CN103699771B - 一种冷负荷预测的情景-聚类方法 - Google Patents
一种冷负荷预测的情景-聚类方法 Download PDFInfo
- Publication number
- CN103699771B CN103699771B CN201310445573.0A CN201310445573A CN103699771B CN 103699771 B CN103699771 B CN 103699771B CN 201310445573 A CN201310445573 A CN 201310445573A CN 103699771 B CN103699771 B CN 103699771B
- Authority
- CN
- China
- Prior art keywords
- clustering
- scenario
- cooling load
- fine
- results
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 238000001816 cooling Methods 0.000 title claims abstract description 51
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000011156 evaluation Methods 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 3
- 238000013461 design Methods 0.000 claims description 2
- 238000012549 training Methods 0.000 abstract description 10
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000007621 cluster analysis Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013277 forecasting method Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
Landscapes
- Air Conditioning Control Device (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种冷负荷预测的情景‑聚类方法。包括如下步骤：1）生成情景聚类条件；2）基于先验知识的情景粗聚类；3）基于智能算法的自动情景细聚类；4）根据细聚类结果生成情景分类器；5）根据细聚类结果生成针对性的有监督学习预测模型；6）利用分类器和针对性的预测模型进行冷负荷预测。本发明利用情景聚类的方法对冷负荷相关历史数据进行处理，根据不同情景的特点优化选择有监督学习预测算法，并减少了算法的训练样本数，以此提高了预测的准确度和精度，且减少了预测模型的训练时间和预测时间，达到细粒度预测的目标。本发明的方法实现简单，实用性高，泛化能力和推广能力强。
Description
技术领域
本发明涉及一种基于数据挖掘、聚类分析的预测方法，具体涉及一种冷负荷预测的情景-聚类方法。
背景技术
目前的冷负荷预测主要是使用有监督学习的预测方法，如人工神经网络、支持向量机等，这些方法都是基于统计回归的理论。在实际工程中，通常都是选用一种有监督学习的预测模型，如BP人工神经网络、RBF人工神经网络或者支持向量机，然后把所有收集到的冷负荷历史数据集输入到模型中，对模型进行训练，最后把待预测数据输入到模型中，即可进行冷负荷的预测。
基于单个有监督学习方法的冷负荷预测模型对于特定的冷负荷数据情况有较好的效果，但不是所有情况的都适用。例如，有些预测模型要求数据的平稳性较高，有些预测模型可以适用于波动性较大的数据。因此，基于单个有监督学习方法的冷负荷预测模型的实用性不高，推广能力不强，无法适应多种情况，这也导致了预测的准确度和精度不高，训练模型的时间过长等问题。
情景分析的思想是把冷负荷的相关条件分别设置若干情景，并列出相应的特点，通过分析不同情景的特点预测冷负荷。上海世博园区的冷负荷预测就是通过情景分析的方法实现的。但是现在使用的情景分析都是依据大量的历史数据收集，然后通过个人的经验得到情景划分结果，这将导致情景划分的不准确，不利于接下来的冷负荷预测。
综上所述,现有的有监督学习冷负荷预测模型存在如下问题：①预测准确度和精度不够高；②单个有监督学习冷负荷预测模型对数据有较高要求，模型对数据的不适应将造成预测误差的增大；③由于使用全部的历史数据对模型进行训练，因此模型训练和预测的时间会很长；④利用情景分析法能对冷负荷历史数据进行处理，但大部分是通过人为的经验而得到的情景划分，这将造成情景划分的不准确，因此有必要对现有的情景划分聚类进行进一步的改进，并使其与多种有监督学习冷负荷预测模型相结合。
发明内容
为了解决上述存在的问题与缺陷，本发明提供了一种能有效提高有监督学习预测模型准确度和精度，缩短训练与预测时间的基于情景-聚类的冷负荷预测的情景-聚类方法。本发明实现简单，可用于一个房间、楼层、单个建筑物甚至是城市区域，实用性高，泛化能力和推广能力强。
本发明通过以下技术方案实现：
本发明的冷负荷预测的情景-聚类方法，包括如下步骤：
1）生成情景聚类条件；
2）基于先验知识的情景粗聚类；
3）基于智能算法的自动情景细聚类；
4）根据细聚类结果生成情景分类器；
5）根据细聚类结果生成针对性的有监督学习预测模型；
6）利用分类器和针对性的预测模型进行冷负荷预测。
上述步骤1）所述的生成情景聚类条件为利用冷负荷历史数据集生成情景聚类条件。
