[发明专利]一种冷负荷预测的情景-聚类方法

说明书

技术领域

本发明涉及一种基于数据挖掘、聚类分析的预测方法，具体涉及一种冷负荷预测的情景-聚类方法。

背景技术

目前的冷负荷预测主要是使用有监督学习的预测方法，如人工神经网络、支持向量机等，这些方法都是基于统计回归的理论。在实际工程中，通常都是选用一种有监督学习的预测模型，如BP人工神经网络、RBF人工神经网络或者支持向量机，然后把所有收集到的冷负荷历史数据集输入到模型中，对模型进行训练，最后把待预测数据输入到模型中，即可进行冷负荷的预测。

基于单个有监督学习方法的冷负荷预测模型对于特定的冷负荷数据情况有较好的效果，但不是所有情况的都适用。例如，有些预测模型要求数据的平稳性较高，有些预测模型可以适用于波动性较大的数据。因此，基于单个有监督学习方法的冷负荷预测模型的实用性不高，推广能力不强，无法适应多种情况，这也导致了预测的准确度和精度不高，训练模型的时间过长等问题。

情景分析的思想是把冷负荷的相关条件分别设置若干情景，并列出相应的特点，通过分析不同情景的特点预测冷负荷。上海世博园区的冷负荷预测就是通过情景分析的方法实现的。但是现在使用的情景分析都是依据大量的历史数据收集，然后通过个人的经验得到情景划分结果，这将导致情景划分的不准确，不利于接下来的冷负荷预测。

综上所述,现有的有监督学习冷负荷预测模型存在如下问题：①预测准确度和精度不够高；②单个有监督学习冷负荷预测模型对数据有较高要求，模型对数据的不适应将造成预测误差的增大；③由于使用全部的历史数据对模型进行训练，因此模型训练和预测的时间会很长；④利用情景分析法能对冷负荷历史数据进行处理，但大部分是通过人为的经验而得到的情景划分，这将造成情景划分的不准确，因此有必要对现有的情景划分聚类进行进一步的改进，并使其与多种有监督学习冷负荷预测模型相结合。

发明内容

为了解决上述存在的问题与缺陷，本发明提供了一种能有效提高有监督学习预测模型准确度和精度，缩短训练与预测时间的基于情景-聚类的冷负荷预测的情景-聚类方法。本发明实现简单，可用于一个房间、楼层、单个建筑物甚至是城市区域，实用性高，泛化能力和推广能力强。

本发明通过以下技术方案实现：

本发明的冷负荷预测的情景-聚类方法，包括如下步骤：

1）生成情景聚类条件；

2）基于先验知识的情景粗聚类；

3）基于智能算法的自动情景细聚类；

4）根据细聚类结果生成情景分类器；

5）根据细聚类结果生成针对性的有监督学习预测模型；

6）利用分类器和针对性的预测模型进行冷负荷预测。

上述步骤1）所述的生成情景聚类条件为利用冷负荷历史数据集生成情景聚类条件。

上述情景聚类条件选取最高和最低温度、最高和最低湿度、节假日情况、使用情况共6个属性作为冷负荷的属性。

上述步骤2）所述的基于先验知识的情景粗聚类为使用常识、先验知识、资料进行情景粗聚类。

上述步骤3）所述的基于智能算法的自动情景细聚类为一个迭代寻优的过程，包括智能算法自动情景聚类，情景聚类有效性指标评估，通过对上述两步的迭代，最终确定最佳情景聚类数和聚类结果。

上述的智能算法自动情景聚类为使用智能算法，在粗聚类的基础上，自动地确定情景聚类数，把所有的冷负荷历史数据都进行聚类，确定相应的聚类结果。

上述情景聚类有效性指标评估为使用情景聚类相关的指标判断情景聚类数和聚类结果的有效性和最优性。

上述步骤4）所述的根据细聚类结果生成情景分类器为根据细聚类结果确定的聚类中心数和聚类情况，设计情景分类器。

上述步骤5）所述的根据细聚类结果生成针对性的有监督学习预测模型为根据细聚类结果确定的聚类情况，分析每一类的特性，并根据特征选取相应的有监督学习预测模型并训练。

上述步骤6）利用分类器和针对性的预测模型进行冷负荷预测的方法是：首先把待预测数据输入到情景分类器中，对数据进行情景分析，然后再把数据输入到情景对应的已训练好的有监督学习预测模型中，得出最后的冷负荷预测值。

与现有技术相比，本发明的优点和效果在于构造了情景聚类——有监督学习预测模型，利用情景聚类对冷负荷相关历史数据进行情景聚类处理，并根据各个情景的特点选择不同的有监督学习预测模型并训练，实现对有监督学习预测模型的优化并最终实现冷负荷的预测。本发明所提供的技术方案的积极效果是：