CN104463381B - 基于kpca与wlssvm的建筑能耗预测方法 - Google Patents

基于kpca与wlssvm的建筑能耗预测方法 Download PDF

Info

Publication number
CN104463381B
CN104463381B CN201510000613.XA CN201510000613A CN104463381B CN 104463381 B CN104463381 B CN 104463381B CN 201510000613 A CN201510000613 A CN 201510000613A CN 104463381 B CN104463381 B CN 104463381B
Authority
CN
China
Prior art keywords
mrow
msub
msup
mtd
munderover
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.)
Active
Application number
CN201510000613.XA
Other languages
English (en)
Other versions
CN104463381A (zh
Inventor
赵超
王贵评
戴坤成
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fuzhou University
Original Assignee
Fuzhou University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Fuzhou University filed Critical Fuzhou University
Priority to CN201510000613.XA priority Critical patent/CN104463381B/zh
Publication of CN104463381A publication Critical patent/CN104463381A/zh
Application granted granted Critical
Publication of CN104463381B publication Critical patent/CN104463381B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06QDATA PROCESSING SYSTEMS OR METHODS, SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL, SUPERVISORY OR FORECASTING PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL, SUPERVISORY OR FORECASTING PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00Administration; Management
    • G06Q10/04Forecasting or optimisation, e.g. linear programming, "travelling salesman problem" or "cutting stock problem"
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06QDATA PROCESSING SYSTEMS OR METHODS, SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL, SUPERVISORY OR FORECASTING PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL, SUPERVISORY OR FORECASTING PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/08Construction

Abstract

本发明涉及一种基于KPCA与WLSSVM的建筑能耗预测方法,该方法利用核主元分析(KPCA)消除样本共线性,降低维数,进而建立加权最小二乘支持向量(WLSSVM)模型,并结合粒子群(PSO)算法优化模型参数,提高模型的学习性能和泛化能力。本发明可有效的应用于建筑能耗预测,具有良好的预测精度和鲁棒性能。

