[發明專利]基于GBDT的商場建筑空調冷負荷預測方法、存儲介質及設備

在審

• 申請號: 202010839514.1
• 申請日: 2020-08-19
• 公開（公告）號: CN112001439A
• 公開（公告）日: 2020-11-27
• 發明（設計）人: 于軍琪;周昕瑋;趙安軍;周敏;張萬虎;張娜
• 申請（專利權）人: 西安建筑科技大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/00;G06N3/04;G06Q10/04;G06F17/18
• 代理公司: 西安通大專利代理有限責任公司 61200
• 代理人: 高博

1.一種基于GBDT的商場建筑空調冷負荷預測方法，其特征在于，包括以下步驟：

S1、收集商場建筑空調的實時冷負荷數據，與商場建筑空調的歷史冷負荷數據進行Pearson分析，篩選出Pearson相關系數在閾值內的特征作為冷負荷預測模型輸入特征，對篩選的輸入特征數據進行歸一化處理，作為冷負荷能耗預測的輸入；

S2、建立基于梯度提升決策樹算法確定負荷預測模型H(x)，將步驟S1歸一化處理后的數據輸入負荷預測模型中進行訓練，優化負荷預測模型的超參數；

S3、選用網格搜索-交叉驗證方式對步驟S2建立的負荷預測模型進行超參數優化；

S4、通過步驟S3完成負荷預測模型參數優化，建立最終的負荷預測模型，通過訓練對冷負荷數據進行預測，根據負荷預測模型的參數和結構獲得預測的冷負荷曲線；

S5、對步驟S4負荷預測模型的預測性能進行評價，采用變異系數的均方根誤差CV-RMSE、平均絕對誤差MAE和平方決定系數R²對結果進行評價，對比預測模型的預測值與實際值之間的差值，對GBDT網絡模型采用預測誤差進行評估，真實值與預測值之間的偏差構成預測誤差，完成商場建筑空調的冷負荷預測。

2.根據權利要求1所述的基于GBDT的商場建筑空調冷負荷預測方法，其特征在于，步驟S1具體為：

S101、實時采集夏季使用冰蓄冷空調進行供冷的商場建筑實時冷負荷數據，包括室外干球溫度、相對濕度、太陽輻射量、風速和逐時冷負荷數據；

S102、通過對影響模型性能的特征(X_i)與冷負荷(Y_i)進行Pearson相關性分析得到相關系數，通過相關系數顯示特征與冷負荷之間的相關程度，當相關系數大于設定的閾值時，將特征提取為輸入特征；

S103、在進行冷負荷預測模型訓練、預測前，采用0均值歸一化對輸入特征進行歸一化處理。

3.根據權利要求2所述的基于GBDT的商場建筑空調冷負荷預測方法，其特征在于，步驟S102中，第i個時刻的樣本數據(X_i,Y_i)間的皮爾遜相關系數r計算如下：

其中，X_i和Y_i分別為第i個時刻的樣本數據；和為樣本的平均值，n為數據集的樣本個數。

4.根據權利要求1所述的基于GBDT的商場建筑空調冷負荷預測方法，其特征在于，步驟S2具體為：

S201、采用梯度提升決策樹算法表示的回歸樹作為基學習器；

S202、強學習器生成的第一步是初始化CART基學習器構建初始模型，確定使損失函數L最小化的常數值C；

S203、在完成m次迭代后，得到最終的負荷預測模型H(x)。

5.根據權利要求1所述的基于GBDT的商場建筑空調冷負荷預測方法，其特征在于，步驟S203中，負荷預測模型H(x)如下：

其中，h₀(x)為初始化CART基學習器構建的初始模型，M為表示特征空間劃分的單元個數，J為回歸樹葉子節點的個數，C_mj為通過線性搜索的方式從中尋找使損失函數L達到最小值的預測值，I()為指示函數，如果x屬于Q_mj區域，則I()為1，相反，如果x不屬于Q_mj區域，則I()為0，Q_mj為對應葉子節點的區域。

6.根據權利要求1所述的基于GBDT的商場建筑空調冷負荷預測方法，其特征在于，步驟S3中，對GBDT模型性能影響最大的三個超參數：樹的數量N、模型的學習率ε、模型的復雜度C進行優化，通過網格搜索確定設定條件下所有的超參數取值組合，再對每一個超參數組合的GBDT模型進行交叉校驗，以R²作為交叉校驗評價指標，選擇預測性能最優的超參數組合及取值；將歸一化處理后的包含時間、溫度、濕度和太陽輻射、歷史冷負荷的輸入向量輸入到GBDT網絡模型中，進行負荷預測模型訓練；對訓練樣本進行訓練以調節負荷預測模型的模型參數N、ε、C，達到結束訓練的搜索數后保存模型參數。