CN114811858A

CN114811858A - 一种空调负荷在线学习方法

Info

Publication number: CN114811858A
Application number: CN202210288166.2A
Authority: CN
Inventors: 刘凯; 黄家晖; 赵文恺; 夏烨峰; 秦超逸; 姚钦
Original assignee: State Grid Shanghai Electric Power Co Ltd
Current assignee: State Grid Shanghai Electric Power Co Ltd
Priority date: 2022-03-22
Filing date: 2022-03-22
Publication date: 2022-07-29
Anticipated expiration: 2042-03-22
Also published as: CN114811858B

Abstract

本发明公开了一种空调负荷在线学习方法，包括：步骤S1：将一时刻采集的空调气象参数和负荷参数定义为一组数据，实时采集若干组所述数据；步骤S2：对所述S1采集的每一组所述数据进行预处理；步骤S3：将每一组所述数据分别对应一特征向量；步骤S4：根据所述特征向量，得到每一组所述数据对应的若干组组合特征；步骤S5：获取预设的梯度提升树模型，采用一组所述数据对应的若干组所述组合特征对所述梯度提升树模型进行训练。本发明在空调负荷预测领域具有更快的训练速度、更低的内存消耗和更好的准确率，具有良好地泛化性能，以促进在数据分布不稳定的在线模式下更好地学习。

Description

一种空调负荷在线学习方法

技术领域

本发明涉及空调负荷预测技术领域，具体涉及一种空调负荷在线学习方法。

背景技术

当前中国建筑面积规模位居世界第一，每年仅使用过程中的“运营碳排放”就达21亿吨，约占中国碳排放的20％。占据公共建筑物能耗60％的暖通空调或中央空调系统，已经成为影响我国碳中和目标实现的关键因素之一。通过对空调未来短期内的能耗进行预测，以调整系统的运行模式，可实现有效地降低空调能耗。

现有的一些利用机器学习训练模型来预测空调负荷的预测方法中存在训练速度慢和准确率低的问题，且现有技术中存在不能解决在线模式下数据不稳定的问题，不能更好的预测空调负荷。

发明内容

本发明的目的是为了提供一种空调负荷在线学习方法。旨在解决现有的预测方法中存在训练速度慢、准确率低、不能更好的预测空调负荷的问题。

为达到上述目的，本发明通过以下技术方案实现：

本发明提供了一种空调负荷在线学习方法，包括：

步骤S1：将一时刻采集的空调气象参数和负荷参数定义为一组数据，实时采集若干组所述数据；

步骤S2：对所述步骤S1采集的每一组所述数据进行预处理；

步骤S3：将每一组所述数据分别对应一特征向量；

步骤S4：根据所述特征向量，得到每一组所述数据对应的若干组组合特征；

步骤S5：以所述光梯度提升机框架(LightGBM框架)为梯度提升树模型，采用一组所述数据对应的若干组所述组合特征对所述梯度提升树模型进行训练，

所述采用一组所述数据对应的若干组所述组合特征对所述梯度提升树模型进行训练包括：

采用K折交叉验证以提高所述梯度提升树模型的稳定性；

采用粒子群优化算法对步骤S1中采集的所述数据的组数、交叉验证折数和所述梯度提升树模型的参数进行自寻优；

步骤S6：获取空调负荷历史数据，根据所述自寻优，选取使所述梯度提升树模型预测最精确的一组所述组合特征，并选取最精确的一组所述组合特征对应的所述梯度提升树模型的参数值，采用所述参数值与所述历史数据对所述梯度提升树模型进行训练，得到最佳梯度提升树模型，采用所述最佳梯度提升树模型对空调负荷进行预测。

优选的，所述步骤S1中，所述气象参数包括：室外空气干球温度和室外空气湿球温度，所述负荷参数包括：冷冻水流量、冷冻水供水温度和冷冻水回水温度中的一种或任一一组组合。

