CN111062517A

CN111062517A - 一种基于GBDT的LightGBM模型的冷、热负荷预测方法

Info

Publication number: CN111062517A
Application number: CN201911151057.0A
Authority: CN
Inventors: 唐继旭; 冯毅; 许�鹏; 朱国皓; 徐栎亚; 李和颖; 陈智博; 陈永保
Original assignee: Shanghai Aerospace Smart Energy Technology Co ltd
Current assignee: Shanghai Aerospace Smart Energy Technology Co ltd
Priority date: 2019-11-21
Filing date: 2019-11-21
Publication date: 2020-04-24

Abstract

本发明提供一种基于GBDT的LightGBM模型的冷、热负荷预测方法，包括：步骤1：获取若干个建筑案例；步骤2：将所述建筑案例通过第一模型生成模型数据；所述模型数据包括：特征变量数据和冷、热负荷数据；步骤3：将模型数据进行预处理，拆分训练集和测试集，基于LightGBM模型对所述训练集进行训练建模，以训练生成冷、热负荷预测模型；步骤4：采用测试集的数据对所述冷、热负荷预测模型进行测试；步骤5：将测试通过的所述冷、热负荷预测模型保存；本发明的基于GBDT的LightGBM模型的冷、热负荷预测方法，基于boosting思想的LightGBM树模型来构建负荷预测回归模型，在拥有大量数据的训练集上训练后，可以精确地预测出不同建筑结构的冷热负荷。

Description

一种基于GBDT的LightGBM模型的冷、热负荷预测方法

技术领域

本发明涉及负荷预测技术领域，特别涉及一种基于GBDT的LightGBM模型的冷、热负荷预测方法。

背景技术

现阶段负荷预测的方法主要集中在对单体建筑或区域，通过既有数据的采集，处理，进行未来电力负荷、冷负荷和热负荷的预测。预测的时间跨度也可分为短期预测：几小时或者一天或者一周；中期预测：一个月到一个季度；长期预测：一年及以上。由于节能减排和规划区域和建筑冷热负荷，甚至是在建筑选型时作为参考。采用各种预测方法准确地预测出建筑或区域内冷负荷和热负荷是至关重要的，可以使设计建筑机电系统的人根据预测结果进行设备选型，甚至是更复杂的区域能源规划。目前,有很多主流的方法应用于冷负荷和热负荷的预测,像人工神经网络、支持向量机、高斯过程回归、自回归移动平均模型等。

但是这样的技术针对单体建筑或单片区域这样既定的问题时，不需要大量训练样本的问题时，可以取得比较好的结果。当我们想要从多个同类型建筑中，类似许多办公建筑、许多医院建筑等，找到相似的规律，推演到一个新的办公建筑或医院建筑中，以上的方法会显得略微有些无力。

同时，随着冷热负荷的预测对建筑能源系统的设计和布置起到越来越重要的作用，发掘一个可以预测不同建筑冷热负荷的负荷预测模型，有着十分重要的工程指导作用。建立这样的模型也需要更大规模的数据，和更复杂和深层次的机器学习算法，以及更严格的超参数调整方法。

发明内容

本发明目的之一在于提供一种基于GBDT的LightGBM模型的冷、热负荷预测方法，基于boosting思想的LightGBM树模型来构建负荷预测回归模型，在拥有大量数据的训练集上训练后，可以精确地预测出不同建筑结构的冷热负荷。

