CN109409604B - 一种基于遗传算法-支持向量机的冷负荷预测方法 - Google Patents

一种基于遗传算法-支持向量机的冷负荷预测方法 Download PDF

Info

Publication number
CN109409604B
CN109409604B CN201811277491.9A CN201811277491A CN109409604B CN 109409604 B CN109409604 B CN 109409604B CN 201811277491 A CN201811277491 A CN 201811277491A CN 109409604 B CN109409604 B CN 109409604B
Authority
CN
China
Prior art keywords
genetic algorithm
support vector
predicted
data
value
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
CN201811277491.9A
Other languages
English (en)
Other versions
CN109409604A (zh
Inventor
介鹏飞
焉富春
方舟
曾帅骐
申镇
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.)
Beijing Institute of Petrochemical Technology
Original Assignee
Beijing Institute of Petrochemical Technology
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 Beijing Institute of Petrochemical Technology filed Critical Beijing Institute of Petrochemical Technology
Priority to CN201811277491.9A priority Critical patent/CN109409604B/zh
Publication of CN109409604A publication Critical patent/CN109409604A/zh
Application granted granted Critical
Publication of CN109409604B publication Critical patent/CN109409604B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas or water supply

Abstract

本发明公开了一种基于遗传算法‑支持向量机的冷负荷预测方法，首先仿真获取一段时间内特征向量以及待预测标签；将仿真出的数据按照时间进行划分；再利用z‑scroe算法将两个数据集的特征向量以及待预测标签进行归一化处理；对初始支持向量机SVM的惩罚函数c、g参数的寻优范围进行设置；按照使用需求对采用的遗传算法GA的各参数进行设置；基于所设置的遗传算法GA的参数，通过随机形式产生若干初始个体；计算若干初始个体的适应度值；通过遗传算法GA对若干初始个体构成的训练样本集合进行训练，得到最优的支持向量网络，对冷负荷进行预测。该方法可以克服传统利用仿真软件模拟计算耗时的缺点，能快速有效的对冷负荷进行预测。