优选的，所述步骤S2中，对所述步骤S1采集的每一所述数据进行预处理包括：

步骤S21：对于所述数据中的缺失值与异常值，计算其上下邻近时间点的均值进行插值与替换；

步骤S22：根据时间戳定义规范每组所述数据中的时间戳。

优选的，所述特征向量为[最大负荷、最小负荷、负荷标准差、负荷平均值、第一时间戳、第二时间戳、温度、湿度]，

其中：第一时间戳表示在二十四小时制内以小时为度量的时间戳；

第二时间戳表示在一周内以星期数为度量的时间戳。

优选的，所述步骤S4中每一所述数据对应的若干组组合特征设置有四组，四组所述组合特征分别为：

[最大负荷、最小负荷、负荷标准差、负荷平均值、第一时间戳、第二时间戳]；

[最大负荷、最小负荷、负荷标准差、负荷平均值、第一时间戳、第二时间戳、温度]；

[最大负荷、最小负荷、负荷标准差、负荷平均值、第一时间戳、第二时间戳、湿度]；

[最大负荷、最小负荷、负荷标准差、负荷平均值、第一时间戳、第二时间戳、温度、湿度]。

优选的，所述步骤S5中所述自寻优的步骤包括：

步骤S51：输入粒子群优化算法的参数c₁、c₂、r₁、r₂、迭代次数和惯性权重ω，并初始化m个粒子的初始位置{x_i}^m和初始速度{v_i}^m，每个粒子位置表示了训练所述梯度提升树模型所需的参数{n,K,lea_num,lea_maxD,α}，其中，n表示所述数据用于计算所述组合特征的样本数量，即所述步骤S1中采集的所述数据的组数，lea_num表示最大叶数目，lea_maxD表示最大树深度，α表示学习率；

步骤S52：将n个所述数据根据K折交叉验证原理分为K-1组训练数据和1组验证数据，并将每一粒子代表的参数{n,K,lea_num,lea_maxD,α}以及所述训练数据训练所述梯度提升树模型，并采用所述验证数据得出预测值；

步骤S53：分别计算R²、NRMSE和MAPE三个评价指标，其中，R²反映模型的偏差程度，NRMSE反映模型的拟合程度，MAPE反映模型的平均误差程度；

步骤S54：根据适应度函数公式计算每个粒子的适应度，即：

fitness＝NRMSE+MAPE+(1-R²)；

步骤S55：用

代表d时刻第i个粒子的历史最佳适应度，即

用gbest^d表示d时刻历史全局最佳适应度，即，

更新每个粒子的速度和位置，

步骤S56：重复执行步骤S52至步骤S55，直至达到最大迭代步数；

步骤S57：选取适应度最佳的参数以及对应的特征组合，是的所述特征组合和参数和可能的新数据继续训练模型，并预测空调负荷。

优选的，所述评价指标R²的计算公式为：

其中，R²表示所述R²评价指标的计算值，N表示有N个历史数据，y_i表示第i历史数据的真实值，y′_i表示第i历史数据的预测值，

表示真实值的平均值。

优选的，所述评价指标NRMSE的计算公式为：

其中，N表示有N个所述历史数据，y_i表示第i个所述历史数据的真实值，y′_i表示第i个所述历史数据的预测值。

优选的，所述评价指标MAPE的计算公式为：

其中，N表示有N个历史数据，y_i表示第i个历史数据的真实值，y′_i表示第i个历史数据的预测值。

优选的，惯性权重ω的取值范围为0.9至1.2。

与现有技术相比，本发明具有以下有益效果：

1、从多组待选特征中选取使模型预测更精准的特征，使其在多维数据下具有更强的鲁棒性；

2、使用梯度提升树的LightGBM框架，与普通梯度提升树方法相比，该方法在空调负荷预测领域具有更快的训练速度、更低的内存消耗和更好的准确率；

3、利用K折交叉验证进一步地提升了模型地稳定性；

4、采用R²、NRMSE和MAPE三个评价指标来平衡模型在偏差程度、拟合程度和平均误差程度地性能，并用粒子群优化算法进行参数寻优，使其具有良好地泛化性能，以促进在数据分布不稳定的在线模式下更好地学习。

附图说明

为了更清楚地说明本发明的技术方案，下面将对描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一个实施例，对于本领域普通技术人员来讲，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的附图：

图1为现有技术中未采用本发明方法的一实施例提供的优化前的空调负荷预测效果图；

图2为本发明一实施例提供的空调负荷在线学习方法的流程图；

图3为本发明一实施例提供的优化后的空调负荷预测效果图。

具体实施方式

以下结合附图1至图3和具体实施方式对本发明提出的空调负荷在线学习方法作进一步详细说明。根据下面说明，本发明的优点和特征将更清楚。需要说明的是，附图采用非常简化的形式且均使用非精准的比例，仅用以方便、明晰地辅助说明本发明实施方式的目的。为了使本发明的目的、特征和优点能够更加明显易懂，请参阅附图。须知，本说明书所附图式所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容能涵盖的范围内。

本发明提供一种实施例，对空调进行了数据采集，每组数据包含：室外空气干球温度、室外空气湿球温度、冷冻水流量、冷冻水供水温度、冷冻水回水温度。一共采集了13845组数据，其中11197组数据用于梯度提升树模型的训练，剩余的2648组数据对训练好的梯度提升树模型进行测试。