Description

基于KPCA与WLSSVM的建筑能耗预测方法
技术领域
[0001] 本发明涉及一种基于KPCA与WLSSVM的建筑能耗预测方法。
背景技术
[0002] 建筑能耗在我国能源消耗中的比重日益增大,建筑节能已经迫在眉睫。建筑能耗 的准确预测不仅是实现建筑能耗分析和节能评估的前提条件,也是进行建筑节能优化设计 的重要依据之一。
[0003] 建筑能耗系统作为一个典型的具有多变量、强耦合和不确定特性的复杂动态系 统,建立其精确的预测模型仍然面临很大的困难。一方面,由于建筑室内人员变动或设备启 停等情况的存在,使得用于建模的能耗数据样本中不可避免包含异常值,这势必影响模型 预测结果的可靠性。另一方面,由于建筑能耗和环境温度、气象条件、建筑围护结构以及建 筑节能参数等多种影响因素之间存在着复杂的非线性关系,而且各因素之间存在很强的相 关性,在建模过程中会降低建模精度,增加计算复杂度。
发明内容
[0004] 本发明的目的在于提供一种基于KPCA与WLSSVM的建筑能耗预测方法,能够有效消 除变量之前的相关性,降低输入变量的维数,简化模型结构,提高模型训练速度,具有较高 预测精度和泛化能力。
[0005] 为实现上述目的,本发明采用如下技术方案:一种基于KPCA与WLSSVM的建筑能耗 预测模型方法,其特征在于,包括以下步骤:
[0006] 步骤SI:通过DEST-C动态计算采用正交试验方法,获取建筑物全年能耗数据样本 集,讲所述建筑物全年能耗数据样本集进行归一化处理后作为建筑能耗预测模型数据;
[0007] 步骤S2:通过核主元分析消除变量之间的相关性,并通过提取主成分降低样本维 数;
[0008] 步骤S3:采用粒子群优化算法对所述建筑能耗预测模型的参数进行优化;
[0009] 步骤S4:求解b、a可建立LSSVM的建筑能耗预测模型,再根据模型重新计算各个样 本的拟合误差L,各个样本的权值Vi以及各个建筑能耗样本的权值Vi,求解b、a*建立WLSSVM 的建筑能耗预测模型;
[0010] 步骤S5:输入新的建筑能耗样本,得到模型输出私,将数据进行反归一化。
[0011] 在本发明一实施例中,所述步骤S2的具体方法如下:
[0012] 将原空间Xi (i = l,2,…,N)映射到某个高维特征空间,并在所述高维特征空间实 现PCA,所述高维特征空间的协方差矩阵R为:
[0013]
Figure CN104463381BD00041
(1)
[0014] 求所述协方差矩阵R的特征值Ai和特征向量Ui,有:
[0015] Rui = AiUi (2)
[0016] 所述特征向量Ui可以表示为φ (X)的线性组合:
[0017]
Figure CN104463381BD00051
(3)
[0018] 以上三式两边左乘Φ (Xk),整理得:
[0019]
Figure CN104463381BD00052
[0020] 式中,k=l,2,‘",N,定义一个NXN维的核函数矩阵Κ:
[0021] Kij = K (Xi,Xj) = Φ (Xi) τ · Φ (Xj) (5)
[0022] 式⑷进一步化简为:
[0023] NAia = Ka (6)
[0024]式中,a= “…,…,”,提取样本数据义映射后的第七非线性主元口!;:
[0025]
Figure CN104463381BD00053
[0026] 在本发明一实施例中,所述步骤S3的具体方法如下:
[0027] 定义LSSVM的核函数为高斯径向基函数:
[0028]
Figure CN104463381BD00054
(8)
[0029] 式中,σ为核宽参数;
[0030] 再采用粒子群优化算法来优化LSSVM的正则化参数C和核宽参数σ的值,优化关键 步骤如下:
[0031] 步骤S31:建立待优化目标函数:
[0032]
Figure CN104463381BD00055
(9)
[0033] 式中,yi为第i个样本实际值,乂为第i个样本预测值,设定约束集Ce (c_,cmax)和 σ e (Omin,Omax);
[0034] 步骤S32:初始化粒子种群,将参数(C,〇)的值表示为粒子的位置;
[0035] 步骤S33:计算所述粒子的适应度值,以更新所述粒子的位置和速度;
[0036] 步骤S34:评价所述粒子种群是否满足最优解条件,如果满足则输出最优参数 (Cbe3St^bf3st),否则返回步骤S33再次计算粒子适应度。
[0037] 在本发明一实施例中,所述步骤S4的具体方法如下:
[0038] 通过WLSSVM将样本误差的二范数#定义为损失函数,并将不等式约束改为等式约 束,同时,依据样本训练的重要性分别赋予其不同权重,设所述二范数的权值为^,则其 优化问题为:
[0039]
Figure CN104463381BD00061
(__
[0040] s.t. γί=ωτ· φ (xi)+b+ξί (11)
[0041] 式中,ω是权系数向量,φ ( ·)是输入空间到高维空间的映射,C是惩罚因子,b是 阈值;
[0042] 引入 Lagrange 函数:
[0043]
Figure CN104463381BD00062
(12)
[0044] 式中,a: (/ = 1,2,.〜:V)为Lagrange乘子,根据优化条件,引入核函数:
[0045] K (Xi,Xj) = Φ (Xi) τ · Φ (Xj) (13)
[0046] 则式(10)的优化问题变为以下线性方程组的求解问题:
[0047]
Figure CN104463381BD00063
(14;
[0048] 式中,Iixn是I X N的单位行向量,Inxi是N X 1的单位列向量,
[0049]
Figure CN104463381BD00064
