CN115809734A - 一种基于动态训练集的低碳园区建筑负荷预测方法 - Google Patents
一种基于动态训练集的低碳园区建筑负荷预测方法 Download PDFInfo
- Publication number
- CN115809734A CN115809734A CN202211552549.2A CN202211552549A CN115809734A CN 115809734 A CN115809734 A CN 115809734A CN 202211552549 A CN202211552549 A CN 202211552549A CN 115809734 A CN115809734 A CN 115809734A
- Authority
- CN
- China
- Prior art keywords
- training set
- dynamic
- carbon
- park
- load prediction
- 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.)
- Pending
Links
- 238000012549 training Methods 0.000 title claims abstract description 102
- 238000000034 method Methods 0.000 title claims abstract description 73
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 58
- 238000007637 random forest analysis Methods 0.000 claims abstract description 42
- 238000004088 simulation Methods 0.000 claims abstract description 31
- 238000003066 decision tree Methods 0.000 claims abstract description 28
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims abstract description 26
- 238000005070 sampling Methods 0.000 claims abstract description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 14
- 238000012795 verification Methods 0.000 claims description 7
- 238000012952 Resampling Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 238000005192 partition Methods 0.000 claims description 3
- 238000000638 solvent extraction Methods 0.000 claims description 3
- 238000012706 support-vector machine Methods 0.000 abstract description 8
- 238000012545 processing Methods 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 abstract description 2
- 239000000523 sample Substances 0.000 description 16
- 238000005265 energy consumption Methods 0.000 description 13
- 230000008569 process Effects 0.000 description 11
- 238000005259 measurement Methods 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000001816 cooling Methods 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000013138 pruning Methods 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000000875 corresponding effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于动态训练集的低碳园区建筑负荷预测方法包括：归一化历史模拟数据，初始化模型参数；采用Bootstrap方法随机放回地抽样选出样本构成决策树；决策树组成随机森林，随机森林模型获得预测结果；增加实测数据，替换历史模拟训练集中时间较早的数据，实现训练集动态化，并进行动态叠加输出最终结果。本发明提供的基于动态训练集的低碳园区建筑负荷预测方法相比支持向量机模型具有较好泛用性和预测精度，使用动态训练集预测技术，在建筑模拟冷负荷数据集的基础上进行动态训练处理，可以有效的提高随机森林模型低碳园区建筑冷负荷预测的精度。在没有数据支撑的情况下，可揭示低碳园区建筑冷负荷特征。
