【技术实现步骤摘要】
本专利技术涉及智能楼宇，涉及灰色关联度分析、灰色预测、多元线性回归模型，具体公开一种考虑时变特征关联度的楼宇负荷预测方法，属于计算、推算或计数的。
技术介绍
1、楼宇负荷预测是建筑节能控制的重要环节之一，其对于合理调控建筑内多种设备的能源消耗以及优化建筑系统性能，提高建筑节能效果至关重要。多元线性回归模型和灰色预测模型是常用的两种预测算法，它们适用于实时预测和快速响应需求的场景，因此在进行一些短期预测时经常结合两种预测算法来进行数据预测。目前已有短期负荷预测算法，首先通过灰色预测模型根据提取的相关数据预测出相关数据在下一时段的参数值，然后将相关数据在预测时段的参数值代入多元线性回归模型以获取预测值。然而，多元线性回归模型预测相关数据的方法存在数据相关性不明显、模型拟合程度低等多种不稳定因素，这都影响最终预测模型的质量和准确度，因此传统的相关数据预测算法会产生较大的误差。
2、楼宇负荷预测面临的难题是无法通过现有的短期负荷预测算法获得准确的预测结果，而现有短期负荷预测技术并未考虑到楼宇负荷预测的实际情况中各特征因素与预测变量之间的关联系数具有时变性这一情况，而根据一段时间内特征因素相关数据以及预测变量值预测的多元线性回归模型回归系数不能准确反映楼宇负荷与特征因素之间的参数关系，目前尚缺乏有效的算法和模型来解决这一问题，且现有短期负荷技术自身存在的固有缺陷也限制了其在楼宇负荷预测的应用。因此，亟待提出一种适于楼宇负荷预测的模型。
3、综上，本专利技术旨在提出一种考虑时变特征关联度的楼宇负荷预测方法以克服上述缺
技术实现思路
1、本专利技术的目的是为了克服现有技术的不足，提供一种考虑时变特征关联度的楼宇负荷预测方法，通过建立特征关联系数矩阵来描述各特征因素与楼宇负荷之间的关联度随时间的变化，然后再利用灰色预测方法预测未来一个时段内各特征因素与楼宇负荷之间的特征关联系数来计算下一时段的回归系数。在更加精细的体现变量间的关系，改善数据分布不平衡的问题的前提下来进行楼宇负荷预测。实现提高楼宇负荷预测的准确性和可靠性的专利技术目的，解决了传统的多元线性回归模型在处理特征参数时无法准确捕捉时变特征关联度的技术问题。
2、本专利技术为实现上述专利技术目的采用如下技术方案：
3、一种考虑时变特征关联度的楼宇负荷预测方法，包括如下步骤：
4、步骤1，采集历史楼宇负荷数据并提取特征因素参数；
5、步骤2，建立特征因素参数矩阵和楼宇负荷向量，对特征因素参数矩阵和楼宇负荷向量进行归一化处理；
6、步骤3，计算当前一时段内楼宇负荷与特征因素的时变特征关联系数矩阵；
7、步骤4，利用灰色预测方法预测未来一时段内各特征因素与楼宇负荷之间的特征关联系数；
8、步骤5，建立楼宇负荷的多元线性回归方程，计算多元线性回归系数和随机误差；
9、步骤6，根据步骤3计算的时变特征关联系数矩阵以及步骤4预测得到的未来一时段内各特征因素与楼宇负荷之间的特征关联系数调节多元线性回归系数，获取楼宇负荷的时变特征关联度预测模型及未来时刻的楼宇负荷预测值。
10、作为一种考虑时变特征关联度的楼宇负荷预测方法的进一步优化方案，步骤1提取的特征因素包括但不限于气温、露点温度、太阳辐射强度、气压、风速以及建筑占有率。