[0050] y = [y 1,y2,…,yN]τ;由此可得回归函数的形式:
[0051]
Figure CN104463381BD00065
(15)。
[0052] 本发明与现有技术相比具有以下有益效果:
[0053] 1、通过核主元分析能够消除建筑能耗影响因素间的冗余性和共线性,正确提取输 入样本的特征信息,简化模型的输入样本,提高建模效率;
[0054] 2、WLSSVM模型具有良好的非线性处理能力,使得基于WLSSVM的建筑能耗预测模型 具有更好的学习精度和泛化能力;
[0055] 3、采用PSO优化算法对模型的参数进行寻优,避免了模型参数选择的盲目性,进一 步提高建筑能耗预测模型的预测精度。
附图说明
[0056] 图1是本发明方法流程图。
具体实施方式
[0057] 下面结合附图及实施例对本发明做进一步说明。
[0058] 请参照图1,本发明提供一种基于KPCA与WLSSVM的建筑能耗预测方法,其特征在 于,包括以下步骤:
[0059] 步骤SI:通过DEST-C动态计算采用正交试验方法,获取建筑物全年能耗数据样本 集,讲所述建筑物全年能耗数据样本集进行归一化处理后作为建筑能耗预测模型数据;
[0060] 步骤S2:通过核主元分析消除变量之间的相关性,并通过提取主成分降低样本维 数;具体方法如下:
[0061] 将原空间Xi (i = I,2,…,N)映射到某个高维特征空间,并在所述高维特征空间实 现PCA,所述高维特征空间的协方差矩阵R为:
[0062]
Figure CN104463381BD00071
(1)
[0063] 求所述协方差矩阵R的特征值\和特征向量m,有:
[0064] Rui = AiUi (2)
[0065] 所述特征向量m可以表示为Φ (X)的线性组合:
[0066]
Figure CN104463381BD00072
⑶.
[0067] 以上三式两边左乘Φ (Xk),整理得:
[0068]
Figure CN104463381BD00073
[0069] 式中,k=l,2,‘",N,定义一个NXN维的核函数矩阵K:
[0070] Kij = K (Xi,Xj) = Φ (Xi) τ · Φ (Xj) (5)
[0071] 式⑷进一步化简为:
[0072] NAia = Ka (6)
[0073]式中,a= “…,…^”,提取样本数据义映射后的第七非线性主元口!;:
[0074]
Figure CN104463381BD00074
[0075] 步骤S3:采用粒子群优化算法对所述建筑能耗预测模型的参数进行优化;具体方 法如下:
[0076] 在核函数选择方面,高斯径向基函数具有良好的处理样本输入与输出之间复杂非 线性关系的能力,而且需要确定的参数少,计算效率高,因此定义LSSVM的核函数为高斯径 向基函数:
[0077]
Figure CN104463381BD00075
(8)
[0078] 式中,σ为核宽参数;
[0079] 对于(:和〇的选择,一般是依靠试算和经验的方法,不仅耗时且不准确,粒子群优化 算法是一种通用的启发式搜索技术,该算法具有快速和全局优化的特点,因此,本发明采用 粒子群优化算法来优化LSSVM的正则化参数C和核宽参数σ的值,优化关键步骤如下:
[0080] 步骤S31:建立待优化目标函数:
[0081]
Figure CN104463381BD00076
(9)
[0082] 式中,yi为第i个样本实际值,i为第i个样本预测值,设定约束集CG (Cmin,Cmax)和 σ e (Omin,Omax);
[0083] 步骤S32:初始化粒子种群,将参数(C,〇)的值表示为粒子的位置;
[0084] 步骤S33:计算所述粒子的适应度值,以更新所述粒子的位置和速度;
[0085] 步骤S34:评价所述粒子种群是否满足最优解条件,如果满足则输出最优参数 (Cbe3St^bf3st),否则返回步骤S33再次计算粒子适应度。
[0086] 步骤S4:求解b、a可建立LSSVM的建筑能耗预测模型,再根据模型重新计算各个样 本的拟合误差L,各个样本的权值Vi以及各个建筑能耗样本的权值Vi,求解b、a*建立WLSSVM 的建筑能耗预测模型;具体方法如下:
[0087] 通过WLSSVM将样本误差的二范数泛定义为损失函数,并将不等式约束改为等式约 束,同时,依据样本训练的重要性分别赋予其不同权重,设所述二范数的权值为^,则其 优化问题为:
Figure CN104463381BD00081
[0090] 式中,ω是权系数向量,φ (·)是输入空间到高维空间的映射,C是惩罚因子,b是 阈值;
[0091] 引入 Lagrange 函数:
[0092]
Figure CN104463381BD00082
[0093] 式中,cr,4 (/ = 1丄..,W)为Lagrange乘子,根据优化条件,引入核函数:
[0094] K (Xi,Xj) = Φ (Xi) τ · Φ (Xj) (13)
[0095] 则式(10)的优化问题变为以下线性方程组的求解问题:
[0096]
Figure CN104463381BD00083
(14)
[0097] 式中,Iixn是I X N的单位行向量,Inxi是N X 1的单位列向量,
[0098]
Figure CN104463381BD00084
[0099] y = [yi,y2,…,yN]τ;由此可得回归函数的形式:
[0100]
Figure CN104463381BD00085
Μ5; 〇
[0101] 步骤S5:输入新的建筑能耗样本,得到模型输出篆,将数据进行反归一化。
[0102] 以上所述仅为本发明的较佳实施例,凡依本发明申请专利范围所做的均等变化与 修饰,皆应属本发明的涵盖范围。