Description
技术领域
本发明涉及建筑负荷预测方法领域，具体为一种基于动态训练集的低碳园区建筑负荷预测方法。
背景技术
低碳智慧园区的能源与碳排放管理过程涉及大量计量设备和数据采集设备的接入，以及能耗计量设备与各类传感器对外的接口协议。通讯链路复杂，如何将园区内各建筑的能源及碳排放数据进行汇总并集中管理是低碳园区能源与碳排放管理平台建设的重点之一。
低碳智慧园区节能减排数据服务器需处理园区各单位海量能耗数据，为各单位、同行业企业的能耗同比和环比分析提供基础数据。需要保证管理平台历史归档服务器具有高效的存储压缩性能，以达到海量存储数据高分辨率、高精度存储并节省磁盘空间，保证数据库服务的长期稳定运行。
能耗分析过程涉及园区不同单位、不同能源介质。如水、电、气表的一次设备只提供实时能耗数据，涉及到按年、月、日分析能耗情况，需要能源管理平台将实时数据信息统计计算值存储到能源数据服务器中。碳计量、标准煤折算值等相关数据计算方式、统计方式、能源介质情况变化和园区企业变更等进行不断修正。这些特点要求低碳智慧园区综合管理平台具备强大的统计计算功能。
园区能耗及碳排放管理涉及的用户群非常大，在做综合分析时涉及数据的时间跨度可能是一个月、一年甚至几年，要求系统具有高性能的数据检索响应速度，为园区综合数据分析提供基础。通过园区能源与碳排放管控将能耗与碳排放计量体系应用于整个园区，完成园区内主要建筑能耗的在线监测以完善园区能耗管理基础数据体系。在完成园区企业能耗数据进行采集、上报、汇总、分析的基础上，依据节能法规及节能监测标准与办法，建立一套科学完善的能源利用监督评价，利用专家管理系统进行工业企业能耗数据分析和诊断，帮助园区内单位科学地利用能源，从而促进整个园区能耗监测和能效管理水平的提高，助力环境友好型、资源节约型园区建设，实现可持续发展。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。
鉴于上述存在的问题，提出了本发明。
因此，本发明解决的技术问题是：现有的园区预测无法满足低碳园区内的建筑在实现低碳指标的过程中，对负荷的精度要求较高；在建筑和园区形成的初始阶段以及发展阶段部分历史数据不足的情况下，预测精度较差的问题。
为解决上述技术问题，本发明提供如下技术方案：一种基于动态训练集的低碳园区建筑负荷预测方法，包括：
归一化历史模拟数据，初始化模型参数；
采用Bootstrap方法随机放回地抽样选出样本构成决策树；
决策树组成随机森林，随机森林模型获得预测结果；
增加实测数据，替换历史模拟训练集中时间较早的数据，实现训练集动态化，并进行动态叠加输出最终结果。
作为本发明所述的基于动态训练集的低碳园区建筑负荷预测方法的一种优选方案，其中：所述归一化历史模拟数据，初始化模型参数包括，对历史负荷及模型输入变量进行归一化处理，完成模型的预处理。
作为本发明所述的基于动态训练集的低碳园区建筑负荷预测方法的一种优选方案，其中：所述采用Bootstrap方法随机放回地抽样选出样本包括，通过Bootstrap重抽样，从每一个训练原始的训练样本集中都随机抽选出重复训练的训练样本，得到ntree次循环的ntree个训练集。
作为本发明所述的基于动态训练集的低碳园区建筑负荷预测方法的一种优选方案，其中：所述构成决策树包括，随机从单棵树地M个特征选取m个作为特征值进行节点分裂，寻优最优分裂能力的特征。
作为本发明所述的基于动态训练集的低碳园区建筑负荷预测方法的一种优选方案，其中：所述节点分裂包括，CART决策树算法利用二分递归分割方法，把每个原样本子集划分为至少有2个子集，每个非叶子节点上有两个节点。
作为本发明所述的基于动态训练集的低碳园区建筑负荷预测方法的一种优选方案，其中：所述节点分裂还包括，样本集节点分裂遵循Gini指数最小原则，表示为，
其中，k为节点的总种类样本数，pk为节点上第k种特征出现的概率；
原始样本集合D的Gini指数表示为，
其中，Ck为集合D中属于第k类的子集合，card为样本概率函数；
每个节点划分的Gini指数表示为，
其中，D1和D2为D的两个子集合。
作为本发明所述的基于动态训练集的低碳园区建筑负荷预测方法的一种优选方案，其中：所述决策树组成随机森林包括，随机森林由ntree个CART决策树构成，一组CART决策树构成h(x,θk),k＝1,2,…,n，表示为，
