析，包括以下步骤：
1)通过建筑物运行管理系统采集空调系统运行参数，气象数据等相关参数；
2)由于不同影响因子的单位和量化标准是完全不同的，为避免对训练后的评估模型带来很大的影响，导致出现模型预测准确性降低等问题，现对所获取的数据进行归一化处理，将这些数据统一到相同的量化标准中，归一化计算公式如式(1)所示：
Tj是归一化后的Xj的标准值，Xj，min为指标j中的最小值，Xj，max为指标j中的最大值。通过上述的公式可将所有的样本数据进行归一化处理；
3)将获取的建筑物运行参数与建筑能耗数据库融合，所述建筑能耗数据库为已有的建筑能耗历史数据，将融合后的数据按季节分组，每一组分为训练数据集和测试数据集两部分，训练集用来训练得到评估模型，测试集可以很好的看出评估模型的评估效果情况；
4)根据步骤3)分组的数据，针对每一组分别建立支持向量机能耗预测模型，简称SVM模型，所用的SVM模型选择径向基RBF核函数，并采用搜索算法对各SVM模型的惩罚参数C和核参数γ进行优化选择，惩罚参数C和核参数γ的优化选择步骤如下：
41)粗估计SVM模型的惩罚参数C和核参数γ的范围，并作为惩罚参数C和核参数γ的初始搜索范围，根据搜索范围确定搜索步长L；
42)对惩罚参数C进行选择时，先控制核参数γ不变，按照步长依次改变惩罚参数C的值，计算得到不同惩罚参数C取值时所对应的预测误差MSE值和支持向量的数量；
43)对核参数γ进行选择时，控制惩罚参数C不变，按照步长依次改变核参数γ的值，计算得到不同核参数γ取值时所对应的预测误差MSE值和支持向量的数量；
44)将不同惩罚参数C和核参数γ取值时所对应的预测误差MSE和支持向量数量进行综合比较，选择一组使得预测准确率和支持向量数量最多的惩罚参数和核参数作为最优的C、γ；
5)使用3)中的训练集针对建立的SVM模型进行训练，使用测试集对SVM模型预测性能进行检验，得到最终的SVM建筑能耗预测模型。
2.根据权利要求1所述的一种基于支持向量机原理的建筑能耗预测方法，其特征在于：步骤1)中，在建...
【专利技术属性】
技术研发人员：李红扩，李刚，李国栋，王昕，史云，邵明磊，姜昕，宋冰岩，周玉璟，杨银琛，
申请(专利权)人：山东历控能源有限公司，
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。