Description

一种基于遗传算法-支持向量机的冷负荷预测方法
技术领域
本发明涉及建筑供能系统运行控制技术领域，尤其涉及一种基于遗传算法-支持向量机的冷负荷预测方法。
背景技术
目前我国能源需求量日益剧增，建筑行业跻身三大“耗能大户”之一。建筑能耗约占世界能源消耗量的20％，我国建筑能耗约占社会总能耗的28％。以优化建筑围护结构、建筑环境智能控制、系统操作设备等建筑节能的工作已全面展开，但由于建筑结构的复杂性、人为因素的影响以及热延迟等特性，使建筑实际用能存在能源浪费、用电高峰期供能不足、供能不均衡等现象，降低了建筑能源的利用率，影响人们的舒适程度。因此，构建有效的建筑冷负荷预测模型，合理分配能源就十分重要。
现有技术中冷负荷预测方法主要有时间序列预测法，情景分析预测法，虚拟特征建筑法等，具体来说：
时间序列预测法把负荷数据看作一个按季度、按周、按天以及按小时周期性变化的时间序列，将实际负荷和预测负荷之间的差值看作一个平稳的随机序列进行分析和处理。虽然对于冷负荷的预测速度快，准确度高，但是建立模型的过程复杂，没有考虑到特殊天气的变化因素，因此对于实时预测或数据波动大的情况预测效果并不理想。
情景分析法需要设定多种不同的情景，属于高概率性预测，精度高。但是会增加分析的复杂度，还需要借助能耗模拟软件，并且建筑内部负荷强度的量化还存在问题。
虚拟特征建筑法假设区域内所有建筑都是朝向相同或互成90°角且具有相同建筑材质的矩形建筑，利用能耗软件进行模拟，区域建筑的冷负荷预测可以转化为其特征建筑的冷负荷预测。但是进行了大量的假设，计算复杂，计算量大，预测精度不高。
发明内容
本发明的目的是提供一种基于遗传算法-支持向量机的冷负荷预测方法，该方法可以克服传统利用仿真软件模拟计算耗时的缺点，能快速有效的对冷负荷进行预测。
本发明的目的是通过以下技术方案实现的：
一种基于遗传算法-支持向量机的冷负荷预测方法，所述方法包括：
步骤1、首先仿真获取一段时间内每天四个特征向量以及一个待预测标签；其中，所述四个特征向量包括室外干球温度、太阳照度、风速和湿球温度；待预测标签为冷负荷值；
步骤2、将上述仿真出的数据按照时间进行划分，分为训练集数据和预测集数据；
步骤3、再利用z-scroe算法将两个数据集的特征向量以及待预测标签进行归一化处理，进而将各数据的量纲统一；
步骤4、对初始支持向量机SVM的惩罚函数c、g参数的寻优范围进行设置，并对目标函数进行设置；
步骤5、按照使用需求对采用的遗传算法GA的各参数进行设置；
步骤6、基于所设置的遗传算法GA的参数，通过随机形式产生若干初始个体，并获得相应个体的惩罚函数c、g参数的可疑解，且每个个体拥有2个染色体，每个染色体携带1个基因，每个基因的编码长度为L；
步骤7、计算上述若干初始个体的适应度值，将预测的冷负荷值进行反归一化后计算得到相应的适应度值MSE数值；
步骤8、通过遗传算法GA对若干初始个体构成的训练样本集合进行训练，得到最优的支持向量网络，对所述预测集数据的冷负荷进行预测。
由上述本发明提供的技术方案可以看出，上述方法可以克服传统利用仿真软件模拟计算耗时的缺点，能快速有效的对冷负荷进行预测；在充分利用气象因素及冷负荷的大数据的价值同时，还发挥了对未来准确预测冷负荷的作用，对数据进行充分的挖掘。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他附图。
图1为本发明实施例提供基于遗传算法-支持向量机的冷负荷预测方法示意图。
具体实施方式
下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明的保护范围。
下面将结合附图对本发明实施例作进一步地详细描述，如图1所示为本发明实施例提供基于遗传算法-支持向量机的冷负荷预测方法示意图，所述方法包括：
步骤1、首先仿真获取一段时间内每天四个特征向量以及一个待预测标签；
其中，所述四个特征向量包括室外干球温度、太阳照度、风速和湿球温度；待预测标签为冷负荷值；
步骤2、将上述仿真出的数据按照时间进行划分，分为训练集数据和预测集数据；
举例来说，可以获取1月份-3月份的每天四个特征向量以及一个标签，然后将1-2月份的数据作为训练集，3月份的数据作为预测集。
步骤3、再利用z-scroe算法将两个数据集的特征向量以及待预测标签进行归一化处理，进而将各数据的量纲统一；
该该步骤中，进行归一化处理采用的计算公式为：
Figure BDA0001847324420000031
其中，xi,j代表待归一化的第i组数据的第j维数据；μj代表第j维特征的均值；σj代表第j维特征的标准差；x′i,j代表归一化后的第i组数据的第j维数据。
步骤4、对初始支持向量机SVM的惩罚函数c、g参数的寻优范围进行设置，并对目标函数进行设置；
在该步骤中，所述惩罚函数c、g参数的寻优范围设置为[1,4]；
所述目标函数设置为反归一化后的标签MSE数值，其中，MSE数值的计算公式为：
Figure BDA0001847324420000032
式中，N代表待预测的冷负荷天数；
Figure BDA0001847324420000033
代表第i个预测样本点的冷负荷值；yi代表第i个预测样本点的冷负荷真实数值。理论上MSE数值越小，则代表该预测模型总体误差越小，模型越精确；反之模型越差。
步骤5、按照使用需求对采用的遗传算法GA的各参数进行设置；
举例来说，本实例可以设置种群数量为200个，群体规模为50，染色体为2个，每个基因长度为10，各初始参数见下表1所示：
参数 数值
种群数量 200
群体规模 50
基因长度 10
交叉概率 0.05
变异概率 0.5
步骤6、基于所设置的遗传算法GA的参数，通过随机形式产生若干初始个体，并获得相应个体的惩罚函数c、g参数的可疑解，且每个个体拥有2个染色体，每个染色体携带1个基因，每个基因的编码长度为L；
这里，基因可以采用二进制编码进行处理。
步骤7、计算上述若干初始个体的适应度值，将预测的冷负荷值进行反归一化后计算得到相应的适应度值MSE数值；
该步骤中，反归一化处理的计算公式为；
Figure BDA0001847324420000041
式中，yi代表归一化的第i个样本点的冷负荷，μ代表冷负荷的均值，σ代表冷负荷的标准差，y′i代表反归一化后的第i个样本点的冷负荷。
步骤8、通过遗传算法GA对若干初始个体构成的训练样本集合进行训练，得到最优的支持向量网络，对所述预测集数据的冷负荷进行预测。
该步骤中，通过遗传算法GA对若干初始个体构成的训练样本集合进行训练，得到最优的支持向量网络的过程为：
首先采用轮盘赌形式选取优秀个体；
将上一代优秀个体进行单点交叉，形成新的个体；
基于新的个体进行步骤7的操作得到待预测标签的MSE数值，若满足最优终止条件，则结束，获得最优支持向量网络的惩罚函数c、g参数的数值；若不满足，则继续迭代最优个体。
另外，在迭代过程中，还可以对种群中个体的某一编码值进行变动，提高算法的随机搜索能力以及防止算法出现“早熟”而终止。
下面对上述预测方法的具体实现过程进行举例说明：
首先利用dest软件仿真出一年中的1-3月份的每日室外干球温度、太阳照度、风速和湿球温度以及冷负荷数值；
且将1-2月份的数据作为训练集，3月份的数据作为预测集；
继而用z-score算法对数据进行归一化处理；
进而对svm的惩罚函数c、g的寻优范围设置，以及目标函数设置，本发明对c和g参数的寻优范围都为[1,4]，目标函数设置为反归一化后的标签的MSE数值；
然后通过遗传算法对参数进行寻优获得最佳支持向量机模型，进而对3月份的冷负荷进行预测。
值得注意的是，本发明实施例中未作详细描述的内容属于本领域专业技术人员公知的现有技术。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明披露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求书的保护范围为准。