其中，X为最多包含j种类的输入向量；j为某一类；Y为准确的分类向量；I是指数函数；ak为均值函数，h(x,θk),k＝1,2,…,n为分类器，θk表示随机变量。
作为本发明所述的基于动态训练集的低碳园区建筑负荷预测方法的一种优选方案，其中：所述随机森林模型获得预测结果包括，随机森林模型的预测结果
取各棵树预测值取平均值；
使用前三天的实测数据再进行一次预测，得到预测结果
作为验证模拟对比核验。
作为本发明所述的基于动态训练集的低碳园区建筑负荷预测方法的一种优选方案，其中：所述实现训练集动态化包括，随建筑的运行使用，实测数据增加，将新得到的实测数据替换掉原有历史模拟训练集中时间较早的数据，实现训练集动态化。
作为本发明所述的基于动态训练集的低碳园区建筑负荷预测方法的一种优选方案，其中：所述动态叠加输出包括，重复抽样、构建决策树、分裂节点以及输出初步预测结果对随机森林模型的输出动态叠加，输出
为最终结果。
本发明的有益效果：本发明提供的基于动态训练集的低碳园区建筑负荷预测方法相比支持向量机模型具有较好泛用性和预测精度，使用动态训练集预测技术，在建筑模拟冷负荷数据集的基础上进行动态训练处理，可以有效的提高随机森林模型低碳园区建筑冷负荷预测的精度。在没有数据支撑的情况下，可揭示低碳园区建筑冷负荷特征。本发明在泛用性、预测精度和数据需求量都取得更加良好的效果。
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，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：
图1为本发明一个实施例提供的一种基于动态训练集的低碳园区建筑负荷预测方法的整体流程图；
图2为本发明第一个实施例提供的一种基于动态训练集的低碳园区建筑负荷预测方法的又一整体流程图；
图3为本发明第二个实施例提供的一种基于动态训练集的低碳园区建筑负荷预测方法的Bootstrap重抽样示意图；
图4为本发明第二个实施例提供的一种基于动态训练集的低碳园区建筑负荷预测方法的SVM与RFR的总体预测误差对比图；
图5为本发明第二个实施例提供的一种基于动态训练集的低碳园区建筑负荷预测方法的实测、三天前数据预测以及模拟预测对比图；
图6为本发明第二个实施例提供的一种基于动态训练集的低碳园区建筑负荷预测方法的8月16日、17日、20日、21日、22日、23日、24日、27日和28日的冷负荷预测与实测对比图。
图7为本发明第二个实施例提供的一种基于动态训练集的低碳园区建筑负荷预测方法的RMSE走势图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通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，都应当属于本发明的保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。
同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
实施例1
参照图1，为本发明的一个实施例，提供了一种基于动态训练集的低碳园区建筑负荷预测方法，包括：
S1：归一化历史模拟数据，初始化模型参数；
更进一步的，归一化历史模拟数据，初始化模型参数包括，对历史负荷及模型输入变量进行归一化处理，完成模型的预处理。
应说明的是，归一化处理的数据具体为时间、温度、湿度和太阳辐射等数据，在模型预处理阶段完成。
S2：采用Bootstrap方法随机放回地抽样选出样本构成决策树；
更进一步的，采用Bootstrap方法随机放回地抽样选出样本包括，通过Bootstrap重抽样，从每一个训练原始的训练样本集中都随机抽选出重复训练的训练样本，得到ntree次循环的ntree个训练集。
应说明的是，通过Bootstrap重抽样，从每一个训练原始的训练样本集中都随机抽选出重复训练的训练样本(d1,d2,…,dn)，得到ntree次循环的ntree个训练集；生成一个训练子集时，总会发现至少有相当小一部分样本可能仍未被抽取，其概率数学表达为，
其中，n为样本总量，当n很大时，将收敛于0.368，即样本足够多时则有36.8％样本不会抽取。
S3：决策树组成随机森林，随机森林模型获得预测结果；
更进一步的，构成决策树包括，随机从单棵树地M个特征选取m个作为特征值进行节点分裂，寻优最优分裂能力的特征。
应说明的是，节点分裂包括，CART决策树算法利用二分递归分割方法，把每个原样本子集划分为至少有2个子集，每个非叶子节点上有两个节点。
还应说明的是，不剪枝地将决策树都分裂至叶子节点，这样不会出现过拟合，为保障模型尽可能表现出建筑负荷特性，故不对模型进行简化，即不剪枝处理。
更进一步的，节点分裂还包括，样本集节点分裂遵循Gini指数最小原则，表示为，