本发明实施例提供的一种基于GBDT的LightGBM模型的冷、热负荷预测方法，包括：

步骤1：获取若干个建筑案例；

步骤2：将建筑案例通过第一模型生成模型数据；模型数据包括：特征变量数据和冷、热负荷数据；

步骤3：将模型数据进行预处理，拆分训练集和测试集，基于LightGBM模型对训练集进行训练建模，以训练生成冷、热负荷预测模型；

步骤4：采用测试集的数据对冷、热负荷预测模型进行测试；

步骤5：将测试通过的冷、热负荷预测模型保存；

步骤6：获取待预测的建筑案例，通过第一模型生成待测模型数据；

步骤7：调用测试通过的冷、热负荷预测模型对待测模型数据进行预测，获取预测结果。

可选的，第一模型为energyplus模型。

可选的，步骤3：基于LightGBM模型对训练集进行训练建模，以训练生成冷、热负荷预测模型；包括：

基于LightGBM模型采用五折交叉验证方法对训练集进行训练建模，以训练生成冷、热负荷预测模型。

可选的，步骤4：采用测试集的数据对冷、热负荷预测模型进行测试；包括：

当均方差误差小于第一预设值且相关系数的绝对值大于第二预设值时，冷、热负荷预测模型测试通过。

可选的，特征变量包括：与建筑自身属性相关的变量和与外部天气参数相关的变量。

可选的，步骤2：将建筑案例通过第一模型生成模型数据；模型数据包括：特征变量数据和冷、热负荷数据；包括：

步骤21：将建筑案例生成输入变量采样值；

步骤22：批量读取变量值，根据建筑外形数据生成几何模型；

步骤23：将几何模型添加建筑模型基准文件，生成模型文件；

步骤24：调用第一模型对模型文件进行计算，获得模型数据。

可选的，步骤5：将测试通过的冷、热负荷预测模型保存；包括：

使用python的sklearn库中的joblib模块，将冷、热负荷预测模型保存下来，并分别命名。

可选的，将模型数据进行预处理，拆分训练集和测试集；具体为：将模型数据通过python的Pandas库导入，然后进行预处理，拆分训练集和测试集。

可选的，基于LightGBM模型采用五折交叉验证方法对训练集进行训练建模，以训练生成冷、热负荷预测模型，具体为：

调整LightGBM模型的超参数；

将训练集分成五份，以循环的方式。利用其中任意四份进行训练，另一份验证训练结果，获得冷、热负荷预测模型；冷、热负荷预测模型包括：五个训练模型。

相较于现有技术和负荷预测思路，本发明的基于GBDT的LightGBM模型的冷、热负荷预测模型，通过在大量不同的建筑上构建训练集，并通过关键特征变量的选择来回归负荷和特征变量的关系，得到精确的回归预测模型。除了创新的包含具有不同建筑信息和天气信息的建筑数据，使得负荷预测模型不再针对既有的建筑或区域（即以该特定区域的历史数据预测未来数据），而是可以推广到其它的新建建筑或任意已有建筑上进行负荷预测。本发明的基于GBDT的LightGBM模型的冷、热负荷预测模型所选择的LightGBM框架也是boosting思想下，实现效果很好的基于梯度下降的决策树模型框架。特别适合大体量数据的训练与预测。

本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：

图1为本发明实施例中一种基于GBDT的LightGBM模型的冷、热负荷预测方法的示意图；

图2为本发明实施例中基于GBDT的LightGBM模型的冷、热负荷预测的28个特征变量中的与建筑自身属性相关的变量和其取值范围;

图3为本发明实施例中基于GBDT的LightGBM模型的冷、热负荷预测的28个特征变量中的与外部天气参数相关的变量和其取值范围;

图4是本发明实施例中基于energyplus模型生成模型数据的流程图

图5是本发明实施例中一种基于GBDT的LightGBM模型的冷、热负荷预测方法实施例的流程图。

具体实施方式

以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。

本发明实施例提供了一种基于GBDT的LightGBM模型的冷、热负荷预测方法，如图1所示，步骤1：获取若干个建筑案例；

步骤4：采用测试集的数据对冷、热负荷预测模型进行测试；

步骤5：将测试通过的冷、热负荷预测模型保存；

上述技术方案的工作原理及有益效果为：

提升方法（Boosting），是一种可以用来减小监督式学习中偏差的机器学习算法。GBDT（Gradient Boosting Descision Tree，梯度提升决策树）是一种集成学习方法，核心思想是boosting，通过计算损失函数的负梯度来定位模型的不足（若目标函数为MSE，该负梯度即为residual）；以CART回归树作为基学习器（多用于回归）。LightGBM是实现GBDT的一个框架，它可以说是分布式的，高效的，有以下优势：更快的训练效率、低内存使用、更高的准确率、支持并行化学习、可以处理大规模数据。其训练速度比其它boosting的算法明显提高，同时不降低学习精度。特别适合训练集样本数很大的模型训练。在LightGBM中使用直方图算法，其基本思想是先把连续的浮点特征值离散化成k个整数，同时构造一个宽度为k的直方图。在遍历数据的时候，根据离散化后的值作为索引在直方图中累积统计量，当遍历一次数据后，直方图累积了需要的统计量，然后根据直方图的离散值，遍历寻找最优的分割点。而在另一种boosting思想的XGBoost框架中需要遍历所有离散化的值，而在这里只要遍历k个直方图的值。利用直方图做差加速。一个叶子的直方图可以由它的父亲节点的直方图与它兄弟的直方图做差得到。通常构造直方图，需要遍历该叶子上的所有数据，但直方图做差仅需遍历直方图的k个桶。利用这个方法，LightGBM可以在构造一个叶子的直方图后（父节点在上一轮就已经计算出来了），可以用非常微小的代价得到它兄弟叶子的直方图，在速度上可以提升一倍。直接支持类别特征（即不需要做one-hot编码）。大多数机器学习工具都无法直接支持类别特征，一般需要把类别特征，转化到多维的one-hot编码特征，降低了空间和时间的效率。而类别特征的使用是在实践中很常用的。基于这个考虑，LightGBM优化了对类别特征的支持，可以直接输入类别特征，不需要额外的one-hot编码展开。并在决策树算法上增加了类别特征的决策规则。LightGBM具有支持高效并行的优点。LightGBM原生支持并行学习，目前支持特征并行和数据并行的两种。一、特征并行的主要思想是在不同机器在不同的特征集合上分别寻找最优的分割点，然后在机器间同步最优的分割点。二、数据并行则是让不同的机器先在本地构造直方图，然后进行全局的合并，最后在合并的直方图上面寻找最优分割点。 LightGBM针对这两种并行方法都做了优化，在特征并行算法中，通过在本地保存全部数据避免对数据切分结果的通信；在数据并行中使用分散规约把直方图合并的任务分摊到不同的机器，降低通信和计算。其中，获取的建筑案例要为办公建筑模型和医院建筑建筑模型中的一种，不能交叉获取。