11、作为一种考虑时变特征关联度的楼宇负荷预测方法的再进一步优化方案，步骤2建立的特征因素参数矩阵为建立的楼宇负荷向量为y＝[y0(1)…y0(t)]，其中，x0为特征因素参数矩阵，x0(1,1)为第1时段第1个特征因素参数，x0(1,t)为第t时段第1个特征因素参数，x0(n,1)为第1时段第n个特征因素参数，x0(n,t)为第t时段第n个特征因素参数，n为特征因素的个数，t为选取的时段数，t≥n+1，n为正整数，t为大于或等于2的正整数。
12、作为一种考虑时变特征关联度的楼宇负荷预测方法的再进一步优化方案，步骤2通过表达式对所述特征因素参数矩阵进行归一化处理，通过表达式对楼宇负荷向量进行归一化处理，其中，x′0(i,j)为第j时段第i个特征因素参数的归一化结果，x0(i,j)为第i个特征因素第j时段的参数，maxjx0(i,j)、minjx0(i,j)分别为第j时段所在日期第i个特征因素参数在最大值和最小值，y′0(j)为第j时段楼宇负荷数据的归一化，y0(j)表示楼宇负荷第j时段的数据，maxjy0(j)、minjy0(j)分别为第j时段所在日期楼宇负荷数据的最大值和最小值，i≤n，j≤t。
13、作为一种考虑时变特征关联度的楼宇负荷预测方法的再进一步优化方案，步骤3计算当前一时段内楼宇负荷与特征因素的特征关联系数矩阵的表达式为：其中，δ(i,j)为第j时段内楼宇负荷与第i个特征因素的特征关联系数，ri为第i个特征因素与楼宇负荷的皮尔逊相关系数，avgjx′0(i,j)为第i个特征因素参数在t个时段的归一化结果的平均值，avgjy′0(j)为楼宇负荷数据在t个时段归一化结果的平均值，γ为固定项，0<γ<1，miniminj|x′0(i,j)-y′0(j)|为归一化矩阵中x′0(i,j)与y′0(j)的最小差值，所述归一化矩阵由特征因素参数矩阵的归一化结果和楼宇负荷向量的归一化结果组成，maximaxj|x′0(i,j)-y′0(j)|为归一化矩阵中x′0(i,j)与y′0(j)的最大差值，ρ为分辨系数，ρ＝0.5。
14、作为一种考虑时变特征关联度的楼宇负荷预测方法的再进一步优化方案，步骤5建立的楼宇负荷的多元线性回归方程为其中，为第j时段楼宇负荷的预测值，ki为楼宇负荷与第i个特征因素的多元线性回归系数，ε为随机误差，通过最小二乘法计计算所述多元线性回归系数和随机误差。
15、作为一种考虑时变特征关联度的楼宇负荷预测方法的再进一步优化方案，步骤6根据步骤3计算的时变特征关联系数矩阵以及步骤4预测得到的未来一时段内各特征因素与楼宇负荷之间的特征关联系数调节所述多元线性回归系数的表达式为其中，为楼宇负荷与第i个特征因素在t+1时段的多元线性回归系数，为步骤4预测的第t+1时段内楼宇负荷与第i个特征因素的特征关联系数。
16、作为一种考虑时变特征关联度的楼宇负荷预测方法的再进一步优化方案，步骤6获取的楼宇负荷的时变特征关联度预测模型为其中，为t+1时段的楼宇负荷预测值，x0(i，t+1)为第i个特征因素第t+1时段的参数。
17、一种设备，包括：
18、一个或多个处理器；
19、存储器，用于存储一个或多个程序；
20、当一个或多个所述程序被一个或多个处理器执行，使得一个或多个所述处理器实现上述的楼宇负荷预测方法。
21、一种包含计算机可执行指令的存储介质，计算机可执行指令在由计算机处理器执行时执行上述的楼宇负荷预测方法。
22、本专利技术采用上述技术方案，具有以下有益效果：
23、(1本文档来自技高网...
