CN112070262A - 一种基于支持向量机的空调负荷预测方法 - Google Patents

Abstract

本发明涉及控制技术，涉及一种基于支持向量机的空调负荷预测方法。步骤1，收集室外环境逐时参数，建筑用户逐时使用参数，空调系统逐时运行参数。步骤2，以步骤1中采集20组参数为特征，组成25×20=500个特征向量，以1组空调负荷为输出值，构建

组逐时数据采集序列。步骤3，对样本向量进行归一化处理，建立基于蚁群算法优化的支持向量机的中央空调负荷预测模型，得到最优化参数组合。步骤4，重复步骤2的方法，构建当前时刻的特征向量为输入值，对输入向量进行归一化处理后，利用步骤3建立的预测模型得到计算结果，反归一化处理后得到当前时刻的空调负荷预测值。本发明方法能实现空调负荷预测快速收敛和全局最优运行。

Description

一种基于支持向量机的空调负荷预测方法

技术领域

本发明涉及控制技术，具体涉及一种基于支持向量机的空调负荷预测方法。

背景技术

随着全球气候变暖的趋势和我国城镇化和工业化加速发展的进程，目前建筑能耗占我国社会总能耗的30%以上，中央空调系统能耗占建筑能耗的60%以上。建筑中央空调系统节能已经成为国民经济节能领域中的重点和热点问题。楼宇自动化系统集成了大量的中央空调运行及环境数据，如：温度、湿度、流量、功率等，都被记录在数据库中。但是这些数据很少被有效的用在空调负荷分析、数据挖掘、优化控制当中。

由于建筑空调能耗系统涉及到机理复杂的热湿传递过程，是一个典型的多变量、非线性、强耦合和多扰动的复杂系统，采用机理方法建立建筑能耗预测模型十分困难，实际应用中很难实现且技术推广灵活性略显不足。以统计学习理论为基础的建筑能耗统计预测模型，不仅具有良好的非线性性能，而且具有强大的小样本学习能力、较好的学习推广性能以及较好的高维数据处理能力等特性，目前作为一种新型的建模预测方法已在建筑能耗预测领域得到了广泛应用。

近年来多元回归分析法、时间序列分析法、人工神经网络法、支持向量机等非线性机器学习算法的出现为空调冷负荷在线预测奠定了基础。支持向量机在解决小样本、非线性及高维模式识别中表现出许多特有的优势。现有空调负荷大多采用普通支持向量机模型进行预测，回归模型训练是选取数据样本进行模型训练，利用训练出的模型再进行预测，新增样本时需要重新批量训练模型。但是，由于空调负荷预测样本随时间不断增加，模型训练时间随着样本数量增加而增加，难以满足负荷预测的快速全局优化求解要求。

蚁群算法是一种用来寻找优化路径的概率型算法，其灵感来源于蚂蚁在寻找食物过程中发现路径的行为。用蚂蚁的行走路径表示待优化问题的可行解，整个蚂蚁群体的所有路径构成待优化问题的解空间。路径较短的蚂蚁释放的信息素量较多，随着时间的推进，较短的路径上累积的信息素浓度逐渐增高，选择该路径的蚂蚁个数也愈来愈多。最终，整个蚂蚁会在正反馈的作用下集中到最佳的路径上，此时对应的便是待优化问题的最优解。这种算法具有分布计算、信息正反馈和启发式搜索的特征，是进化算法中的一种启发式全局优化算法。

鉴于上述情况，亟待一种实现大数据驱动下的空调负荷预测快速全局优化算法，而蚁群算法与支持向量机预测模型结合下的互补优势，可以通过大量数据对空调系统进行分析、建模、优化，能更好地实现负荷预测快速最优化运行，同时降低对技术操作人员的经验依赖和劳动强度。

发明内容

本发明的目的在于克服上述现有技术的不足，提供一种基于支持向量机的空调负荷预测方法，能满足大数据驱动下的空调负荷快速预测。

为实现上述目的，本发明的技术方案是：

一种基于支持向量机的空调负荷预测方法，包括下述4个步骤：

步骤1，根据空调运行情况，收集室外环境逐时参数：干球温度，相对湿度，水平面太阳总辐射，建筑用户逐时使用参数：入住率、房间使用率，空调系统逐时运行参数：空调负荷，制冷机组蒸发温度、冷凝温度、电流、电压，冷冻水泵供回水温度、流量、电流、电压，冷却水泵供回水温度、流量、电流、电压，冷却塔风量、电流、电压。