其中，k为节点的总种类样本数，pk为节点上第k种特征出现的概率；
原始样本集合D的Gini指数表示为，
其中，Ck为集合D中属于第k类的子集合，card为样本概率函数；
每个节点划分的Gini指数表示为，
其中，D1和D2为D的两个子集合。
应说明的是，决策树组成随机森林包括，随机森林由ntree个CART决策树构成，一组CART决策树构成h(x,θk),k＝1,2,…,n，表示为，
其中，X为最多包含j种类的输入向量；j为某一类；Y为准确的分类向量；I是指数函数；ak为均值函数。
应说明的是，在随机算法模型方法中，随机算法森林模型可以更直接地被看作是包含每一个随机算法分类器的集合，集合通常可以由众多的随机算法决策树分类器所组成，分类器h(x,θk),k＝1,2,…,n组成，其中θk表示随机变量，该算法输入的变量x的所有随机分布类别特征及随机属性通过每个随机算法决策树集合下对应的每个随机分类器集合都可以对进行有效预测。
还应说明的是，随机森林的泛化误差表示为：
Pe＝PX,Y(K(X,Y)<0)
其中，PX,Y为X的分类误差函数；
随机森林的泛化误差最大值表示为，
其中，
为相关系数；s为平均强度。
还应说明的是，随机森林的Pe,max越小，随机森林的泛化性越好。随机森林的泛化误差最大值与平均相关系数呈正相关，与各单个决策树间的最大加权平均强度关系呈负相关，该规律对提高随机森林预测精度有重要指导意义。
还应说明的是，随机森林模型获得预测结果包括，随机森林模型的预测结果
取各棵树预测值取平均值；
使用前三天的实测数据再进行一次预测，得到预测结果
作为验证模拟对比核验。
S4：增加实测数据，替换历史模拟训练集中时间较早的数据，实现训练集动态化，并进行动态叠加输出最终结果；
更进一步的，实现训练集动态化包括，随建筑的运行使用，实测数据增加，将新得到的实测数据替换掉原有历史模拟训练集中时间较早的数据，实现训练集动态化。
应说明的是，动态训练集，即先用模拟训练集进行初始预测，随建筑的启动运行，负荷预测进程的逐渐推进，实际项目测试得到的真实负荷数据越来越多，用实测数据逐步替换掉原有训练集中的模拟数据的训练集的过程；动态训练集使得训练集更贴近实际项目运行情况，提高了后续预测的准确度。
还应说明的是，动态叠加输出包括，重复抽样、构建决策树、分裂节点以及输出初步预测结果对随机森林模型的输出动态叠加，输出
为最终结果。
实施例2
参照图4-7，为本发明的一个实施例，提供了一种基于动态训练集的低碳园区建筑负荷预测方法，为了验证本发明的有益效果，通过经济效益计算和仿真实验进行科学论证。
本发明选取某低碳园区进行应用验证，以园区内办公建筑冷负荷预测为例，开展一种模拟与实测数据相结合的建筑动态训练集冷负荷短期预测方法研究，对未来一天的逐时负荷进行预测。该建筑供冷面积为1210m2，满足65％的建筑节能标准，日供冷时间为8:00-17:00。
Transient System Simulation Program(TRNSYS)软件作为目前能源领域中功能最强大、计算最灵活的瞬时系统仿真软件，其功能上可以实现各种建筑负荷的实时高精度模拟。本文采用TRNSYS软件作为模拟计算平台，以上述建筑为对象，构建建筑模型，动态模拟其整个供冷季冷负荷，并将其作为初始数据库，开展建筑负荷初始预测。通过模拟该建筑设计工况下冷负荷为107.4kW，单位建筑面积冷负荷为88.8W/m2。
为验证随机森林算法在前文提及的建筑数据中的预测精度，现逐次加上天气因素，依次是温度、湿度和太阳辐射，对比分析随机森林与支持向量机(Support VectorMachine，以下简称SVM)的预测精度。本发明对预测数据进行全面严谨地分析。训练样本相对较小时，对两种算法的精度进行比较。
如图4所示，在训练样本为小样本时，随机森林(RFR)预测总体误差均值大约为2.65，支持向量机的总体预测误差均值大约为3.37，所以从数值分析上我们可以得出RFR预测结果比SVM精准，图中可以直观的看出来，RFR每月的误差曲线几乎都在SVM的下方。故在本发明的建筑负荷预测中，随机森林算法有着较好的表现，选择随机森林算法作为本文负荷预测模型的基础算法。
目前较为常用的低碳园区建筑短期负荷预测算法可以大致分为两种，第一种由于实际存储空间受限等因素，一般采用预测天前3天的数据作为训练集进行负荷预测；第二种完全基于模拟训练集展开负荷预测。通过算例，基于随机森林算法，对比分析基于模拟训练集和基于实测训练集冷负荷预测模型的预测准确性。
如图5所示，两次的模型预测结果精度并不是很好，但总体趋势符合实际值，模拟的训练集中包含了建筑冷负荷的分布规律。两次预测的均方根误差RMSE均较大，分别是13.31和17.46，预测精度需要进一步优化。综上，在对低碳园区内建筑(历史数据不足)进行负荷预测时，完全基于模拟训练集的精度一般，现有研究常用的基于前3天实测训练集的精度较差。故本发明考虑结合模拟训练集与实测训练集，提出了动态训练集的概念。
如图6所示，随机森林中的决策树数量取1000，分裂特征数取11。选取该建筑本年供冷季6月15日-8月15日的冷负荷模拟数据作为初始训练集，按照前文提到的动态训练集过程，逐天更新动态训练集并进行预测，预测了未来8月16日、17日、20日、21日、22日、23日、24日、27日和28日的冷负荷分布；
以上过程复现了建筑和园区形成的初始阶段以及发展阶段部分历史数据不足的情况下，从模拟得到的数据入手，在建筑启动运行后不断地更新调试模型的过程。随时间的推进，动态训练集中的实测数据越来越多，预测的结果越来越贴合实测数据，更加清晰地揭露了低碳园区建筑本身的特性和负荷变化规律。
如图7所示，第一次预测8月16日冷负荷的RMSE为11.59，最后一次预测8月28日冷负荷的RMSE为7.84，相比第一次降低了32.4％，相比前3日实测值作为训练集的对比算例降低了53.9％。可见，在低碳园区建筑模拟负荷数据集的基础上进行动态训练集处理，可以有效的提高随机森林模型办公建筑冷负荷预测的精度。另外，前几日的预测误差降低速度较快，16日到17日尤为明显，可见由于低碳园区实际建筑使用率和实际因素使得实际的冷负荷值与模拟情况下存在较大差异，这种差异会在使用真实测试数据替换训练集开始后得到有效缩小，并持续保持，但在后续预测过程中趋于平稳。
应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。
Claims (10)
1.一种基于动态训练集的低碳园区建筑负荷预测方法，其特征在于，包括：
归一化历史模拟数据，初始化模型参数；
采用Bootstrap方法随机放回地抽样选出样本构成决策树；
决策树组成随机森林，随机森林模型获得预测结果；
增加实测数据，替换历史模拟训练集中时间较早的数据，实现训练集动态化，并进行动态叠加输出最终结果。
2.如权利要求1所述的基于动态训练集的低碳园区建筑负荷预测方法，其特征在于：所述归一化历史模拟数据，初始化模型参数包括，对历史负荷及模型输入变量进行归一化处理，完成模型的预处理。
3.如权利要求1或2所述的基于动态训练集的低碳园区建筑负荷预测方法，其特征在于：所述采用Bootstrap方法随机放回地抽样选出样本包括，通过Bootstrap重抽样，从每一个训练原始的训练样本集中都随机抽选出重复训练的训练样本，得到ntree次循环的ntree个训练集。
4.如权利要求3所述的基于动态训练集的低碳园区建筑负荷预测方法，其特征在于：所述构成决策树包括，随机从单棵树地M个特征选取m个作为特征值进行节点分裂，寻优最优分裂能力的特征。
5.如权利要求4所述的基于动态训练集的低碳园区建筑负荷预测方法，其特征在于：所述节点分裂包括，CART决策树算法利用二分递归分割方法，把每个原样本子集划分为至少有2个子集，每个非叶子节点上有两个节点。
6.如权利要求5所述的基于动态训练集的低碳园区建筑负荷预测方法，其特征在于：所述节点分裂还包括，样本集节点分裂遵循Gini指数最小原则，表示为，
其中，k为节点的总种类样本数，pk为节点上第k种特征出现的概率；
原始样本集合D的Gini指数表示为，
其中，Ck为集合D中属于第k类的子集合，card为样本概率函数；
每个节点划分的Gini指数表示为，
其中，D1和D2为D的两个子集合。
7.如权利要求6所述的基于动态训练集的低碳园区建筑负荷预测方法，其特征在于：所述决策树组成随机森林包括，随机森林由ntree个CART决策树构成，一组CART决策树构成h(x,θk),k＝1,2,…,n，表示为，
其中，X为最多包含j种类的输入向量；j为某一类；Y为准确的分类向量；I是指数函数；ak为均值函数，h(x,θk),k＝1,2,…,n为分类器，θk表示随机变量。
8.如权利要求7所述的基于动态训练集的低碳园区建筑负荷预测方法，其特征在于：所述随机森林模型获得预测结果包括，随机森林模型的预测结果
取各棵树预测值取平均值；
使用前三天的实测数据再进行一次预测，得到预测结果
作为验证模拟对比核验。
9.如权利要求8所述的基于动态训练集的低碳园区建筑负荷预测方法，其特征在于：所述实现训练集动态化包括，随建筑的运行使用，实测数据增加，将新得到的实测数据替换掉原有历史模拟训练集中时间较早的数据，实现训练集动态化。
10.如权利要求9所述的基于动态训练集的低碳园区建筑负荷预测方法，其特征在于：所述动态叠加输出包括，重复抽样、构建决策树、分裂节点以及输出初步预测结果对随机森林模型的输出动态叠加，输出