上述情景聚类条件选取最高和最低温度、最高和最低湿度、节假日情况、使用情况共6个属性作为冷负荷的属性。
上述步骤2）所述的基于先验知识的情景粗聚类为使用常识、先验知识、资料进行情景粗聚类。
上述步骤3）所述的基于智能算法的自动情景细聚类为一个迭代寻优的过程，包括智能算法自动情景聚类，情景聚类有效性指标评估，通过对上述两步的迭代，最终确定最佳情景聚类数和聚类结果。
上述的智能算法自动情景聚类为使用智能算法，在粗聚类的基础上，自动地确定情景聚类数，把所有的冷负荷历史数据都进行聚类，确定相应的聚类结果。
上述情景聚类有效性指标评估为使用情景聚类相关的指标判断情景聚类数和聚类结果的有效性和最优性。
上述步骤4）所述的根据细聚类结果生成情景分类器为根据细聚类结果确定的聚类中心数和聚类情况，设计情景分类器。
上述步骤5）所述的根据细聚类结果生成针对性的有监督学习预测模型为根据细聚类结果确定的聚类情况，分析每一类的特性，并根据特征选取相应的有监督学习预测模型并训练。
上述步骤6）利用分类器和针对性的预测模型进行冷负荷预测的方法是：首先把待预测数据输入到情景分类器中，对数据进行情景分析，然后再把数据输入到情景对应的已训练好的有监督学习预测模型中，得出最后的冷负荷预测值。
与现有技术相比，本发明的优点和效果在于构造了情景聚类——有监督学习预测模型，利用情景聚类对冷负荷相关历史数据进行情景聚类处理，并根据各个情景的特点选择不同的有监督学习预测模型并训练，实现对有监督学习预测模型的优化并最终实现冷负荷的预测。本发明所提供的技术方案的积极效果是：
1）提高预测的准确性和精度：每种有监督学习预测模型都有自己的适应性，当它们预测自己适合的数据情况时，它们将会得到准确性较高的结果，但当预测自己不适合的数据情况时，它们的预测误差会很大，无法满足工程需求。根据情景聚类的结果，优化选择预测模型，优化选择训练数据，使预测模型用于自己适应的数据情况，提高了预测的准确性和精度。
2）减少预测模型的训练和预测时间：对冷负荷历史数据使用情景聚类分析后，把历史数据聚类成了几类，用每一类对应的数据训练有监督学习预测模型，这样相对于以往的使用全部历史数据进行训练会减少训练时间，且能加快预测的速度。
3）鲁棒性强：情景聚类不针对特定的时间、地点等条件，而且仅需根据冷负荷的历史数据，即可进行情景聚类，具有很强的适应性和鲁棒性，因此可广泛使用于某个房间、楼层、建筑物、区域等。
本发明利用情景聚类的方法对冷负荷历史数据进行处理，提高了有监督学习预测模型的预测准确度和精度，减少了训练和预测的时间，实用性高，推广能力强。
附图说明
图1是本发明一种冷负荷预测的情景-聚类方法的流程图。
图2是本发明基于智能算法自动情景细聚类的流程图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式进一步的详细描述：
图1所示为本发明一种冷负荷预测的情景-聚类方法流程图，包括如下步骤：
1）生成情景聚类条件。本发明利用冷负荷历史数据集生成情景聚类条件。从大量的冷负荷历史数据集中抽取其中能充分反映对应时间冷负荷的属性，且属性的个数不宜太多，由此生成情景聚类条件。本发明选取最高和最低温度、最高和最低湿度、节假日情况、使用情况共6个属性作为冷负荷的属性，即情景聚类条件。
2）基于先验知识的情景粗聚类。利用季节、月份、节假日等的信息，还有一些经过长时间观察、经验等得到的信息，初步地进行聚类分析，进行情景粗聚类。
3）基于智能算法的自动情景细聚类。在情景粗聚类的基础上，为情景进行一个细聚类，达到细粒度预测的目标。细聚类为一个迭代寻优的过程，包括智能算法自动情景聚类，情景聚类有效性指标评估，通过对上述两步的迭代，最终确定最佳情景聚类数和聚类结果。
智能算法自动情景聚类是使用智能算法，在粗聚类的基础上，自动确定情景聚类数，把所有的冷负荷历史数据都进行聚类。情景聚类有效性指标评估为使用情景聚类相关的指标评价情景聚类数的最佳性，增加情景聚类结果的有效性。
4）根据细聚类结果生成情景分类器。根据细聚类结果确定的聚类中心数和聚类情况，设计情景分类器，以便于对待预测数据进行情景分类。
5）根据细聚类结果生成针对性的有监督学习预测模型。根据细聚类结果确定的聚类情况，分析每一类的特性，并根据特性选取相应的有监督学习预测模型并将其训练。
6）利用分类器和针对性的预测模型进行冷负荷预测。首先把待预测数据输入到情景分类器中，对数据进行情景分析，然后再把数据输入到情景对应的已训练好的有监督学习预测模型中，得出最后的冷负荷预测值。
图2所示为本发明基于智能算法自动情景细聚类的流程图，包括如下步骤：
1）智能算法自动情景聚类。本发明使用智能算法（如K-means算法、Affinity Propagation算法），在粗聚类结果的基础上，智能地、自动地确定情景聚类数，并把所有的冷负荷历史数据都进行聚类。
2）情景聚类有效性评估。使用聚类相关的指标（如Weighted Inter Intra指标、In Group Proportion指标）评价由智能算法聚类得到的情景聚类数是否最佳，增加情景聚类结果的有效性。
3）根据评估结果判断情景聚类结果是否满足要求。若是，则进行下一步生成情景分类器，否则将重新使用智能算法自动情景聚类，直到情景聚类有效性评估满足要求为止。
本发明提供了一种基于情景聚类的冷负荷预测方法。借助于情景聚类方法对冷负荷历史数据进行优化处理，对有监督学习预测算法进行优化选择，进一步提高的预测的准确度和精度，缩短了有监督学习预测模型的训练和预测时间。
Claims (3)
1.一种冷负荷预测的情景-聚类方法，其特征在于包括如下步骤：
1）生成情景聚类条件；
2）基于先验知识的情景粗聚类；
3）基于智能算法的自动情景细聚类；
4）根据细聚类结果生成情景分类器；
5）根据细聚类结果生成针对性的有监督学习预测模型；