为解决现有的预测方法中存在的训练速度慢、准确率低、不能更好的预测空调负荷的问题，如图2所示，本实施例提供一种基于梯度学习方法LightGBM和粒子群优化算法PSO组合算法的空调负荷在线学习方法，包括：

步骤S1：将一时刻采集的空调气象参数和负荷参数定义为一组数据，实时采集若干组所述数据，所述气象参数包括：室外空气干球温度和室外空气湿球温度，所述负荷参数包括：冷冻水流量、冷冻水供水温度和冷冻水回水温度。

步骤S2：对所述步骤S1采集的每一组所述数据进行预处理。

所述预处理包括：

步骤S21：对于所述数据中的缺失值与异常值，计算其上下邻近时间点的均值进行插值与替换。

步骤S22：根据时间戳定义规范每组所述数据中的时间戳。

步骤S3：将每一组所述数据分别对应一特征向量，所述特征向量为[最大负荷、最小负荷、负荷标准差、负荷平均值、第一时间戳、第二时间戳、温度、湿度]。

其中：第一时间戳表示在二十四小时制内以小时为度量的时间戳，例如：23点，第二时间戳表示在一周内以星期数为度量的时间戳，例如：周一。

步骤S4：根据所述特征向量，得到每一组所述数据对应的若干组组合特征，

本实施例中所述组合特征设置有四组，四组所述组合特征分别为：

采用K折交叉验证以提高所述梯度提升树模型的稳定性；

采用粒子群优化算法对步骤S1中采集的所述数据的组数、交叉验证折数和所述梯度提升树模型的参数进行自寻优。

所述步骤S5中所述自寻优的步骤包括：

步骤S51：输入粒子群优化算法的参数c₁、c₂、r₁、r₂、迭代次数和惯性权重ω，本实施例中惯性权重ω的取值范围为0.9至1.2。

初始化m个粒子的初始位置{x_i}^m和初始速度{v_i}^m，每个粒子位置表示了训练所述梯度提升树模型所需的参数{n,K,lea_num,lea_max,α}，其中，n表示所述数据用于计算所述组合特征的样本数量，即所述步骤S1中采集的所述数据的组数。其中最大负荷、最小负荷、负荷标准差、负荷平均值均需要一定的样本数量，lea_num表示最大叶数目，lea_max表示最大树深度，α表示学习率。

本实施例中训练梯度提升树模型所需的5个参数{n,K,lea_num,lea_maxD,α}的取值范围为：n的取值范围是2～24；K的取值范围是2～12；lea_num的取值范围是35～350；lea_maxD的取值范围是3～10；α的取值范围是0.05～0.2。

步骤S52：将n个所述数据根据K折交叉验证原理分为K-1组训练数据和1组验证数据，并将每一粒子代表的参数{n,K,lea_num,lea_maxD,α}以及所述训练数据训练所述梯度提升树模型，并采用所述验证数据得出预测值。

K折交叉验证最终目的是得到步骤S52中的模型预测值。“K折交叉验证”中“验证”是指：将数据分割为训练部分和验证部分，而验证数据会计算模型精度。

步骤S53：分别计算R²、NRMSE和MAPE三个评价指标，其中，R²反映模型的偏差程度，NRMSE反映模型的拟合程度，MAPE反映模型的平均误差程度。

所述评价指标R²的计算公式为：

所述评价指标NRMSE的计算公式为：

所述评价指标MAPE的计算公式为：

其中，R²表示所述R²评价指标的计算值，N表示有N个历史数据，y_i表示第i个历史数据的真实值，y_i'表示第i个历史数据的预测值，

表示真实值的平均值。

步骤S54：根据适应度函数公式计算每个粒子的适应度，即：

fitness＝NRMSE+MAPE+(1-R²) (4)

步骤S55：用pbest_i ^d代表d时刻第i个粒子的历史最佳适应度，即

用gbest^d表示d时刻历史全局最佳适应度，即，

更新每个粒子的速度和位置得到：

步骤S56：重复执行上述步骤S52至步骤S55，直至达到最大迭代步数。

选取适应度最佳的参数以及对应的特征组合，使得所述组合特征和参数和可能的新数据继续训练模型，并预测空调负荷。

图1为现有技术中未采用本发明方法的一实施例提供的优化前的空调负荷预测效果图，图3为本实施例提供的优化后的空调负荷预测效果图。通过对比图1和图3，可以得出本实施例采用的空调负荷预测方法更接近真实值，准确率更高，优化后的预测结果有着更高的准确度，更加贴合实际曲线。