基于上述LightGBM的优点，实现本发明的基于GBDT的LightGBM模型的冷、热负荷预测方法通过在大量不同的建筑上构建训练集，并通过关键特征变量的选择来回归负荷和特征变量的关系，得到精确的回归预测模型。除了创新的包含具有不同建筑信息和天气信息的建筑数据，使得负荷预测模型不再针对既有的建筑或区域（即以该特定区域的历史数据预测未来数据），而是可以推广到其它的新建建筑或任意已有建筑上进行负荷预测。本发明的基于GBDT的LightGBM模型的冷、热负荷预测模型所选择的LightGBM框架也是boosting思想下，实现效果很好的基于梯度下降的决策树模型框架。特别适合大体量数据的训练与预测。

在一个实施例中，第一模型为energyplus模型。energyplus模型是建筑能耗模拟模型。

为了防止模型在训练中出现过拟合现象；在一个实施例中，步骤3：基于LightGBM模型对训练集进行训练建模，以训练生成冷、热负荷预测模型；包括：

在一个实施例中，步骤4：采用测试集的数据对冷、热负荷预测模型进行测试；包括：

当均方差误差（MSE）小于第一预设值且相关系数（Pearson）的绝对值大于第二预设值时，冷、热负荷预测模型测试通过。

其中均方差误差越小越好；相关系数的绝对值越接近1越好。故在设置时，第一预设值接近零；第二预设值接近1。

在一个实施例中，特征变量包括：与建筑自身属性相关的变量和与外部天气参数相关的变量。

在一个实施例中，步骤2：将建筑案例通过第一模型生成模型数据；模型数据包括：特征变量数据和冷、热负荷数据；包括：

步骤21：将建筑案例生成输入变量采样值；

在一个实施例中，步骤5：将测试通过的冷、热负荷预测模型保存；包括：

在一个实施例中，将模型数据进行预处理，拆分训练集和测试集；具体为：将模型数据通过python的Pandas库导入，然后进行预处理，拆分训练集和测试集。

在一个实施例中，基于LightGBM模型采用五折交叉验证方法对训练集进行训练建模，以训练生成冷、热负荷预测模型，具体为：

调整LightGBM模型的超参数；

下面列举应用本发明的具体实施例：

图5为本实施例的流程图。参照图2和图3所示，图2是本发明基于GBDT的LightGBM模型的冷、热负荷预测的28个特征变量中的与建筑自身属性相关的变量。图3是本发明利用基于GBDT的LightGBM模型的冷、热负荷预测的28个特征变量中的外部天气参数相关的变量。在本实施例中，按照图4给出的建筑算例生成路线，我们通过批量在energyplus模拟软件中，基于2个典型的办公建筑模型和医院建筑建筑模型，按照上海市的天气参数，根据图中各个变量的取值范围组合模拟许多个办公建筑和医院建筑算例。2个典型的办公建筑和医院建筑有自己特定的建筑分区和每个分区的使用强度时间表。之后，我们得到包含百万条数据的。特征变量与冷热负荷值的数据。这一海量数据就是之后模型的训练数据。

将模型数据的CSV文件通过python的Pandas库导入，进行数据预处理，拆分训练集和测试集后。利用LightGBM库进行训练。设置LightGBM的训练函数时，首先设置一个5折交叉验证方法，防止模型在训练中出现过拟合现象。之后，循环进行每一折数据的训练，然后设置LightGBM框架中的超参数，超参数的设置对模型的训练效果会起到非常重要的作用，需要认真评估数据的体量进行经验化设计，甚至是训练试探。完成超参数的设置后，开始训练模型，由于设置了5折交叉验证，训练中会把训练集分成训练子集和验证子集两部分，比例是4:1。通过验证子集来评估优化训练结果。最终得到5个训练模型。5个训练模型分别在测试集上进行预测，预测结果的平均值就是最终的冷热负荷预测结果。将这一预测结果与实际值进行比较，计算均方根误差，作为评估预测结果好坏的依据。当均方根误差和Pearson相关系数都合格后模型测试完成。测试不合格时重新利用5折交叉验证进行数据训练。