Claims (4)

1.一种基于遗传算法-支持向量机的冷负荷预测方法，其特征在于，所述方法包括：
步骤1、首先通过查询仿真数据的方式，获取一段时间内每天四个特征向量以及一个待预测标签；其中，所述四个特征向量包括室外干球温度、太阳照度、风速和湿球温度；待预测标签为冷负荷值；
步骤2、将上述仿真出的数据按照时间进行划分，分为训练集数据和预测集数据；
步骤3、再利用z-scroe算法将两个数据集的特征向量以及待预测标签进行归一化处理，进而将各数据的量纲统一；
其中，进行归一化处理采用的计算公式为：
Figure FDA0003166422250000011
其中，xi,j代表待归一化的第i组数据的第j维数据；μj代表第j维特征向量的均值；σj代表第j维特征向量的标准差；x′i,j代表归一化后的第i组数据的第j维数据；
步骤4、对初始支持向量机SVM的惩罚函数c、g参数的寻优范围进行设置，并对目标函数进行设置；
步骤5、按照使用需求对采用的遗传算法GA的各参数进行设置；
步骤6、基于所设置的遗传算法GA的参数，通过随机形式产生若干初始个体，并获得相应个体的惩罚函数c、g参数的可疑解，且每个个体拥有2个染色体，每个染色体携带1个基因，每个基因的编码长度为L；
步骤7、计算上述若干初始个体的适应度值，将预测的冷负荷值进行反归一化后计算得到相应的适应度值MSE数值；
步骤8、通过遗传算法GA对若干初始个体构成的训练样本集合进行训练，得到最优的支持向量网络，对所述预测集数据的冷负荷进行预测。
2.根据权利要求1所述基于遗传算法-支持向量机的冷负荷预测方法，其特征在于，在步骤4中，
所述惩罚函数c、g参数的寻优范围设置为[1,4]；
所述目标函数设置为反归一化后的标签MSE数值，其中，MSE数值的计算公式为：
Figure FDA0003166422250000021
式中，N代表待预测的预测集数据划分的冷负荷天数；
Figure FDA0003166422250000022
代表第i个预测样本点的冷负荷预测数值；yi代表第i个预测样本点的冷负荷真实数值。
3.根据权利要求1所述基于遗传算法-支持向量机的冷负荷预测方法，其特征在于，在步骤7中，反归一化处理的计算公式为；
Figure FDA0003166422250000023
式中，yi代表待归一化的第i个样本点的冷负荷预测数值，μ代表冷负荷的均值，σ代表冷负荷的标准差，y′i代表归一化后的第i个样本点的冷负荷预测数值。
4.根据权利要求1所述基于遗传算法-支持向量机的冷负荷预测方法，其特征在于，在步骤8中，通过遗传算法GA对若干初始个体构成的训练样本集合进行训练，得到最优的支持向量网络的过程为：
采用轮盘赌形式选取优秀个体；
将上一代优秀个体进行单点交叉，形成新的个体；
基于新的个体进行步骤7的操作得到待预测标签的MSE数值，若满足最优终止条件，则结束，获得最优支持向量网络的惩罚函数c、g参数的数值；若不满足，则继续迭代最优个体。
CN201811277491.9A 2018-10-30 2018-10-30 一种基于遗传算法-支持向量机的冷负荷预测方法 Active CN109409604B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811277491.9A CN109409604B (zh) 2018-10-30 2018-10-30 一种基于遗传算法-支持向量机的冷负荷预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811277491.9A CN109409604B (zh) 2018-10-30 2018-10-30 一种基于遗传算法-支持向量机的冷负荷预测方法

Publications (2)