步骤2，以T、T-1、T-2、T-3、……T-n（n=24）共25个时刻为时间粒度，以步骤1中采集的3组环境参数、2组建筑用户使用参数、15组空调系统运行参数共20组参数为特征，组成25×20=500个特征向量，以1组空调负荷为输出值，构建

组逐时数据采集序列

，样本向量

。

步骤3，对样本向量

进行归一化处理，采用依据决策数据的权重方法，求取权重误差替代均方差来指导蚁群算法的信息素更新，建立基于蚁群算法优化的支持向量机的中央空调负荷预测模型，得到最优化参数组合

：惩罚参数

，核函数参数

和损失函数参数

。

步骤4，重复步骤2的方法，构建当前时刻T的特征向量

，以特征向量

为输入值，对输入向量进行归一化处理后，利用步骤3建立的支持向量机中央空调负荷预测模型得到计算结果，对计算结果进行反归一化处理后，最终得到当前时刻T的空调负荷预测值

。

空调负荷预测方法的步骤3中，建立支持向量机空调负荷预测模型，步骤如下：

（1）建立待优化的参数矩阵，确定最大迭代次数；

（2）所有蚂蚁随机放在矩阵的第一行，信息素浓度确定状态转移概率P，轮盘赌确定下一个节点，计算支持向量机的实际输出；

（3）将第k只蚂蚁训练L样本得到的误差值（e₁，e₂，……，e_L）作为决策数据，计算权重误差WE；

（4）根据权重误差更新信息素矩阵，重新计算参数优化后的支持向量机的实际输出；

（5）重复第（3）步，直到满足最大迭代次数或达到要求的权重期望误差为止，输出此时的支持向量机输出值作为最优预测值。

建立支持向量机空调负荷预测模型的所述步骤3中，将第k只蚂蚁训练L样本得到的误差值（e₁，e₂，……，e_L）作为决策数据，计算权重误差WE，步骤如下：

（1）决策数据（e₁，e₂，……，e_l，……，e_L-1，e_L）通过下式求得均差和方差：

（2）对决策数据（e₁，e₂，……，e_l，……，e_L-1，e_L）利用均差和方差进行标准化处理：

得到标准化数据（β₁，β₂，……，β_l，……，β_L-1，β_L）。

（3）求出（β₁，β₂，……，β_l，……，β_L-1，β_L）在φ（x）处的数值（u₁，u₂，……，u_l，……，u_L-1，u_L），即：

其中，

为标准正态分布的密度函数。

（4）将（u₁，u₂，……，u_l，……，u_L-1，u_L）进行单位化处理，求得权重（ω₁，ω₂，……，ω_l，……，ω_L-1，ω_L），即：

（5）计算得到权重误差WE，为：

空调负荷预测方法的所述步骤4中，对样本空间记录特征变量进行归一化处理，方法如下：

对各维度特征变量分别进行线性变换，使得各维度特征值被映射到[0，1]之间（区间缩放），转换函数如下：

其中：

，归一化后第i条样本空间记录的第n个特征变量值；

，归一化前原来第i条样本空间记录的第n个特征变量特征值；

，归一化前原来样本空间记录第n个特征变量的最大值；

，归一化前原来样本空间记录第n个特征变量的最小值。

本发明与现有预测技术相比，克服现有技术的不足，提供一种基于蚁群算法优化的支持向量机的空调负荷预测方法，能实现空调负荷预测快速收敛和全局最优运行。其有益效果在于：(1)采用正反馈机制，使得搜索过程不断收敛，最终逼近最优解。(2)搜索过程采用分布式计算方式，多个个体同时进行并行计算，大大提高了算法的计算能力和运行效率。(3)启发式的概率搜索方式不容易陷入局部最优，易于寻找到全局最优解。

附图说明

图1为本发明实施例提供的一种基于蚁群算法优化的支持向量机空调负荷预测方法流程图；

图2为本发明实施例提供的一种基于蚁群算法优化的支持向量机空调负荷预测方法参数优化流程图。

具体实施方式

下面结合附图和具体实施方式对本发明的内容做进一步详细说明。

实施例：

参阅图1所示，本发明实施例提供的一种基于蚁群算法优化的支持向量机空调负荷预测方法主要分为4个步骤，即：样本数据采集、样本空间向量组合、支持向量机空调负荷预测模型构建、当前T时刻空调负荷预测。