综上所述，本实施例为基于梯度学习方法LightGBM和粒子群优化算法PSO组合算法的空调负荷在线学习方法，从多组待选特征中选取使模型预测更精准的特征，使其在多维数据下具有更强的鲁棒性；使用梯度提升树的LightGBM框架，与普通梯度提升树方法相比，该方法在空调负荷预测领域具有更快的训练速度、更低的内存消耗和更好的准确率；利用K折交叉验证进一步地提升了模型地稳定性；采用R²、NRMSE和MAPE三个评价指标来平衡模型在偏差程度、拟合程度和平均误差程度地性能，并用粒子群优化算法进行参数寻优，使其具有良好地泛化性能，以促进在数据分布不稳定的在线模式下更好地学习。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

应当注意的是，在本文的实施方式中所揭露的装置和方法，也可以通过其他的方式实现。以上所描述的装置实施方式仅仅是示意性的，例如，附图中的流程图和框图显示了根据本文的多个实施方式的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用于执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

另外，在本文各个实施方式中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。

尽管本发明的内容已经通过上述优选实施例作了详细介绍，但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后，对于本发明的多种修改和替代都将是显而易见的。因此，本发明的保护范围应由所附的权利要求来限定。

Claims

1.一种空调负荷在线学习方法，其特征在于，包括：

步骤S2：对所述步骤S1采集的每一组所述数据进行预处理；

步骤S3：将每一组所述数据分别对应一特征向量；

步骤S5：以所述光梯度提升机框架为梯度提升树模型，采用一组所述数据对应的若干组所述组合特征对所述梯度提升树模型进行训练，

采用K折交叉验证以提高所述梯度提升树模型的稳定性；

2.如权利要求1所述的空调负荷在线学习方法，其特征在于，所述步骤S1中，所述气象参数包括：室外空气干球温度和室外空气湿球温度，所述负荷参数包括：冷冻水流量、冷冻水供水温度和冷冻水回水温度中的一种或任一一组组合。

3.如权利要求1所述的空调负荷在线学习方法，其特征在于，所述步骤S2中，对所述步骤S1采集的每一所述数据进行预处理包括：

步骤S22：根据时间戳定义规范每组所述数据中的时间戳。

4.如权利要求1所述的空调负荷在线学习方法，其特征在于，所述特征向量为[最大负荷、最小负荷、负荷标准差、负荷平均值、第一时间戳、第二时间戳、温度、湿度]，

第二时间戳表示在一周内以星期数为度量的时间戳。

5.如权利要求4所述的空调负荷在线学习方法，其特征在于，所述步骤S4中每一所述数据对应的若干组组合特征设置有四组，四组所述组合特征分别为：

6.如权利要求5所述的空调负荷在线学习方法，其特征在于，所述步骤S5中所述自寻优的步骤包括：

步骤S51：输入粒子群优化算法的参数c₁、c₂、r₁、r₂、迭代次数和惯性权重ω，并初始化m个粒子的初始位置{x_i}^m和初始速度{v_i}^m，每个粒子位置表示了训练所述梯度提升树模型所需的参数{n,K,lea_num,lea_maxD,α}，其中，n表示所述步骤S1中采集的所述数据的组数，lea_num表示最大叶数目，lea_maxD表示最大树深度，α表示学习率；

步骤S54：根据适应度函数公式计算每个粒子的适应度，即：

fitness＝NRMSE+MAPE+(1-R²)；

步骤S55：使用

表示d时刻第i个粒子的历史最佳适应度，使用gbest^d表示d时刻历史全局最佳适应度，则更新每一所述粒子的速度和位置的表达式为：

步骤S56：重复执行所述步骤S52至所述步骤S55，直至达到最大迭代步数。

7.如权利要求6所述的空调负荷在线学习方法，其特征在于，所述评价指标R²的计算公式为：

其中，R²表示所述R²评价指标的计算值，N表示有N个所述历史数据，y_i表示第i个所述历史数据的真实值，y′_i表示第i个所述历史数据的预测值，

表示所述真实值的平均值。

8.如权利要求7所述的空调负荷在线学习方法，其特征在于，所述评价指标NRMSE的计算公式为：

9.如权利要求8所述的空调负荷在线学习方法，其特征在于，所述评价指标MAPE的计算公式为：

10.如权利要求9所述的空调负荷在线学习方法，其特征在于，所述惯性权重ω的取值范围为0.9至1.2。