6）利用分类器和针对性的预测模型进行冷负荷预测；
上述步骤1）所述的生成情景聚类条件为利用冷负荷历史数据集生成情景聚类条件；
上述情景聚类条件选取最高和最低温度、最高和最低湿度、节假日情况、使用情况共6个属性；
上述步骤2）所述的基于先验知识的情景粗聚类为使用先验知识、资料进行情景粗聚类；
上述步骤3）所述的基于智能算法的自动情景细聚类为一个迭代寻优的过程，包括智能算法自动情景聚类，情景聚类有效性指标评估，通过对上述两步的迭代，最终确定最佳情景聚类数和聚类结果；
上述步骤4）所述的根据细聚类结果生成情景分类器为根据细聚类结果确定的聚类中心数和聚类情况，设计情景分类器；
上述步骤5）所述的根据细聚类结果生成针对性的有监督学习预测模型为根据细聚类结果确定的聚类情况，分析每一类的特性，并根据特征选取相应的有监督学习预测模型并训练；
上述步骤6）利用分类器和针对性的预测模型进行冷负荷预测的方法是：首先把待预测数据输入到情景分类器中，对数据进行情景分析，然后再把数据输入到情景对应的已训练好的有监督学习预测模型中，得出最后的冷负荷预测值。
2.根据权利要求1所述的冷负荷预测的情景-聚类方法，其特征在于上述智能算法自动情景聚类为：使用智能算法，在粗聚类的基础上，自动地确定情景聚类数，把所有的冷负荷历史数据都进行聚类，确定相应的聚类结果。
3.根据权利要求1所述的冷负荷预测的情景-聚类方法，其特征在于上述情景聚类有效性指标评估为使用情景聚类相关的指标判断情景聚类数和聚类结果的有效性和最优性。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201310445573.0A CN103699771B (zh) | 2013-09-27 | 2013-09-27 | 一种冷负荷预测的情景-聚类方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201310445573.0A CN103699771B (zh) | 2013-09-27 | 2013-09-27 | 一种冷负荷预测的情景-聚类方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN103699771A CN103699771A (zh) | 2014-04-02 |
| CN103699771B true CN103699771B (zh) | 2016-09-21 |
Family
ID=50361298
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201310445573.0A Expired - Fee Related CN103699771B (zh) | 2013-09-27 | 2013-09-27 | 一种冷负荷预测的情景-聚类方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN103699771B (zh) |
Families Citing this family (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104008127A (zh) * | 2014-04-21 | 2014-08-27 | 中国电子科技集团公司第二十八研究所 | 一种基于聚类算法的群组识别方法 |
| JP6886869B2 (ja) * | 2017-06-09 | 2021-06-16 | 川崎重工業株式会社 | 動作予測システム及び動作予測方法 |
| CN107704875A (zh) * | 2017-09-30 | 2018-02-16 | 山东建筑大学 | 基于改进ihcmac神经网络的建筑负荷预测方法和装置 |
| CN108241745B (zh) | 2018-01-08 | 2020-04-28 | 阿里巴巴集团控股有限公司 | 样本集的处理方法及装置、样本的查询方法及装置 |
| CN110458340B (zh) * | 2019-07-25 | 2023-06-02 | 天津大学 | 基于模式分类的建筑空调冷负荷自回归预测方法 |
| CN110851762A (zh) * | 2019-08-30 | 2020-02-28 | 北京中环合创环保能源科技有限公司 | 一种太阳能集中供热系统的建筑动态仿真模型建立方法 |
| CN110823291A (zh) * | 2019-11-27 | 2020-02-21 | 山东建筑大学 | 基于K-means聚类算法的建筑物室内温湿度环境监测方法与系统 |
| CN114688692B (zh) * | 2020-12-30 | 2023-10-20 | 北京天诚同创电气有限公司 | 负荷预测方法、系统及装置 |
| CN113554183B (zh) * | 2021-08-03 | 2022-05-13 | 同济大学 | 一种基于无监督机器学习算法的极值预测方法 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102779228A (zh) * | 2012-06-07 | 2012-11-14 | 华南理工大学 | 商场建筑中央空调冷负荷在线预测方法及系统 |
-
2013
- 2013-09-27 CN CN201310445573.0A patent/CN103699771B/zh not_active Expired - Fee Related
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102779228A (zh) * | 2012-06-07 | 2012-11-14 | 华南理工大学 | 商场建筑中央空调冷负荷在线预测方法及系统 |
