[發明專利]一種基于GBDT的LightGBM模型的冷、熱負荷預測方法在審

申請號：	201911151057.0	申請日：	2019-11-21
公開（公告）號：	CN111062517A	公開（公告）日：	2020-04-24
發明（設計）人：	唐繼旭;馮毅;許鵬;朱國皓;徐櫟亞;李和穎;陳智博;陳永保	申請（專利權）人：	上海航天智慧能源技術有限公司
主分類號：	G06Q10/04	分類號：	G06Q10/04;G06Q50/06;G06N20/00
代理公司：	上海世圓知識產權代理有限公司 31320	代理人：	陳穎潔;王佳妮
地址：	201108 上海市***	國省代碼：	上海;31
權利要求書：	查看更多	說明書：	查看更多
摘要：
搜索關鍵詞：	一種基于 gbdt lightgbm 模型負荷預測方法
鉆瓜網技術展會專利詞庫專利權人專利榜在售專利公布日期熱門專利

【說明書】：

本發明提供一種基于GBDT的LightGBM模型的冷、熱負荷預測方法，包括：步驟1：獲取若干個建筑案例；步驟2：將所述建筑案例通過第一模型生成模型數據；所述模型數據包括：特征變量數據和冷、熱負荷數據；步驟3：將模型數據進行預處理，拆分訓練集和測試集，基于LightGBM模型對所述訓練集進行訓練建模，以訓練生成冷、熱負荷預測模型；步驟4：采用測試集的數據對所述冷、熱負荷預測模型進行測試；步驟5：將測試通過的所述冷、熱負荷預測模型保存；本發明的基于GBDT的LightGBM模型的冷、熱負荷預測方法，基于boosting思想的LightGBM樹模型來構建負荷預測回歸模型，在擁有大量數據的訓練集上訓練后，可以精確地預測出不同建筑結構的冷熱負荷。

技術領域

本發明涉及負荷預測技術領域，特別涉及一種基于GBDT的LightGBM模型的冷、熱負荷預測方法。

背景技術

現階段負荷預測的方法主要集中在對單體建筑或區域，通過既有數據的采集，處理，進行未來電力負荷、冷負荷和熱負荷的預測。預測的時間跨度也可分為短期預測：幾小時或者一天或者一周；中期預測：一個月到一個季度；長期預測：一年及以上。由于節能減排和規劃區域和建筑冷熱負荷，甚至是在建筑選型時作為參考。采用各種預測方法準確地預測出建筑或區域內冷負荷和熱負荷是至關重要的，可以使設計建筑機電系統的人根據預測結果進行設備選型，甚至是更復雜的區域能源規劃。目前,有很多主流的方法應用于冷負荷和熱負荷的預測,像人工神經網絡、支持向量機、高斯過程回歸、自回歸移動平均模型等。

但是這樣的技術針對單體建筑或單片區域這樣既定的問題時，不需要大量訓練樣本的問題時，可以取得比較好的結果。當我們想要從多個同類型建筑中，類似許多辦公建筑、許多醫院建筑等，找到相似的規律，推演到一個新的辦公建筑或醫院建筑中，以上的方法會顯得略微有些無力。

同時，隨著冷熱負荷的預測對建筑能源系統的設計和布置起到越來越重要的作用，發掘一個可以預測不同建筑冷熱負荷的負荷預測模型，有著十分重要的工程指導作用。建立這樣的模型也需要更大規模的數據，和更復雜和深層次的機器學習算法，以及更嚴格的超參數調整方法。

發明內容

本發明目的之一在于提供一種基于GBDT的LightGBM模型的冷、熱負荷預測方法，基于boosting思想的LightGBM樹模型來構建負荷預測回歸模型，在擁有大量數據的訓練集上訓練后，可以精確地預測出不同建筑結構的冷熱負荷。

本發明實施例提供的一種基于GBDT的LightGBM模型的冷、熱負荷預測方法，包括：

步驟1：獲取若干個建筑案例；

步驟2：將建筑案例通過第一模型生成模型數據；模型數據包括：特征變量數據和冷、熱負荷數據；

步驟3：將模型數據進行預處理，拆分訓練集和測試集，基于LightGBM模型對訓練集進行訓練建模，以訓練生成冷、熱負荷預測模型；

步驟4：采用測試集的數據對冷、熱負荷預測模型進行測試；

步驟5：將測試通過的冷、熱負荷預測模型保存；

步驟6：獲取待預測的建筑案例，通過第一模型生成待測模型數據；

步驟7：調用測試通過的冷、熱負荷預測模型對待測模型數據進行預測，獲取預測結果。