[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

本發明公開了一種基于GBDT的商場建筑空調冷負荷預測方法、存儲介質及設備，收集冷負荷數據，進行歸一化處理作為冷負荷能耗預測；建立基于梯度提升決策樹算法確定負荷預測模型；將數據預處理后的數據輸入預測模型中進行訓練，選用網格搜索?交叉驗證方式，對GBDT模型性能影響最大的三個超參數進行優化；通過完成預測模型參數優化，建立最終的冷負荷預測模型，根據預測模型的參數和結構獲得預測的冷負荷曲線；對預測模型的預測性能進行評價，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，完成商場建筑空調冷負荷預測。本發明具有較好的預測精度、通用性和適用性，特別適用于冷負荷周期性變化的大型公共建筑。

技術領域

本發明屬于商場建筑空調冷負荷預測技術領域，具體涉及一種基于梯度提升決策樹(GBDT)的商場建筑空調冷負荷預測方法、存儲介質及設備。

背景技術

建筑能耗在我國能源消耗中所占比例越來越高，從20世紀70年代末的10％上升到目前的28％，正在成為我國城鎮生產生活的主要消耗源。我國各類型的大型公共建筑每年的能耗總量是國外發達國家同類建筑的2倍左右。因此，如何在保證人們建筑使用需求的同時，控制建筑用能的增長，實現新建建筑的節能設計，具有非常重要的意義。準確的負荷預測，有助于合理安排各種機電設備機組的起停，能夠有效地降低成本，節約能耗，提高經濟效益和社會效益。

目前冷負荷預測方法中人工神經網絡模型、支持向量機模型以及混合模型應用廣泛。商場建筑因其運行特點，冷負荷分布不均勻，節假日冷負荷需求明顯高于工作日冷負荷需求，冷負荷在不同日期變化幅度大，傳統的單一預測模型難以適應這種變化，組合預測模型復雜度高，實際應用受限。

發明內容

本發明所要解決的技術問題在于針對上述現有技術中的不足，提供一種基于梯度提升決策樹(GBDT)的商場建筑空調冷負荷預測方法、存儲介質及設備，克服了SVR模型對于工作日、節假日冷負荷分布區分度低的缺點，有效解決深度神經網絡需要大量數據訓練的不足。

本發明采用以下技術方案：

一種基于GBDT的商場建筑空調冷負荷預測方法，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。

具體的，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；