[发明专利]基于支持向量机的智能楼宇能耗预测方法

说明书

技术领域

本发明涉及能源管理技术，特别是涉及一种基于支持向量机的智能楼宇能耗预测 方法的技术。

背景技术

智能楼宇建筑能耗分析是楼宇节能领域的研究热点之一，是实现合理节能方案的 基础，是实现能源系统优化运行的前提条件。分析楼宇能耗的重要工作是根据楼宇建筑物 的自身特点，建立反映不同分项能耗变化的预测模型。准确的能耗预测模型，能提前预知和 掌握其能耗的情况，从而对建筑的用能提前做出规划，使得国家的能源政策得到更好的实 施。

目前能耗预测主要可以分为两大类，一类以时间序列为代表的传统方法，另一类 则是以神经网络为代表的新型人工智能方法。如果加入重大节日、突发事件、气候变化等影 响因子，传统能耗预测方法的精度会有较大的偏差，而神经网络预测方法不能彻底解决网 络结构设计的难题，并且训练时间较长。

发明内容

针对上述现有技术中存在的缺陷，本发明所要解决的技术问题是提供一种预测精 度高，且训练时间短的基于支持向量机的智能楼宇能耗预测方法。

为了解决上述技术问题，本发明所提供的一种基于支持向量机的智能楼宇能耗预 测方法，其特征在于，具体步骤如下：

1）分项采集现场的楼宇能耗数据，及室内外温度、湿度，并对缺失的楼宇能耗数据进行 填补，具体填补公式为：

其中，为y年日时刻所缺失的楼宇能耗数据，为y年d-1日时刻的楼宇能耗数据，为y年d-2日时刻的楼宇能耗数据，、为预先设定的数值权重；

2）采用归一化方法将楼宇能耗数据转换为无量纲化指标测评值，使得楼宇能耗数据中 的各指标值都处于同一个数量级别上；

3）根据归一化后的数据、预测日的气象数据及预测日的日属性，构建时序性结构的楼 宇能耗预测样本；

4）根据楼宇能耗预测样本，采用svmtrain函数创建SVR回归模型；

5）对SVR回归模型进行训练；

6）将SVR回归模型的返回值与楼宇能耗实际值进行对比，如果两者之间的差值大于预 先设定的误差范围，则返回步骤5，反之则转至步骤7；

7）利用SVR回归模型预测楼宇能耗，并将SVR回归模型的返回值作为楼宇能耗预测值。

本发明提供的基于支持向量机的智能楼宇能耗预测方法，通过楼宇分项计量获取 能耗数据，通过对历史数据异常点的修复，归一化处理，结合气候特性、室内外温度、节假日 等因子进行分析，根据能耗数据的特性，建立时序性结构的预测样本，实现回归型支持向量 机模型的创建和训练，最后利用创建的模型进行能耗预测，视预测精度对支持向量机模型 进行修正，具有预测精度高、训练时间短的特点，能更好的为楼宇供能设备的调度策略提供 依据，实现楼宇建筑最大程度的节能。

附图说明

图1是本发明实施例的基于支持向量机的智能楼宇能耗预测方法的流程图。

具体实施方式

以下结合附图说明对本发明的实施例作进一步详细描述，但本实施例并不用于限 制本发明，凡是采用本发明的相似结构及其相似变化，均应列入本发明的保护范围，本发明 中的顿号均表示和的关系，本发明中的英文字母区分大小写。

如图1所示，本发明实施例所提供的一种基于支持向量机的智能楼宇能耗预测方 法，其特征在于，具体步骤如下：

1）分项采集现场的楼宇能耗数据，及室内外温度、湿度，并对缺失的楼宇能耗数据进行 填补，具体填补公式为：

其中，为y年日时刻所缺失的楼宇能耗数据，为y年d-1日时刻的楼宇能耗数据，为y年d-2日时刻的楼宇能耗数据，、为预先设定的数值权重，a1的典型值为0.6，a2的典型值为0.4，a1、a2的值可以根据实际项目进行调整；

在数据的采集过程中会出现数据缺失或数据异常的情况，这些异常数据的存在造成了 大量的有用信息的丢失，使系统中蕴涵的确定性成分更加难于把握，甚至会使预测过程中 产生错乱，需要对采集的数据进行预处理，修复历史能耗序列中的缺失和异常数据；

根据采集的楼宇能耗数据、气象数据及预测日的日属性（周一到周日）对楼宇能耗特性 变化趋势的影响，得出楼宇能耗与环境因素的关系曲线，并根据关系曲线，分配这些影响因 素的权重，气象数据包括日最高温度、日最低温度、日平均温度、天气状况（晴、多云、阴、 雨）；