为最终结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211552549.2A CN115809734A (zh) | 2022-12-05 | 2022-12-05 | 一种基于动态训练集的低碳园区建筑负荷预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211552549.2A CN115809734A (zh) | 2022-12-05 | 2022-12-05 | 一种基于动态训练集的低碳园区建筑负荷预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115809734A true CN115809734A (zh) | 2023-03-17 |
Family
ID=85484985
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211552549.2A Pending CN115809734A (zh) | 2022-12-05 | 2022-12-05 | 一种基于动态训练集的低碳园区建筑负荷预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115809734A (zh) |
-
2022
- 2022-12-05 CN CN202211552549.2A patent/CN115809734A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110503256B (zh) | 基于大数据技术的短期负荷预测方法及系统 | |
| CN112633316B (zh) | 一种基于边界估值理论的负荷预测方法和装置 | |
| 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 | |
| US20080255760A1 (en) | Forecasting system | |
| CN112381673B (zh) | 一种基于数字孪生的园区用电信息分析方法及装置 | |
| CN111900713A (zh) | 网源协调下考虑负荷和风电随机性多场景输电网规划方法 | |
| CN109344990A (zh) | 一种基于dfs和svm特征选择的短期负荷预测方法及系统 | |
| CN113112099A (zh) | 电网日电量预测模型训练方法和电网日电量预测方法 | |
| CN110807508B (zh) | 计及复杂气象影响的母线峰值负荷预测方法 | |
| CN115310355A (zh) | 考虑多能耦合的综合能源系统多元负荷预测方法及系统 | |
| CN115238854A (zh) | 一种基于tcn-lstm-am的短期负荷预测方法 | |
| CN113033089B (zh) | 用电量异常用户识别方法和装置 | |
| CN108694475B (zh) | 基于混合模型的短时间尺度光伏电池发电量预测方法 | |
| CN117390550A (zh) | 考虑排放训练集的低碳园区碳排放动态预测方法及系统 | |
| CN117134315A (zh) | 一种基于bert算法的配电变压器负荷预测方法及装置 | |
| CN114004408B (zh) | 一种基于数据分析的用户电力负荷预测方法 | |
| CN115809734A (zh) | 一种基于动态训练集的低碳园区建筑负荷预测方法 | |
| Yanhui et al. | Forecasting hourly electricity demand with nonparametric functional data analysis | |
| Nong | Construction and Simulation of Financial Risk Prediction Model Based on LSTM | |
| CN110807599A (zh) | 电化学储能方案的决策方法、装置、服务器和存储介质 | |
| Xu et al. | Short-term electricity load forecasting based on ensemble empirical mode decomposition and long short-term memory neural network | |
| CN117833243B (zh) | 一种电力短期需求预测方法、系统、设备及介质 | |
| CN114243695B (zh) | 一种基于双向长短时记忆神经网络的电力负荷预测方法 | |
| Liu et al. | Short-Term Load Prediction Based on Typical Daily Feature Selection and Time Convolutional Neural Network | |
| CN117593044B (zh) | 一种双角度的营销活动效果预测方法、介质及系统 |
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 |