Publication Number Publication Date
CN109409604A CN109409604A (zh) 2019-03-01
CN109409604B true CN109409604B (zh) 2022-03-18

Family

ID=65469852

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811277491.9A Active CN109409604B (zh) 2018-10-30 2018-10-30 一种基于遗传算法-支持向量机的冷负荷预测方法

Country Status (1)

Country Link
CN (1) CN109409604B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111476422A (zh) * 2020-04-10 2020-07-31 北京石油化工学院 一种基于机器学习框架下LightGBM的建筑冷负荷预测方法
CN113886989B (zh) * 2021-10-08 2024-03-29 长江大学 一种基于机器学习的石油钻井的参数优化方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1664524A (zh) * 2005-03-28 2005-09-07 杭州家和智能控制有限公司 风机盘管换热量风侧焓差法计量方法
JP2006078009A (ja) * 2004-09-07 2006-03-23 Shimizu Corp 空調負荷予測方法
CN102705957A (zh) * 2012-06-07 2012-10-03 华南理工大学 办公建筑中央空调逐时冷负荷在线预测方法及系统
CN104566765A (zh) * 2013-10-16 2015-04-29 嘉日国际集团控股有限公司 中央空调整体节能控制方法
CN106338127A (zh) * 2016-09-20 2017-01-18 珠海格力电器股份有限公司 用于地铁暖通空调系统的负荷预测和控制系统及其方法
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

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7502768B2 (en) * 2004-02-27 2009-03-10 Siemens Building Technologies, Inc. System and method for predicting building thermal loads

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006078009A (ja) * 2004-09-07 2006-03-23 Shimizu Corp 空調負荷予測方法
CN1664524A (zh) * 2005-03-28 2005-09-07 杭州家和智能控制有限公司 风机盘管换热量风侧焓差法计量方法
CN102705957A (zh) * 2012-06-07 2012-10-03 华南理工大学 办公建筑中央空调逐时冷负荷在线预测方法及系统
CN104566765A (zh) * 2013-10-16 2015-04-29 嘉日国际集团控股有限公司 中央空调整体节能控制方法
CN106338127A (zh) * 2016-09-20 2017-01-18 珠海格力电器股份有限公司 用于地铁暖通空调系统的负荷预测和控制系统及其方法
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

Also Published As

Publication number Publication date
CN109409604A (zh) 2019-03-01

Similar Documents

Publication Publication Date Title
CN104573879B (zh) 基于最优相似日集的光伏电站出力预测方法
CN106022538B (zh) 基于k均值聚类改进广义天气的光伏发电预测方法
CN109978284B (zh) 一种基于混合神经网络模型的光伏发电功率分时预测方法
CN108280545A (zh) 一种基于k均值聚类神经网络的光伏功率预测方法
CN109086928A (zh) 基于saga-fcm-lssvm模型的光伏电站实时功率预测方法
CN109376950A (zh) 一种基于bp神经网络的多元电网负荷预测方法
CN109636054A (zh) 基于分类和误差组合预测的太阳能光伏发电量预测方法
CN111092451B (zh) 一种基于配电网网格的光伏消纳预警方法
CN111680841B (zh) 基于主成分分析的短期负荷预测方法、系统及终端设备
CN109409604B (zh) 一种基于遗传算法-支持向量机的冷负荷预测方法
CN110866640A (zh) 一种基于深度神经网络的电力负荷预测方法
CN112149890A (zh) 基于用户用能标签的综合能源负荷预测方法及系统
CN108197404A (zh) 一种基于时间遗传特性的建筑负荷预测方法
CN110751416A (zh) 一种用水量的预测方法、装置及设备
CN110135649A (zh) 短期建筑能耗区间预测方法、系统、介质及设备
CN113052389A (zh) 基于多任务的分布式光伏电站超短期功率预测方法及系统
CN115689146A (zh) 一种多能源智能楼宇负荷调度方法及系统
CN114091776A (zh) 一种基于K-means的多分支AGCNN短期电力负荷预测方法
CN110852492A (zh) 一种基于马氏距离找相似的光伏功率超短期预测方法
Ku et al. Building electric energy prediction modeling for BEMS using easily obtainable weather factors with Kriging model and data mining
CN112465215A (zh) 一种分布式能源用户侧冷热电短期负荷预测方法及系统
CN109086952A (zh) 一种基于遗传算法-神经网络的热负荷预测方法
CN115564180B (zh) 一种基于大数据分析的电力网络可靠性评估方法
Chen et al. Research on energy-saving optimization model based on building energy consumption data
Sha et al. Prediction of commercial building lighting energy consumption based on EPSO-BP

Legal Events

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