Claims (1)

  1. I. 一种基于KPCA与WLSSVM的建筑能耗预测方法,其特征在于,包括以下步骤: 步骤SI:通过DEST-C动态计算采用正交试验方法,获取建筑物全年能耗数据样本集,讲 所述建筑物全年能耗数据样本集进行归一化处理后作为建筑能耗预测模型数据; 步骤S2:通过核主元分析消除变量之间的相关性,并通过提取主成分降低样本维数; 步骤S3:采用粒子群优化算法对所述建筑能耗预测模型的参数进行优化; 步骤S4:求解b、a可建立LSSVM的建筑能耗预测模型,再根据模型重新计算各个样本的 拟合误差L,各个样本的权值Vi以及各个建筑能耗样本的权值vi,求解b、(/建立WLSSVM的建 筑能耗预测模型; 步骤S5:输入新的建筑能耗样本,得到模型输出氣,将数据进行反归一化; 所述步骤S2的具体方法如下: 将原空间Xi (i = l,2,…,N)映射到某个高维特征空间,并在所述高维特征空间实现PCA, 所述高维特征空间的协方差矩阵R为:
    Figure CN104463381BC00021
    求所述协方差矩阵R的特征值Xi和特征向量m,有:
    Figure CN104463381BC00022
    所述特征向量m可以表示为Φ (X)的线性组合:
    Figure CN104463381BC00023
    以上三式两边左乘Φ (Xk),整理得:
    Figure CN104463381BC00024
    式中,1^=1,2广_,1定义一个~/赠隹的核函数矩阵1(:
    Figure CN104463381BC00025
    式⑷进一步化简为:
    Figure CN104463381BC00026
    式中,
    Figure CN104463381BC00027
    ,提取样本数据X映射后的第t非线性主元pt:
    Figure CN104463381BC00028
    所述步骤S3的具体方法如下: 定义LSSVM的核函数为高斯径向基函数:
    Figure CN104463381BC00029
    式中,σ为核宽参数; 再采用粒子群优化算法来优化LSSVM的正则化参数C和核宽参数σ的值,优化关键步骤 如下: 步骤S31:建立待优化目标函数:
    Figure CN104463381BC00031
    式中,yi为第i个样本实际值,为第i个样本预测值,设定约束集Ce (Cmin,Cmax)和σe (〇min , 〇max); 步骤S32:初始化粒子种群,将参数(C,〇)的值表示为粒子的位置; 步骤S33:计算所述粒子的适应度值,以更新所述粒子的位置和速度; 步骤S34:评价所述粒子种群是否满足最优解条件,如果满足则输出最优参数(Cbe3st, Obf3St),否则返回步骤S33再次计算粒子适应度; 所述步骤S4的具体方法如下: 通过WLSSVM将样本误差的二范数矣2定义为损失函数,并将不等式约束改为等式约束, 同时,依据样本训练的重要性分别赋予其不同权重,设所述二范数12的权值为^,则其优化 问题为:
    Figure CN104463381BC00032
    式中,ω是权系数向量,φ (·)是输入空间到高维空间的映射,C是惩罚因子,b是阈值; 引入Lagrange函数:
    Figure CN104463381BC00033
    式中
    Figure CN104463381BC00034
    为Lagrange乘子,根据优化条件,引入核函数:
    Figure CN104463381BC00035
    则式(10)的优化问题变为以下线性方程组的求解问题:
    Figure CN104463381BC00036
    式中,IiXN是I XN的单位行向量,Inxi是NX 1的单位列向量,
    Figure CN104463381BC00037
    Figure CN104463381BC00038
    ;由此可得回归函数的 形式:
    Figure CN104463381BC00039
CN201510000613.XA 2015-01-04 2015-01-04 基于kpca与wlssvm的建筑能耗预测方法 Active CN104463381B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510000613.XA CN104463381B (zh) 2015-01-04 2015-01-04 基于kpca与wlssvm的建筑能耗预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510000613.XA CN104463381B (zh) 2015-01-04 2015-01-04 基于kpca与wlssvm的建筑能耗预测方法

Publications (2)

Publication Number Publication Date
CN104463381A CN104463381A (zh) 2015-03-25
CN104463381B true CN104463381B (zh) 2017-12-08

Family

ID=52909385

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510000613.XA Active CN104463381B (zh) 2015-01-04 2015-01-04 基于kpca与wlssvm的建筑能耗预测方法

Country Status (1)

