[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

说明书

本发明公开了一种基于Holt‑Winters和极限学习机的建筑用能负荷预测方法及系统，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。基于负荷数据线性和非线性共存的特点，将建筑负荷数据分解为平稳的线性分量和波动的非线性分量；结合Holt‑Winters和极限学习机的算法优势，分别对线性分量和非线性分量进行处理，提高预测精度。

技术领域

本发明涉及环保和能源技术领域，特别是涉及一种基于Holt-Winters和极限学习机的建筑用能负荷预测方法及系统。

背景技术

本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

随着社会的发展，建筑能耗在国家整体能耗的比重越来越大，并且由于分布式供能技术的发展和新能源在供能系统中比重的增加，建筑作为一类复杂的小型能源系统逐渐成为了智能电网的一部分。建筑能耗管理、家庭能量管理和建筑智能化等技术可以有效地提高用能效率，而该类技术的稳定实施均需要依靠精准的建筑负荷预测。

根据模型构建机制可将建筑负荷预测方法划分为基于物理模型和基于数据驱动的两类预测方法。基于物理模型的预测方法一般是通过总结外部因素对建筑能耗的影响来构建，已被广泛应用于建筑能源仿真工具中(如TRANSYS，EnergyPlus等)；但是该类预测模型需要庞大而复杂的数据集，包括建筑物结构和特征、当地气候和社会活动信息等，而这些信息有时很难获得。此外这些模型无法处理用户复杂的用能行为，导致预测误差较大，因此这些模型通常不能准确地预测负荷。

统计学模型例如自回归模型、多元线性回归、Holt-Winters、ARIMA、卡尔曼滤波等，这类模型一般假设输入数据可以简化为线性函数，可以消耗较少的时间，利用较小的训练集来构建，因此统计学模型已经被广泛应用于建筑物能耗预测中；然而这些模型在处理数据的非线性方面十分困难，当用户用能行为发生突变时，会产生较大的预测误差。

随着计算机计算能力的提高，基于数据驱动的机器学习模型越来越多的被应用于预测之中，例如人工神经网络(ANN)、支持向量机(SVR)、极限学习机(ELM)、长短期记忆网络(LSTM)等；机器学习模型在预测非线性数据序列方面表现出卓越的能力，但是也需要大量的训练数据，有时很难从一些建筑中获取足够的数据，同时大量的训练数据也会导致训练时间过长。

再者，如中国发明专利CN107704875A《基于改进IHCMAC神经网络的建筑负荷预测方法和装置》，利用改进IHCMAC神经网络模型实现对建筑的负荷预测，通过粒子群-K均值聚类算法对输入变量聚类，从而获得模型节点值，以提高模型的收敛速度；中国发明专利CN104331737A《一种基于粒子群神经网络的办公建筑负荷预测方法》利用粒子群算法优化神经网络从而构建建筑负荷预测模型；中国发明专利CN103295075B《一种超短期电力负荷预测与预警方法》通过卡尔曼滤波对数据实时估计，采用小波对负荷进行分解，然后分别建立预测模型，实现大型企业负荷预测。上述都是通过单一统计学模型或机器学习模型实现建筑负荷预测，但建筑用能负荷时序往往兼具线性和非线性的特点，这使得单一模型往往无法达到有效的预测效果。

发明内容

为了解决上述问题，本发明提出了一种基于Holt-Winters和极限学习机的建筑用能负荷预测方法及系统，基于负荷数据线性和非线性共存的特点，将建筑负荷数据分解为平稳的线性分量和波动的非线性分量；结合Holt-Winters和极限学习机的算法优势，分别对线性分量和非线性分量进行处理，提高预测精度。

为了实现上述目的，本发明采用如下技术方案：

第一方面，本发明提供一种基于Holt-Winters和极限学习机的建筑用能负荷预测方法，包括：