Non-Patent Citations (6)
| Title |
|---|
| Abdullatif E.Ben-Nakhi等.Cooling load prediction for buildings using general regression neural networks.《Energy Conversion & Management》.2004,第45卷(第13-14期),第2127-2141页. * |
| Ye Yao等.Hourly cooling load prediction by a combined forecasting model based on Analytic Hierarchy Process.《International Journal of Thermal Sciences》.2004,第43卷(第11期),第1107-1118页. * |
| Zhijian Hou等.Cooling-load prediction by the combination of rough set theory and artificial neural-network based on data-fusion technique .《Applied Energy》.2005,第83卷(第9期),第1033-1046页. * |
| 上海世博园区空调动态负荷预测与研究;瞿燕 等;《制冷空调与电力机械》;20081115;第29卷(第6期);第22-27页 * |
| 苑翔 等.应用情景分析法预测区域建筑冷负荷.《上海市制冷学会2007年学术年会论文集》.2007,第404-406页. * |
| 龙惟定.建筑节能管理的重要环节——区域建筑能源规划.《暖通空调》.2008,第38卷(第3期),第31-38页. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN103699771A (zh) | 2014-04-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103699771B (zh) | 一种冷负荷预测的情景-聚类方法 | |
| CN106779129A (zh) | 一种考虑气象因素的短期电力负荷预测方法 | |
| CN112465243A (zh) | 一种空气质量预报方法及系统 | |
| CN107392368B (zh) | 一种基于气象预报的办公建筑动态热负荷组合预测方法 | |
| CN112001439A (zh) | 基于gbdt的商场建筑空调冷负荷预测方法、存储介质及设备 | |
| CN113449919B (zh) | 一种基于特征和趋势感知的用电量预测方法及系统 | |
| CN108876163B (zh) | 综合因果分析与机器学习的暂态功角稳定快速评估方法 | |
| CN110119948B (zh) | 基于时变权重动态组合的电力用户信用评价方法及系统 | |
| CN116186548B (zh) | 电力负荷预测模型训练方法及电力负荷预测方法 | |
| CN104732296A (zh) | 一种分布式光伏输出功率短期预测模型建模方法 | |
| CN104915897B (zh) | 一种电网规划评价业务的计算机实现方法 | |
| CN110837915B (zh) | 一种基于混合集成深度学习的电力系统低压负荷点预测及概率预测方法 | |
| CN104699890B (zh) | 一种城网配变重过载短期预警模型的建模方法 | |
| CN106815652A (zh) | 一种基于大数据相关性分析的配电网供电可靠性预测方法 | |
| CN110991743B (zh) | 一种基于聚类分析和优化神经网络的风电功率短期组合预测方法 | |
| CN113570106B (zh) | 基于高速公路神经网络的电力负荷预测方法及设备 | |
| CN113361776A (zh) | 一种基于用户用电行为聚类的电力负荷概率预测方法 | |
| CN108830405A (zh) | 基于多指标动态匹配的实时电力负荷预测系统及其方法 | |
| CN111144628A (zh) | 一种分布式供能的冷热电负荷预测模型系统及方法 | |
| CN115906235A (zh) | 公共建筑节能诊断系统及方法 | |
| CN117273195A (zh) | 一种蒸汽供热系统需求负荷预测方法 | |
| CN110516849A (zh) | 一种基于典型日负荷曲线的负荷分类结果评价方法 | |
| Tian et al. | Short-term electric vehicle charging load forecasting based on TCN-LSTM network with comprehensive similar day identification | |
| CN109214610B (zh) | 一种基于长短期记忆神经网络的饱和电力负荷预测方法 | |
| CN107481030A (zh) | 一种考虑多类型需求侧资源的电力负荷预测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C14 | Grant of patent or utility model | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20160921 Termination date: 20180927 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |