[发明专利]基于Holt-Winters和极限学习机的建筑用能负荷预测方法及系统

权利要求书

1.基于Holt-Winters和极限学习机的建筑用能负荷预测方法，其特征在于，包括：

根据建筑物的实际运行参数构建建筑物仿真模型，获取建筑物的原始负荷数据集；

对原始负荷数据集进行分解得到线性负荷数据集和非线性负荷数据集；

对线性负荷数据集采用训练后的Holt-Winters模型预测得到线性负荷预测结果；

以非线性负荷数据集、原始负荷数据集和线性负荷预测结果作为训练后的极限学习机模型的输入，输出得到建筑物仿真模型的建筑负荷预测值；

以非线性负荷数据集、原始负荷数据集和线性负荷预测结果构建极限学习机非线性预测模型为：

其中，O^tr用于训练的历史数据集，R^tr用于训练的非线性数据集，用于训练的线性预测结果集，m+n为非线性预测模型训练集大小，S^tr非线性预测模型训练集，X^tr为非线性预测模型的输入，Y^tr非线性预测模型的输出，a为非线性预测模型输入特征的反馈步数，m为线性预测训练集大小。

2.如权利要求1所述的基于Holt-Winters和极限学习机的建筑用能负荷预测方法，其特征在于，对原始负荷数据采用滑动平均滤波器分解为平稳的线性负荷数据集和波动的非线性负荷数据集。

3.如权利要求2所述的基于Holt-Winters和极限学习机的建筑用能负荷预测方法，其特征在于，将原始负荷数据集采用时间序列表示，滑动平均滤波器通过对原始负荷数据集时间序列中的几个序列点进行平均，得到的每个平均序列点构成线性负荷数据集。

4.如权利要求3所述的基于Holt-Winters和极限学习机的建筑用能负荷预测方法，其特征在于，非线性负荷数据集由原始负荷数据集减去线性负荷数据集得到。

5.如权利要求1所述的基于Holt-Winters和极限学习机的建筑用能负荷预测方法，其特征在于，对所述Holt-Winters模型进行训练时，采用L-BFGS方法以预测结果的均方根误差最小为目标，求解Holt-Winters模型的最优参数。

6.如权利要求1所述的基于Holt-Winters和极限学习机的建筑用能负荷预测方法，其特征在于，所述极限学习机模型的训练采用由线性负荷数据集、原始负荷数据集和线性负荷预测结果构建的训练集进行训练。

7.如权利要求1所述的基于Holt-Winters和极限学习机的建筑用能负荷预测方法，其特征在于，建筑物的实际运行参数包括但不限于环境参数、室内人员分布，环境参数包括但不限于室外温度、室外湿度、室外风速、太阳辐射强度。

8.基于Holt-Winters和极限学习机的建筑用能负荷预测系统，其特征在于，包括：

数据采集模块，用于根据建筑物的实际运行参数构建建筑物仿真模型，获取建筑物的原始负荷数据集；

分解模块，用于对原始负荷数据集进行分解得到线性负荷数据集和非线性负荷数据集；

第一预测模块，用于对线性负荷数据集采用训练后的Holt-Winters模型预测得到线性负荷预测结果；

第二预测模块，用于以非线性负荷数据集、原始负荷数据集和线性负荷预测结果作为训练后的极限学习机模型的输入，输出得到建筑物仿真模型的建筑负荷预测值；

以非线性负荷数据集、原始负荷数据集和线性负荷预测结果构建极限学习机非线性预测模型为：

其中，O^tr用于训练的历史数据集，R^tr用于训练的非线性数据集，用于训练的线性预测结果集，m+n为非线性预测模型训练集大小，S^tr非线性预测模型训练集，X^tr为非线性预测模型的输入，Y^tr非线性预测模型的输出，a为非线性预测模型输入特征的反馈步数，m为线性预测训练集大小。