其中，对样本空间向量各维度特征变量分别进行[0，1]之间归一化处理，采用权重分配蚁群算法优化方法来提高支持向量机算法的参数寻优性能，引入权重误差最终得到当前支持向量机预测模型的全局最优化参数。

具体地，本方法的实施步骤如下：

步骤1，根据空调运行情况，收集室外环境逐时参数：干球温度，相对湿度，水平面太阳总辐射，建筑用户逐时使用参数：入住率、房间使用率，空调系统逐时运行参数：空调负荷，制冷机组蒸发温度、冷凝温度、电流、电压，冷冻水泵供回水温度、流量、电流、电压，冷却水泵供回水温度、流量、电流、电压，冷却塔风量、电流、电压。

步骤2，以T、T-1、T-2、T-3、……T-n（n=24）等25个时刻为时间粒度，以步骤1中采集的3组环境参数、2组建筑用户使用参数、15组空调系统运行参数等20组参数为特征，组成25×20=500个特征向量，以1组空调负荷为输出值，构建

组逐时数据采集序列

，样本向量

；对样本空间记录特征变量

进行归一化处理。对各维度特征变量分别进行线性变换，使得各维度特征值被映射到[0，1]之间（区间缩放），转换函数如下：

步骤3，对样本向量

进行归一化处理，采用依据决策数据的权重方法，求取权重误差替代均方差来指导蚁群算法的信息素更新，建立基于权重分配蚁群算法优化支持向量机中央空调负荷预测模型，提高预测模型的泛化能力和容错能力，得到最优化参数组合

：惩罚参数

，核函数参数

和损失函数参数

。

建立基于权重分配蚁群算法支持向量机空调负荷预测模型参数优化选择，参阅图2所示，步骤如下：

（1）建立待优化的参数矩阵，确定最大迭代次数；

（2）所有蚂蚁随机放在矩阵的第一行，信息素浓度确定状态转移概率P，轮盘赌确定下一个节点，计算支持向量机的实际输出；

（3）将第k只蚂蚁训练L样本得到的误差值（e₁，e₂，……，e_L）作为决策数据，计算权重误差WE；计算权重误差WE的赋权步骤如下：

① 决策数据（e₁，e₂，……，e_l，……，e_L-1，e_L）通过下式求得均差和方差：

② 对决策数据（e₁，e₂，……，e_l，……，e_L-1，e_L）利用均差和方差进行标准化处理：

得到标准化数据（β₁，β₂，……，β_l，……，β_L-1，β_L）。

③ 求出（β₁，β₂，……，β_l，……，β_L-1，β_L）在φ（x）处的数值（u₁，u₂，……，u_l，……，u_L-1，u_L），即：

其中，

为标准正态分布的密度函数。

④ 将（u₁，u₂，……，u_l，……，u_L-1，u_L）进行单位化处理，求得权重（ω₁，ω₂，……，ω_l，……，ω_L-1，ω_L），即：

⑤ 计算得到权重误差WE，为：

（4）根据权重误差更新信息素矩阵，重新计算参数优化后的支持向量机的实际输出；

（5）重复第（3）步，直到满足最大迭代次数或达到要求的权重期望误差为止，输出此时的支持向量机输出值作为最优预测值。

步骤4，重复步骤2的方法，构建当前时刻T的特征向量

，以特征向量

为输入值，对输入向量进行归一化处理后，利用步骤3建立的支持向量机中央空调负荷预测模型得到计算结果，对计算结果进行反归一化处理后，最终得到当前时刻T的空调负荷预测值

。

预测T时刻空调负荷

前需要对T时刻新样本空间记录向量进行实时动态重新归一化处理，方法如下：

（1）当T时刻有新样本加入时，动态地判断新的样本空间记录中各维度特征变量

的最大值

和最小值

；

（2）重新进行归一化处理得到T时刻的归一化化特征变量空间

；

（3）把归一化处理后的最新1条向量记录作为输入量

，利用基于权重分配蚁群算法支持向量机空调负荷预测模型，预测T时刻的空调负荷。

上述实施例只是为了说明本发明的技术构思及特点，其目的是在于让本领域内的普通技术人员能够了解本发明的内容并据以实施，并不能以此限制本发明的保护范围。凡是根据本发明内容的实质所做出的等效的变化或修饰，都应涵盖在本发明的保护范围内。

Claims (4)

1.一种基于支持向量机的空调负荷预测方法，其特征在于，所述方法包括下述步骤：

步骤1，根据空调运行情况，收集室外环境逐时参数：干球温度，相对湿度，水平面太阳总辐射，建筑用户逐时使用参数：入住率、房间使用率，空调系统逐时运行参数：空调负荷，制冷机组蒸发温度、冷凝温度、电流、电压，冷冻水泵供回水温度、流量、电流、电压，冷却水泵供回水温度、流量、电流、电压，冷却塔风量、电流、电压；

步骤2，以T、T-1、T-2、T-3、……T-n（n=24）共25个时刻为时间粒度，以步骤1中采集的3组环境参数、2组建筑用户使用参数、15组空调系统运行参数共20组参数为特征，组成25×20=500个特征向量，以1组空调负荷为输出值，构建

组逐时数据采集序列

，样本向量

；

步骤3，对样本向量

进行归一化处理，采用依据决策数据的权重方法，求取权重误差替代均方差来指导蚁群算法的信息素更新，建立基于蚁群算法优化的支持向量机的中央空调负荷预测模型，得到最优化参数组合

：惩罚参数

，核函数参数

和损失函数参数

；

步骤4，重复步骤2的方法，构建当前时刻T的特征向量

，以特征向量

为输入值，对输入向量进行归一化处理后，利用步骤3建立的支持向量机中央空调负荷预测模型得到计算结果，对计算结果进行反归一化处理后，最终得到当前时刻T的空调负荷预测值

。

2.根据权利要求1所述的空调负荷预测方法，其特征在于：所述步骤3中建立空调负荷预测模型，步骤如下：

（1）建立待优化的参数矩阵，确定最大迭代次数；

（2）所有蚂蚁随机放在矩阵的第一行，信息素浓度确定状态转移概率P，轮盘赌确定下一个节点，计算支持向量机的实际输出；

（3）将第k只蚂蚁训练L样本得到的误差值（e₁，e₂，……，e_L）作为决策数据，计算权重误差WE；

（4）根据权重误差更新信息素矩阵，重新计算参数优化后的支持向量机的实际输出；

（5）重复第（3）步，直到满足最大迭代次数或达到要求的权重期望误差为止，输出此时的支持向量机输出值作为最优预测值。

3.根据权利要求2所述的空调负荷预测方法，其特征在于：建立空调负荷预测模型步骤3中，将第k只蚂蚁训练L样本得到的误差值（e₁，e₂，……，e_L）作为决策数据，计算权重误差WE，步骤如下：

（1）决策数据（e₁，e₂，……，e_l，……，e_L-1，e_L）通过下式求得均差和方差：

（2）对决策数据（e₁，e₂，……，e_l，……，e_L-1，e_L）利用均差和方差进行标准化处理：

得到标准化数据（β₁，β₂，……，β_l，……，β_L-1，β_L）；

（3）求出（β₁，β₂，……，β_l，……，β_L-1，β_L）在φ（x）处的数值（u₁，u₂，……，u_l，……，u_L-1，u_L），即：

其中，

为标准正态分布的密度函数；

（4）将（u₁，u₂，……，u_l，……，u_L-1，u_L）进行单位化处理，求得权重（ω₁，ω₂，……，ω_l，……，ω_L-1，ω_L），即：

（5）计算得到权重误差WE，为：

。

4.根据权利要求1所述的空调负荷预测方法，其特征在于：空调负荷预测方法的所述步骤4中，对样本空间记录特征变量进行归一化处理，方法如下：

对各维度特征变量分别进行线性变换，使得各维度特征值被映射到[0，1]之间，转换函数如下：

其中：

，归一化后第i条样本空间记录的第n个特征变量值；

，归一化前原来第i条样本空间记录的第n个特征变量特征值；

，归一化前原来样本空间记录第n个特征变量的最大值；

，归一化前原来样本空间记录第n个特征变量的最小值。

Images