【技术保护点】
1.一种考虑时变特征关联度的楼宇负荷预测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述一种考虑时变特征关联度的楼宇负荷预测方法，其特征在于，所述步骤1提取的特征因素包括但不限于气温、露点温度、太阳辐射强度、气压、风速以及建筑占有率。
3.根据权利要求2所述一种考虑时变特征关联度的楼宇负荷预测方法，其特征在于，所述步骤2建立的特征因素参数矩阵为建立的楼宇负荷向量为Y＝[y0(1)…y0(t)]，其中，X0为特征因素参数矩阵，x0(1,1)为第1时段第1个特征因素参数，x0(1,t)为第t时段第1个特征因素参数，x0(n,1)为第1时段第n个特征因素参数，x0(n,t)为第t时段第n个特征因素参数，n为特征因素的个数，t为选取的时段数，t≥n+1，n为正整数，t为大于或等于2的正整数。
4.根据权利要求3所述一种考虑时变特征关联度的楼宇负荷预测方法，其特征在于，所述步骤2通过表达式对所述特征因素参数矩阵进行归一化处理，通过表达式对楼宇负荷向量进行归一化处理，其中，x′0(i,j)为第j时段第i个特征因素参数的归一化结果，x0(i,j)为第
5.根据权利要求4所述一种考虑时变特征关联度的楼宇负荷预测方法，其特征在于，所述步骤3计算当前一时段内楼宇负荷与特征因素的特征关联系数矩阵的表达式为：其中，δ(i,j)为第j时段内楼宇负荷与第i个特征因素的特征关联系数，ri为第i个特征因素与楼宇负荷的皮尔逊相关系数，avgjx′0(i,j)为第i个特征因素参数在t个时段的归一化结果的平均值，avgjy′0(j)为楼宇负荷数据在t个时段归一化结果的平均值，γ为固定项，0<γ<1，miniminj|x′0(i,j)-y′0(j)|为归一化矩阵中x′0(i,j)与y′0(j)的最小差值，所述归一化矩阵由特征因素参数矩阵的归一化结果和楼宇负荷向量的归一化结果组成，maximaxj|x′0(i,j)-y′0(j)|为归一化矩阵中x′0(i,j)与y′0(j)的最大差值，ρ为分辨系数，ρ＝0.5。
6.根据权利要求5所述一种考虑时变特征关联度的楼宇负荷预测方法，其特征在于，所述步骤5建立的楼宇负荷的多元线性回归方程为其中，为第j时段楼宇负荷的预测值，ki为楼宇负荷与第i个特征因素的多元线性回归系数，ε为随机误差，通过最小二乘法计计算所述多元线性回归系数和随机误差。
7.根据权利要求6所述一种考虑时变特征关联度的楼宇负荷预测方法，其特征在于，步骤6根据所述步骤3计算的时变特征关联系数矩阵以及步骤4预测得到的未来一时段内各特征因素与楼宇负荷之间的特征关联系数调节所述多元线性回归系数的表达式为其中，为楼宇负荷与第i个特征因素在t+1时段的多元线性回归系数，为步骤4预测的第t+1时段内楼宇负荷与第i个特征因素的特征关联系数。
8.根据权利要求7所述一种考虑时变特征关联度的楼宇负荷预测方法，其特征在于，所述步骤6获取的楼宇负荷的时变特征关联度预测模型为其中，为t+1时段的楼宇负荷预测值，x0(i，t+1)为第i个特征因素第t+1时段的参数。
9.一种设备，其特征在于，包括：
10.一种包含计算机可执行指令的存储介质，其特征在于，所述计算机可执行指令在由计算机处理器执行时执行如权利要求1-8中任意一项所述的楼宇负荷预测方法。
...【技术特征摘要】
1.一种考虑时变特征关联度的楼宇负荷预测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述一种考虑时变特征关联度的楼宇负荷预测方法，其特征在于，所述步骤1提取的特征因素包括但不限于气温、露点温度、太阳辐射强度、气压、风速以及建筑占有率。
3.根据权利要求2所述一种考虑时变特征关联度的楼宇负荷预测方法，其特征在于，所述步骤2建立的特征因素参数矩阵为建立的楼宇负荷向量为y＝[y0(1)…y0(t)]，其中，x0为特征因素参数矩阵，x0(1,1)为第1时段第1个特征因素参数，x0(1,t)为第t时段第1个特征因素参数，x0(n,1)为第1时段第n个特征因素参数，x0(n,t)为第t时段第n个特征因素参数，n为特征因素的个数，t为选取的时段数，t≥n+1，n为正整数，t为大于或等于2的正整数。
4.根据权利要求3所述一种考虑时变特征关联度的楼宇负荷预测方法，其特征在于，所述步骤2通过表达式对所述特征因素参数矩阵进行归一化处理，通过表达式对楼宇负荷向量进行归一化处理，其中，x′0(i,j)为第j时段第i个特征因素参数的归一化结果，x0(i,j)为第i个特征因素第j时段的参数，maxjx0(i,j)、minjx0(i,j)分别为第j时段所在日期第i个特征因素参数在最大值和最小值，y′0(j)为第j时段楼宇负荷数据的归一化，y0(j)表示楼宇负荷第j时段的数据，maxjy0(j)、minjy0(j)分别为第j时段所在日期楼宇负荷数据的最大值和最小值，i≤n，j≤t。
5.根据权利要求4所述一种考虑时变特征关联度的楼宇负荷预测方法，其特征在于，所述步骤3计算当前一时段内楼宇负荷与特征因素的特征关联系数矩阵的表达式为：其中，δ(i,j)为第j时段内楼宇负荷与第i个特征因素的特征关联系数，ri为第i个特征因素与楼宇负荷的皮尔逊相关系...
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。