考虑频域分解后数据特征的空调冷负荷预测方法及系统技术方案

本发明专利技术公开了一种考虑频域分解后数据特征的空调冷负荷预测方法及系统，将负荷序列重要度大于设定阈值的因素作为输入变量；利用变分模态分解技术将原始负荷序列分解成两个固有模态函数IMF1和IMF2以及误差序列ERR；对固有模态函数IMF1建立最小二乘支持向量机预测模型，得到IMF1子序列的预测分量；对固有模态函数IMF2建立极端梯度提升决策树预测模型，得到IMF2子序列的预测分量；对表现出高斯噪声部分的误差序列ERR的概率分布进行正态拟合得到误差序列ERR子序列的预测分量；将IMF1子序列的预测分量，IMF2子序列的预测分量和误差序列ERR子序列的预测分量叠加后输出得到最终冷负荷预测值。本发明专利技术提高了环境噪声情况下的预测精度，具有实际工程应用背景和重要的现实意义。

【技术实现步骤摘要】
考虑频域分解后数据特征的空调冷负荷预测方法及系统
本专利技术属于大型公共建筑系统中负荷预测
，具体涉及一种考虑频域分解后数据特征的空调冷负荷预测方法及系统。
技术介绍
在建筑能耗各大主要的源头中，空调系统能耗占建筑能耗的比例超过了40％，是重要的能耗系统之一。提高能源利用率和节约资源尤为重要，而空调作为生活供冷(热)的主要设备之一，具有巨大的节能潜力。通过提前提供所需的冷负荷并调整HVAC系统的动态运行参数，可以解决设备运行状态与最佳性能不匹配而导致系统能耗较高的问题。模型预测控制(MPC)是一种先进控制技术，是实现HVAC系统节能的关键，而准确可靠的冷负荷预测结果是MPC有效控制的基础。并且研究空调负荷预测可以帮助决策者合理分配电力资源，调整供电能源结构，达到节约能源的目的。空调负荷数据具有非线性、非平稳特性，且随着人流波动、天气等因素的影响体现出一定的随机性。随着计算机技术和数学算法的不断发展，涌现出一大批与机器学习和人工智能方法结合的研究。对空调逐时负荷预测常采用的方法大致分为人工神经网络(ANN)，时间序列，回归分析以及支本文档来自技高网...

【技术保护点】
1.考虑频域分解后数据特征的空调冷负荷预测方法，其特征在于，包括以下步骤：/nS1、将影响负荷的因素通过RF算法对每个变量的特征重要度进行排序用于特征选择，将负荷序列重要度大于设定阈值的因素作为输入变量；/nS2、利用变分模态分解技术将原始负荷序列分解成两个固有模态函数IMF1和IMF2以及误差序列ERR；/nS3、对步骤S2得到的IMF1子序列进行ADF检验，检验结果为非线性非平稳子序列，并将步骤S1得到的输入变量作为输入，对固有模态函数IMF1建立最小二乘支持向量机预测模型，得到IMF1子序列的预测分量；/nS4、对步骤S2得到的IMF2子序列进行ADF检验，检验结果为线性平稳子序列，并将...

【技术特征摘要】
1.考虑频域分解后数据特征的空调冷负荷预测方法，其特征在于，包括以下步骤：
S1、将影响负荷的因素通过RF算法对每个变量的特征重要度进行排序用于特征选择，将负荷序列重要度大于设定阈值的因素作为输入变量；
S2、利用变分模态分解技术将原始负荷序列分解成两个固有模态函数IMF1和IMF2以及误差序列ERR；
S3、对步骤S2得到的IMF1子序列进行ADF检验，检验结果为非线性非平稳子序列，并将步骤S1得到的输入变量作为输入，对固有模态函数IMF1建立最小二乘支持向量机预测模型，得到IMF1子序列的预测分量；
S4、对步骤S2得到的IMF2子序列进行ADF检验，检验结果为线性平稳子序列，并将步骤S1得到的输入变量作为输入，对固有模态函数IMF2建立极端梯度提升决策树预测模型，得到IMF2子序列的预测分量；
S5、对步骤S2得到的表现出高斯噪声部分的误差序列ERR的概率分布进行正态拟合得到ERR序列的概率分布预测模型，确定误差序列ERR子序列的预测分量；
S6、将步骤S3得到的IMF1子序列的预测分量，步骤S4得到的IMF2子序列的预测分量和步骤S5得到的误差序列ERR子序列的预测分量叠加后输出得到最终冷负荷预测值。


2.根据权利要求1所述的方法，其特征在于，步骤S2中，利用VMD技术将原始负荷序列分解成离散的子序列具体为：
S201、构造变分问题，原始负荷序列被分解为3个分量，保证分解序列为具有中心频率的有限带宽的模态分量，同时各模态的估计带宽之和最小，约束条件为所有模态之和与原始信号相等，得到相应的约束变分问题；
S202、引入二次惩罚因子α拉格朗日乘子λ，将步骤S201得到的约束变分问题转换为无约束变分问题；
S203、迭代更新步骤S202转换的无约束变分问题中的uk和ωk，得到各模态分量最优解；
S204、当步骤S203各模态分量最优解满足约束条件后，输出最终模态分量，为第n次迭代得到的分量，为第n+1次迭代得到的分量，k为模态分量数，e>0为判别精度。


3.根据权利要求2所述的方法，其特征在于，步骤S203中，各模态分量最优解：






其中，为分别为第n+1次迭代得到的分量和表当前模态函数功率谱的重心，为原始负荷序列的傅里叶变换，为ui(ω)的傅里叶变换，为Lagrange惩罚算子，n代表迭代次数，α为二次惩罚因子。


4.根据权利要求1所述的方法，其特征在于，步骤S3中，建立LSSVM预测模型具体为：
S301、给定训练数据集{(x1,y1),(x2,y2),…,(xn,yn)}，xi是第i个输入样本，yi是输出变量，将核函数映射在高维空间中构造回归函数y(x)；
S302、根据结构风险最小准则求解回归函数中的权向量ω和偏差参数b；
S303、构造拉格朗日函数L(ω,b,ξ,α)求解步骤S301中回归函数的最优解，ξ为松弛变量，α为Lagrange乘子；
S304、根据KKT条件分别求解L(ω,b,ξ,α)对(ω,b,ξ,α)的偏微分；
S305、通过计算步骤S304中4个参数的偏导为0，消除参数松弛变量ξi和权向量ω后得到线性方程组；
S306、通过求解步骤S305中的方程组得到α和b的值，确定LSSVM预测模型。


5.根据权利要求4所述的方法，其特征在于，步骤S302中，最优ω和b...

【专利技术属性】
技术研发人员：于军琪，边策，赵安军，解云飞，惠蕾蕾，李想，康智恒，刘欣怡，
申请(专利权)人：西安建筑科技大学，
类型：发明
国别省市：陕西;61