Country Link
CN (1) CN104463381B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104807039B (zh) * 2015-04-23 2017-01-11 华北电力大学 一种锅炉燃烧优化的变量降维建模方法
CN106250905B (zh) * 2016-07-08 2020-05-12 复旦大学 一种结合高校建筑结构特征的实时能耗异常检测方法
CN106779137A (zh) * 2016-11-14 2017-05-31 上海海事大学 一种根据海况与操纵条件预测船舶油耗的方法
CN106910144B (zh) * 2017-01-11 2020-04-28 华南理工大学 基于分时刻实际用能系数的大型建筑逐时能耗在线预测方法
CN107730006B (zh) * 2017-09-13 2021-01-05 重庆电子工程职业学院 基于可再生能源大数据深度学习的建筑近零能耗控制方法
CN108204944A (zh) * 2018-01-13 2018-06-26 福州大学 基于apso优化的lssvm的埋地管道腐蚀速率预测方法
CN109284877A (zh) * 2018-11-19 2019-01-29 福州大学 基于aiga-wlssvm埋地管道腐蚀速率预测方法
CN111832839B (zh) * 2020-07-24 2021-04-30 河北工业大学 基于充分增量学习的能耗预测方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102194018A (zh) * 2010-03-05 2011-09-21 朗德华信(北京)自控技术有限公司 基于云计算的建筑物能耗预测分析系统及方法
CN102938092A (zh) * 2012-10-08 2013-02-20 珠海派诺科技股份有限公司 一种基于神经网络的建筑节假日能耗预测方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102194018A (zh) * 2010-03-05 2011-09-21 朗德华信(北京)自控技术有限公司 基于云计算的建筑物能耗预测分析系统及方法
CN102938092A (zh) * 2012-10-08 2013-02-20 珠海派诺科技股份有限公司 一种基于神经网络的建筑节假日能耗预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Predicting hourly cooling load in the building: A comparison of support vector machine and different artificial neural networks;Qiong Li 等;《Energy Conversion and Management》;20090228;第50卷(第1期);第90-91页 *
飞灰含碳量自适应校正WLSSVM软测量模型;王伟 等;《热力发电》;20130831;第42卷(第8期);第75-76页 *

Also Published As

Publication number Publication date
CN104463381A (zh) 2015-03-25

Similar Documents

Publication Publication Date Title
US10088814B2 (en) System identification and model development
Singaravel et al. Deep-learning neural-network architectures and methods: Using component-based models in building-design energy prediction
Wu et al. Evolving RBF neural networks for rainfall prediction using hybrid particle swarm optimization and genetic algorithm
Ribeiro et al. An airfoil optimization technique for wind turbines
Xiaoyun et al. Short-term prediction of wind power based on deep long short-term memory
CN104834747B (zh) 基于卷积神经网络的短文本分类方法
Jia et al. An optimized RBF neural network algorithm based on partial least squares and genetic algorithm for classification of small sample
Tian et al. Data driven parallel prediction of building energy consumption using generative adversarial nets
CN103679263B (zh) 基于粒子群支持向量机的雷电临近预测方法
Zhang et al. Forecasting of turbine heat rate with online least squares support vector machine based on gravitational search algorithm
CN103164742B (zh) 一种基于粒子群优化神经网络的服务器性能预测方法
CN103117546B (zh) 一种超短期风电功率滑动预测方法
Zhao et al. A hybrid method of dynamic cooling and heating load forecasting for office buildings based on artificial intelligence and regression analysis
Wu et al. Grey-related least squares support vector machine optimization model and its application in predicting natural gas consumption demand
He et al. Robust aerodynamic shape optimization—from a circle to an airfoil
Risawandi Study of the simple multi-attribute rating technique for decision support
Kavousi-Fard Modeling uncertainty in tidal current forecast using prediction interval-based SVR
Bo et al. A new nonlinear set membership filter based on guaranteed bounding ellipsoid algorithm
Yassin et al. Binary particle swarm optimization structure selection of nonlinear autoregressive moving average with exogenous inputs (NARMAX) model of a flexible robot arm
US8306800B2 (en) Method for predicting flow and performance characteristics of a body using critical point location
CN104077632B (zh) 一种基于深度神经网络的风电场功率预测方法
Xuemei et al. Building cooling load forecasting model based on LS-SVM
CN102789539B (zh) 一种飞行器升力面结构优化设计方法
CN105975573A (zh) 一种基于knn的文本分类方法
CN107247260B (zh) 一种基于自适应深度置信网络的rfid定位方法

Legal Events

Date Code Title Description
PB01 Publication
C06 Publication
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant