CN112884012A - 基于支持向量机原理的建筑能耗预测方法 - Google Patents

Abstract

本发明公开了一种基于支持向量机原理的建筑能耗预测方法，涉及机器学习、数据挖掘领域，通过数据预处理，参数寻优，交叉验证等步骤证明所建模型具有较高的准确度，利用支持向量机模型预测建筑能耗是站在实际数据的角度分析建筑能耗，使用支持向量机方法建立建筑能源模型，将多种不同量纲的影响因素映射到高维空间中，寻找合适的最优超平面，对能耗状况做出分析判断。本发明中将天气参数、空调运行参数等不同量纲数据输入到已建立的模型中，使用核函数模拟高维空间中最优超平面的计算工作，预测建筑能耗的使用情况。提高了建筑节能领域工作的研究效率，在建筑数量日益增多的今天具有广阔的应用前景。

Description

基于支持向量机原理的建筑能耗预测方法

技术领域

本发明属于机器学习、数据挖掘领域，主要用于建筑物能耗水平研究，为一种基于支持向量机的建筑能耗预测方法。

背景技术

建筑物占世界能源消耗的40％以上，而且建筑物排放的二氧化碳占二氧化碳总排放量的三分之一。需要对建筑用电数据进行分析，以实现合理用能，节约用能的目的。使用传统手段对建筑能耗进行分析诊断工作量大，作用有限。随之智能技术的快速发展，利用计算机数学算法对建筑用能数据建模用能形态模型，并进行深入分析，已成为近几年的用能形态研究的热点问题。

对于既有建筑而言，建筑物的结构参数、建筑所在地的气候数据等详细资料均为已知信息，更为重要的是，建筑的历史能耗数据也可以通过科学的计量方法获得，因而基于这些信息来分析建筑的未来能耗相比于前向模拟法会使得分析结果更加具有参考价值。在众多的数据驱动建筑能耗预测模型中，人工神经网络模型、支持向量机模型以及混合模型应用最为广泛。

人工神经网络(ANN)是目前使用最广泛的算法，常被用于预测各种类型的冷暖负荷或电力监控，ANN能够隐式检测输入和输出之间复杂的非线性关系，这种特性使其可以应用于冷暖负荷以及电力消耗实时监控。然而，ANN未能在建筑物理参数与能耗之间建立互连关系，这又同时限制了模型在建筑构件或系统发生变化时的拟合能力。

多元线性回归(MLR)则是一种可以模拟因变量和几个自变量之间关系的算法，但它无法处理非线性问题的特性导致其可否应用于短期预测仍有待研究。

这些方法大多难以独立使用，需要结合上述其它算法融合使用，而且不适用于小样本数据建模，造成了使用范围受局限，从而导致建筑节能领域工作的研究效率非常低。

发明内容

鉴于现有技术中存在的不足和缺陷，本发明提供了一种基于支持向量机原理的建筑能耗预测方法，能够从小样本数据中建模并分析建筑能耗，用以解决现有技术存在的问题。

为了解决上述技术问题，本发明采用如下技术方案：基于支持向量机原理的建筑能耗预测方法，通过建筑物运行管理系统采集空调系统运行参数，气象数据等信息，首先对样本数据进行归一化处理，接下来划分训练集与测试集，使用SVM方法建立能耗预测模型，将测试样本带入模型测算评估分值，从而实现对建筑能耗的预测与分析，包括以下步骤：

1)通过建筑物运行管理系统采集空调系统运行参数，气象数据等相关参数；

2)由于不同影响因子的单位和量化标准是完全不同的，为避免对训练后的评估模型带来很大的影响，导致出现模型预测准确性降低等问题，现对所获取的数据进行归一化处理，将这些数据统一到相同的量化标准中，归一化计算公式如式(1)所示：

T_j是归一化后的X_j的标准值，X_j，min为指标j中的最小值，X_j，max为指标j中的最大值。通过上述的公式可将所有的样本数据进行归一化处理；

3)将获取的建筑物运行参数与建筑能耗数据库融合，所述建筑能耗数据库为已有的建筑能耗历史数据，将融合后的数据按季节分组，每一组分为训练数据集和测试数据集两部分，训练集用来训练得到评估模型，测试集可以很好的看出评估模型的评估效果情况；

4)根据步骤3)分组的数据，针对每一组分别建立支持向量机能耗预测模型，简称SVM模型，所用的SVM模型选择径向基RBF核函数，并采用搜索算法对各SVM模型的惩罚参数C和核参数γ进行优化选择，惩罚参数C和核参数γ的优化选择步骤如下：

41)粗估计SVM模型的惩罚参数C和核参数γ的范围，并作为惩罚参数C和核参数γ的初始搜索范围，根据搜索范围确定搜索步长L；

42)对惩罚参数C进行选择时，先控制核参数γ不变，按照步长依次改变惩罚参数C的值，计算得到不同惩罚参数C取值时所对应的预测误差MSE值和支持向量的数量；

43)对核参数γ进行选择时，控制惩罚参数C不变，按照步长依次改变核参数γ的值，计算得到不同核参数γ取值时所对应的预测误差MSE值和支持向量的数量；

44)将不同惩罚参数C和核参数γ取值时所对应的预测误差MSE和支持向量数量进行综合比较，选择一组使得预测准确率和支持向量数量最多的惩罚参数和核参数作为最优的C、γ；

5)使用3)中的训练集针对建立的SVM模型进行训练，使用测试集对SVM模型预测性能进行检验，得到最终的SVM建筑能耗预测模型。

在上述步骤1)中，在建筑物运行管理系统中读取的状态参数有蒸发器进出水温度及压力，冷凝器进出水温度及压力，冷凝器、蒸发器各自的电压电流，冷水机组电压电流，室外温度，建筑总能耗等数据，时间间隔为1小时。

上述步骤3)中，训练集和测试集中的每一个数据为一个19维的向量，包括蒸发器进出水温度及压力，冷凝器进出水温度及压力，冷凝器、蒸发器各自的电压电流，冷水机组电压电流，室外温度，建筑物总能耗。选取的支持向量机SVM能耗预测模型的输入为一个18维的向量，包括蒸发器进出水温度及压力，冷凝器进出水温度及压力，冷凝器、蒸发器各自的电压电流，冷水机组电压电流，室外温度。

上述步骤4)的训练为：建立基本SVM模型后及其惩罚参数C和核参数γ，在训练样本集上采用SVM方法构造分类器，得到确切的SVM模型的决策函数：

假设输入参数是一系列数据点(x₁，y₁)，(x₂，y₂)，(x₃，y₃)，…，(x_l，y_l)，故支持向量机可以采用式(2)形式来近似函数：

f(x)＝ω·φ(x)+b (2)

其中f(x)表示从输入空间x非线性映射的高维特征空间。通过最小化正则化风险函数来估计系数ω和b，如式(3)所示：

其中||ω²||称为正则化术语，||ω²||值越小说明越平坦，从而起到控制函数容量的作用，第二项

是由电子不敏感损失函数测量的经验误差，定义如式(4)所示：

如果预测值在这个范围内，则损失为零，而如果预测点在范围外，则损失为预测值与半径ε之间的差值的大小；

考虑到方程难以求解，于是引入四个拉格朗日乘子，进而转向拉格朗日函数，所以函数变为：

四个拉格朗日乘子满足约束条件a_iη_i，η_i ^*，

如果关系式

成立，就可得到以下条件：

可得

通过引入径向基函数K(x_i，x_j)，可得最优分类决策函数如式(8)所示：

K(x_i，x_j)的值等于特征空间

和

中两个向量x_i和x_j的内积，即

通过使用内核，可以直接在输入空间中执行所有必要的计算，而无需计算映射

所述最优分类决策函数即为SVM模型训练后得到的结果，可以用来进行步骤5)的建筑物能耗预测工作。

与现有技术相比，本发明具有的有益效果为：本发明通过能耗监测系统采集空调运行参数、气象数据、总耗电量等信息，支持向量机可以融合多种影响因素对能耗状况做出分析，所以使用支持向量机方法建立能源模型，将天气参数、空调运行参数等数据输入到已建立的模型中，使用核函数模拟高维空间中最优超平面的计算工作，预测建筑能耗的使用情况，提高了建筑节能领域工作的研究效率，在建筑数量日益增多的今天具有广阔的应用前景。

附图说明

下面结合附图和具体实施方式对本发明作进一步的说明：

图1为本发明的框架图；

图2为支持向量机将非线性样本影射到高维空间示意图；

图3为本发明中建筑能耗预测SVM模型的结构图。

具体实施方式

为使发明的目的、特征更明显易懂，下面将结合附图对本技术方案作进一步说明。

本发明的建筑能耗预测方法流程如图1所示，详细实施方法如下：

1)通过建筑物运行管理系统获取某酒店夏季三个月的空调系统运行数据，包括蒸发器进出水温度及压力，冷凝器进出水温度及压力，冷凝器、蒸发器各自的电压电流，冷水机组电压电流，以及室外气温，建筑总能耗数据，时间间隔为1小时。

2)由于上述输入参数的单位和量化标准是完全不同的，如若不做处理直接进行样本训练，会对训练后的评估模型带来很大的影响，严重的会导致大量的错误，此评估模型将无法使用。而数据归一化处理之后，对于寻找最优解起到了很大的作用，如图2所示。所以为了解决这一问题，将这些数据统一到相同的量化标准中，采用了对数据进行归一化处理的方式，利用式(1)将所有的测试数据全部缩放到[0,1]这个区间中。

3)将获取的夏季3个月建筑物运行参数与建筑能耗数据库融合，所述建筑能耗数据库为已有的建筑能耗历史数据，选取其中80％的数据即69组作为训练样本，20％的数据即18组作为测试样本。通过69组的训练样本进行训练可获得支持向量机模型，最后将剩余18组来对此模型进行测试分析，如图3所示。

训练集数据用于建立SVM模型，测试集数据用于检验建立的SVM模型。采集待检测建筑物的数据，再融合已有的建筑能耗历史数据，针对不同类型建筑，确保后续建立的SVM模型对待检测路段的检测准确性。

4)本文选取RBF径向基核函数k(x，y)＝exp(-|y-x|2/ε²)作为评估模型得基础。影响RBF核函数性能的参数主要两个，一个是惩罚因子C，另一个是核参数γ。

41)确定惩罚因子C

惩罚因子C的作用是调整学习机置信区间和确定数据子空间中经验风险的比例，使得学习机具有更好的泛化能力。当样本完全可分时，C值不会影响SVM的泛化性能；当样本完全不可分离时，C值对SVM的性能影响更大。

在已确定的数据子空间中，C的值越小越好，越小表明经验误差的惩罚小，还可使得机器学习的复杂性大大降低。

在本发明中，γ值固定取为0.01，然后将参数C的值从2^-2变至2⁵，使用训练样本来训练SVM模型，并记录预测误差MSE和支持向量的数量。在γ＝0.01时，C∈(2^-5，2⁵)寻优过程时均方根误差和支持向量个数见表1。可以看到随着C增加，MSE首先大幅下降，然后保持比较平缓。至于支持向量数量的趋势也一样。从这些结果中，我们可以选择参数C为2⁰＝1。

表1惩罚因子C寻优过程均方根误差(MSE)和支持向量个数(nSV)汇总表

惩罚因子C取值	MSE	nSV
			2<sup>-2</sup>	13％	69
2<sup>-1</sup>	8.5％	68
			2<sup>0</sup>	5.1％	62
2<sup>1</sup>	2.43％	55
			2<sup>2</sup>	1.75％	52
2<sup>3</sup>	1.7％	49
			2<sup>4</sup>	1.69％	47
2<sup>5</sup>	1.68％	48

42)确定核参数γ

核参数γ是相似范围的调控因子，随着γ值的增加，经验风险增加，则表明数据子空间的维数在减小，而在该空间中能构造的最复杂SVM的维数也在减小，推广性能得到改善，预测精度得到提高。当ε继续增加时，学习能力下降，经验风险增加，增加到一定程度时，学习能力几乎丧失。

本实验将C固定为1，将γ设置为0.01到0.25之间的各种值，优化过程与上面寻找参数C的过程相同。C＝1时，γ∈(0.01，0.25)寻优过程，均方根误差和支持向量个数见表2。可以看出，MSE首先几乎保持恒定，然后当γ在0.04和0.25之间时以平缓的趋势上升。然而，支持向量的数量首先以缓慢的速度下降，然后在γ在0.04到0.16之间时突然大幅下降。考虑预测误差和支持向量的数量间的相互关系，我们选择γ为0.01。

表2核参数γ寻优过程均方根误差(MSE)和支持向量个数(nSV)汇总表

5)选取惩罚参数C值为1，核参数γ值为0.01，SVM模型预测结果准确性如表3所示。

表3 SVM能耗预测模型结果

误差	MSE	R<sup>2</sup>
				2.22％	0.94

从表3可以看出，该SVM模型预测的MSE值仅为2.22％，同时R²值为0.94，远大于0.8的显著性水平，证明该SVM模型预测结果是可靠的。

为验证模型鲁棒性，本发明选用5折交叉验证方法将数据集中的顺序随机打乱，组成5组不同的训练集和测试集，并应用SVM模型进行预测，准确性如表4所示。

表4 SVM模型交叉验证结果

次数	MSE	R<sup>2</sup>
			1	1.96％	0.96
2	0.6％	0.97
			3	2.5％	0.96
4	0.75％	0.94
			5	1％	0.98

从表4可以看出，每组的MSE值均比较小，最大不超过2.5％；每组的R2值均远大于0.8的显著性水平，模型的交叉验证进一步证实了使用支持向量机预测建筑能耗的准确性，同时说明SVM模型具有一定的泛化性，能够适用于建筑能耗分析预测。

本发明提出了一种基于建筑能耗监测系统的利用SVM模型预测能耗的方法。通过能耗监测系统采集空调运行参数、气象数据、总耗电量等信息。由于支持向量机可以融合多种影响因素对能耗状况做出分析，所以使用支持向量机方法建立酒店能源模型，将天气参数、空调运行参数等数据输入到已建立的模型中，通过对惩罚因子C和核参数γ进行寻优来提高模型预测的准确性，分析建筑用能情况。经过测试表明，本发明基于SVM的建筑能耗预测方法能够快速准确的对建筑用能状况进行分析和预测，MSE误差仅在2.22％左右。对于不了解自身建筑用能状况的业主方，可以使用本模型去测试。业主方提供模型所需的输入参数，通过模型便可得到单位建筑面积的能耗值，再与相关用能标准或地方文件等进行对标，便可知道此时该建筑的能耗等级，给业主方提供准确有效的用能信息，为下一步制定用能目标或进行节能改造提供参考。

支持向量机基于结构风险最小化归纳原理以及适用于小样本数据的特性从而适用于本发明中的能耗预测模型。通过数据预处理，参数寻优，交叉验证等步骤证明所建模型具有较高的准确度，利用支持向量机模型预测建筑能耗是站在实际数据的角度分析建筑能耗，并不是基于模拟能耗数据以及不需要使用大量的专业知识与公式，而且可以融合气象参数、不同设备运行参数等多维度数据分析预测。因此，使用支持向量机方法建立建筑能源模型，将多种不同量纲的影响因素映射到高维空间中，寻找合适的最优超平面，对能耗状况做出分析判断。本发明中将天气参数、空调运行参数等不同量纲数据输入到已建立的模型中，使用核函数模拟高维空间中最优超平面的计算工作，预测建筑能耗的使用情况。提高了建筑节能领域工作的研究效率，在建筑数量日益增多的今天具有广阔的应用前景。

Claims (4)

1.一种基于支持向量机原理的建筑能耗预测方法，其特征在于：通过建筑物运行管理系统采集空调系统运行参数，气象数据等信息，首先对样本数据进行归一化处理，接下来划分训练集与测试集，使用SVM方法建立能耗预测模型，将测试样本带入模型测算评估分值，从而实现对建筑能耗的预测与分析，包括以下步骤：

1)通过建筑物运行管理系统采集空调系统运行参数，气象数据等相关参数；

2)由于不同影响因子的单位和量化标准是完全不同的，为避免对训练后的评估模型带来很大的影响，导致出现模型预测准确性降低等问题，现对所获取的数据进行归一化处理，将这些数据统一到相同的量化标准中，归一化计算公式如式(1)所示：

T_j是归一化后的X_j的标准值，X_j，min为指标j中的最小值，X_j，max为指标j中的最大值。通过上述的公式可将所有的样本数据进行归一化处理；

3)将获取的建筑物运行参数与建筑能耗数据库融合，所述建筑能耗数据库为已有的建筑能耗历史数据，将融合后的数据按季节分组，每一组分为训练数据集和测试数据集两部分，训练集用来训练得到评估模型，测试集可以很好的看出评估模型的评估效果情况；

4)根据步骤3)分组的数据，针对每一组分别建立支持向量机能耗预测模型，简称SVM模型，所用的SVM模型选择径向基RBF核函数，并采用搜索算法对各SVM模型的惩罚参数C和核参数γ进行优化选择，惩罚参数C和核参数γ的优化选择步骤如下：

41)粗估计SVM模型的惩罚参数C和核参数γ的范围，并作为惩罚参数C和核参数γ的初始搜索范围，根据搜索范围确定搜索步长L；

42)对惩罚参数C进行选择时，先控制核参数γ不变，按照步长依次改变惩罚参数C的值，计算得到不同惩罚参数C取值时所对应的预测误差MSE值和支持向量的数量；

43)对核参数γ进行选择时，控制惩罚参数C不变，按照步长依次改变核参数γ的值，计算得到不同核参数γ取值时所对应的预测误差MSE值和支持向量的数量；

44)将不同惩罚参数C和核参数γ取值时所对应的预测误差MSE和支持向量数量进行综合比较，选择一组使得预测准确率和支持向量数量最多的惩罚参数和核参数作为最优的C、γ；

5)使用3)中的训练集针对建立的SVM模型进行训练，使用测试集对SVM模型预测性能进行检验，得到最终的SVM建筑能耗预测模型。

2.根据权利要求1所述的一种基于支持向量机原理的建筑能耗预测方法，其特征在于：步骤1)中，在建筑物运行管理系统中读取的状态参数有蒸发器进出水温度及压力，冷凝器进出水温度及压力，冷凝器、蒸发器各自的电压电流，冷水机组电压电流，室外温度，建筑总能耗等数据，时间间隔为1小时。

3.根据权利要求1所述的基于支持向量机原理的建筑能耗预测方法，其特征在于：步骤3)中，训练集和测试集中的每一个数据为一个19维的向量，包括蒸发器进出水温度及压力，冷凝器进出水温度及压力，冷凝器、蒸发器各自的电压电流，冷水机组电压电流，室外温度，建筑物总能耗。选取的支持向量机SVM能耗预测模型的输入为一个18维的向量，包括蒸发器进出水温度及压力，冷凝器进出水温度及压力，冷凝器、蒸发器各自的电压电流，冷水机组电压电流，室外温度。

4.根据权利要求1所述的基于支持向量机原理的建筑能耗预测方法，其特征在于：步骤4)的训练为：建立基本SVM模型后及其惩罚参数C和核参数γ，在训练样本集上采用SVM方法构造分类器，得到确切的SVM模型的决策函数：

假设输入参数是一系列数据点(x₁，y₁)，(x₂，y₂)，(x₃，y₃)，…，(x_l，y_l)，故支持向量机可以采用式(2)形式来近似函数：

f(x)＝ω·φ(x)+b (2)

其中f(x)表示从输入空间x非线性映射的高维特征空间。通过最小化正则化风险函数来估计系数ω和b，如式(3)所示：

其中||ω²||称为正则化术语，||ω²||值越小说明越平坦，从而起到控制函数容量的作用，第二项

是由电子不敏感损失函数测量的经验误差，定义如式(4)所示：

如果预测值在这个范围内，则损失为零，而如果预测点在范围外，则损失为预测值与半径ε之间的差值的大小；

考虑到方程难以求解，于是引入四个拉格朗日乘子，进而转向拉格朗日函数，所以函数变为：

四个拉格朗日乘子满足约束条件α_iη_i，η_i ^*，

如果关系式

成立，就可得到以下条件：

可得

通过引入径向基函数K(x_i，x_j)，可得最优分类决策函数如式(8)所示：

K(x_i，x_j)的值等于特征空间

和

中两个向量x_i和x_j的内积，即

通过使用内核，可以直接在输入空间中执行所有必要的计算，而无需计算映射

所述最优分类决策函数即为SVM模型训练后得到的结果，可以用来进行步骤5)的建筑物能耗预测工作。

Images