模型预测完成后，使用python的sklearn库中的joblib模块，将生成的训练模型保存下来，并分别命名。下次调用相应模型时，只需要使用joblib模块再次加载模型即可。至此，模型的训练工作结束，完成上述所有步骤后，可以得到针对医院建筑和办公建筑的冷负荷预测模型以及热负荷预测模型，共4大类模型，每一类模型下都有5个根据交叉验证训练好的具体的小模型。

有了训练好的模型，收集将要预测的新建筑的资料，包括28个特征变量和时间表，预测区间可以是一天、一周、一月、一季度或是一年，将其整理成一个CSV文件，用python的Pandas库导入CSV文件后，利用之前生成的训练模型进行预测，需要注意的是28个特征变量和时间表的顺序不能发生变化，要与模型训练时保持一致。下一步要利用模型对我们想要预测的建筑进行负荷预测。利用python的Pandas库将预测模型的标准格式文件导入python中后，首先进行特征参数逐个输入的操作。这一步骤按照python的提示进行指定特征变量的输入。之后再导入想要预测建筑所在城市的天气参数。最终形成一个完成的预测变量集合。

有了完整的预测变量集合后，首先我们判断要预测的建筑是办公建筑还是医院建筑。若是医院建筑，我们需要增加一维输入特征变量Daytype，进行日类型的确定，目的是区分工作和节假日不同的负荷情况。建筑类型确定后，我们分别导入对应建筑类型的已经训练好的冷、热负荷模型。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims

1.一种基于GBDT的LightGBM模型的冷、热负荷预测方法，其特征在于，包括：

步骤1：获取若干个建筑案例；

步骤2：将所述建筑案例通过第一模型生成模型数据；所述模型数据包括：特征变量数据和冷、热负荷数据；

步骤3：将模型数据进行预处理，拆分训练集和测试集，基于LightGBM模型对所述训练集进行训练建模，以训练生成冷、热负荷预测模型；

步骤4：采用测试集的数据对所述冷、热负荷预测模型进行测试；

步骤5：将测试通过的所述冷、热负荷预测模型保存；

步骤6：获取待预测的建筑案例，通过所述第一模型生成待测模型数据；

步骤7：调用测试通过的所述冷、热负荷预测模型对待测模型数据进行预测，获取预测结果。

2.如权利要求1所述的预测方法，其特征在于，所述第一模型为energyplus模型。

3.如权利要求1所述的预测方法，其特征在于，步骤3：基于LightGBM模型对所述训练集进行训练建模，以训练生成冷、热负荷预测模型；包括：

基于LightGBM模型采用五折交叉验证方法对所述训练集进行训练建模，以训练生成冷、热负荷预测模型。

4.如权利要求1所述的预测方法，其特征在于，步骤4：采用测试集的数据对所述冷、热负荷预测模型进行测试；包括：

当均方差误差小于第一预设值且相关系数的绝对值大于第二预设值时，所述冷、热负荷预测模型测试通过。

5.如权利要求1所述的预测方案，其特征在于，所述特征变量包括：与建筑自身属性相关的变量和与外部天气参数相关的变量。

6.如权利要求1所述的预测方案，其特征在于，步骤2：将所述建筑案例通过第一模型生成模型数据；所述模型数据包括：特征变量数据和冷、热负荷数据；包括：

步骤21：将建筑案例生成输入变量采样值；

步骤24：调用第一模型对所述模型文件进行计算，获得模型数据。

7.如权利要求1所述的预测方案，其特征在于，步骤5：将测试通过的所述冷、热负荷预测模型保存；包括：

使用python的sklearn库中的joblib模块，将所述冷、热负荷预测模型保存下来，并分别命名。

8.如权利要求1所述的预测方案，其特征在于，所述将模型数据进行预处理，拆分训练集和测试集；具体为：将所述模型数据通过python的Pandas库导入，然后进行预处理，拆分训练集和测试集。

9.如权利要求1所述的预测方案，其特征在于，所述基于LightGBM模型采用五折交叉验证方法对所述训练集进行训练建模，以训练生成冷、热负荷预测模型，具体为：

调整LightGBM模型的超参数；

将训练集分成五份，以循环的方式；利用其中任意四份进行训练，另一份验证训练结果，获得所述冷、热负荷预测模型；所述冷、热负荷预测模型包括：五个训练模型。