[发明专利]基于KPCA与WLSSVM的建筑能耗预测方法

说明书

技术领域

本发明涉及一种基于KPCA与WLSSVM的建筑能耗预测方法。

背景技术

建筑能耗在我国能源消耗中的比重日益增大，建筑节能已经迫在眉睫。建筑能耗的准确预测不仅是实现建筑能耗分析和节能评估的前提条件，也是进行建筑节能优化设计的重要依据之一。

建筑能耗系统作为一个典型的具有多变量、强耦合和不确定特性的复杂动态系统，建立其精确的预测模型仍然面临很大的困难。一方面，由于建筑室内人员变动或设备启停等情况的存在，使得用于建模的能耗数据样本中不可避免包含异常值，这势必影响模型预测结果的可靠性。另一方面，由于建筑能耗和环境温度、气象条件、建筑围护结构以及建筑节能参数等多种影响因素之间存在着复杂的非线性关系，而且各因素之间存在很强的相关性，在建模过程中会降低建模精度，增加计算复杂度。

发明内容

本发明的目的在于提供一种基于KPCA与WLSSVM的建筑能耗预测方法，能够有效消除变量之前的相关性，降低输入变量的维数，简化模型结构，提高模型训练速度，具有较高预测精度和泛化能力。

为实现上述目的，本发明采用如下技术方案：一种基于KPCA与WLSSVM的建筑能耗预测模型方法，其特征在于，包括以下步骤：

步骤S1：通过DEST-C动态计算采用正交试验方法，获取建筑物全年能耗数据样本集，讲所述建筑物全年能耗数据样本集进行归一化处理后作为建筑能耗预测模型数据；

步骤S2：通过核主元分析消除变量之间的相关性，并通过提取主成分降低样本维数；

步骤S3：采用粒子群优化算法对所述建筑能耗预测模型的参数进行优化；

步骤S4：求解b、α可建立LSSVM的建筑能耗预测模型，再根据模型重新计算各个样本的拟合误差ξ_i，各个样本的权值v_i以及各个建筑能耗样本的权值v_i，求解b、α^*建立WLSSVM的建筑能耗预测模型；

步骤S5：输入新的建筑能耗样本，得到模型输出将数据进行反归一化。

在本发明一实施例中，所述步骤S2的具体方法如下：

将原空间x_i(i＝1,2,…,N)映射到某个高维特征空间，并在所述高维特征空间实现PCA，所述高维特征空间的协方差矩阵R为：

求所述协方差矩阵R的特征值λ_i和特征向量u_i，有：

Ru_i＝λ_iu_i (2)

所述特征向量u_i可以表示为φ(x)的线性组合：

以上三式两边左乘φ(x_k)，整理得：

式中，k＝1,2,…,N，定义一个N×N维的核函数矩阵K：

K_ij＝K(x_i,x_j)＝φ(x_i)^T·φ(x_j) (5)

式(4)进一步化简为：

Nλ_ia＝Ka (6)

式中，a＝(a₁,a₂,…,a_N)^T，提取样本数据x映射后的第t非线性主元p_t：

在本发明一实施例中，所述步骤S3的具体方法如下：

定义LSSVM的核函数为高斯径向基函数：

式中，σ为核宽参数；

再采用粒子群优化算法来优化LSSVM的正则化参数C和核宽参数σ的值，优化关键步骤如下：

步骤S31：建立待优化目标函数：

式中，y_i为第i个样本实际值，为第i个样本预测值，设定约束集C∈(C_min,C_max)和σ∈(σ_min,σ_max)；

步骤S32：初始化粒子种群，将参数(C,σ)的值表示为粒子的位置；

步骤S33：计算所述粒子的适应度值，以更新所述粒子的位置和速度；

步骤S34：评价所述粒子种群是否满足最优解条件，如果满足则输出最优参数(C_best,σ_best)，否则返回步骤S33再次计算粒子适应度。