[发明专利]基于GBDT的商场建筑空调冷负荷预测方法、存储介质及设备

权利要求书

1.一种基于GBDT的商场建筑空调冷负荷预测方法，其特征在于，包括以下步骤：

S1、收集商场建筑空调的实时冷负荷数据，与商场建筑空调的历史冷负荷数据进行Pearson分析，筛选出Pearson相关系数在阈值内的特征作为冷负荷预测模型输入特征，对筛选的输入特征数据进行归一化处理，作为冷负荷能耗预测的输入；

S2、建立基于梯度提升决策树算法确定负荷预测模型H(x)，将步骤S1归一化处理后的数据输入负荷预测模型中进行训练，优化负荷预测模型的超参数；

S3、选用网格搜索-交叉验证方式对步骤S2建立的负荷预测模型进行超参数优化；

S4、通过步骤S3完成负荷预测模型参数优化，建立最终的负荷预测模型，通过训练对冷负荷数据进行预测，根据负荷预测模型的参数和结构获得预测的冷负荷曲线；

S5、对步骤S4负荷预测模型的预测性能进行评价，采用变异系数的均方根误差CV-RMSE、平均绝对误差MAE和平方决定系数R²对结果进行评价，对比预测模型的预测值与实际值之间的差值，对GBDT网络模型采用预测误差进行评估，真实值与预测值之间的偏差构成预测误差，完成商场建筑空调的冷负荷预测。

2.根据权利要求1所述的基于GBDT的商场建筑空调冷负荷预测方法，其特征在于，步骤S1具体为：

S101、实时采集夏季使用冰蓄冷空调进行供冷的商场建筑实时冷负荷数据，包括室外干球温度、相对湿度、太阳辐射量、风速和逐时冷负荷数据；

S102、通过对影响模型性能的特征(X_i)与冷负荷(Y_i)进行Pearson相关性分析得到相关系数，通过相关系数显示特征与冷负荷之间的相关程度，当相关系数大于设定的阈值时，将特征提取为输入特征；

S103、在进行冷负荷预测模型训练、预测前，采用0均值归一化对输入特征进行归一化处理。

3.根据权利要求2所述的基于GBDT的商场建筑空调冷负荷预测方法，其特征在于，步骤S102中，第i个时刻的样本数据(X_i,Y_i)间的皮尔逊相关系数r计算如下：

其中，X_i和Y_i分别为第i个时刻的样本数据；和为样本的平均值，n为数据集的样本个数。

4.根据权利要求1所述的基于GBDT的商场建筑空调冷负荷预测方法，其特征在于，步骤S2具体为：

S201、采用梯度提升决策树算法表示的回归树作为基学习器；

S202、强学习器生成的第一步是初始化CART基学习器构建初始模型，确定使损失函数L最小化的常数值C；

S203、在完成m次迭代后，得到最终的负荷预测模型H(x)。

5.根据权利要求1所述的基于GBDT的商场建筑空调冷负荷预测方法，其特征在于，步骤S203中，负荷预测模型H(x)如下：

其中，h₀(x)为初始化CART基学习器构建的初始模型，M为表示特征空间划分的单元个数，J为回归树叶子节点的个数，C_mj为通过线性搜索的方式从中寻找使损失函数L达到最小值的预测值，I()为指示函数，如果x属于Q_mj区域，则I()为1，相反，如果x不属于Q_mj区域，则I()为0，Q_mj为对应叶子节点的区域。

6.根据权利要求1所述的基于GBDT的商场建筑空调冷负荷预测方法，其特征在于，步骤S3中，对GBDT模型性能影响最大的三个超参数：树的数量N、模型的学习率ε、模型的复杂度C进行优化，通过网格搜索确定设定条件下所有的超参数取值组合，再对每一个超参数组合的GBDT模型进行交叉校验，以R²作为交叉校验评价指标，选择预测性能最优的超参数组合及取值；将归一化处理后的包含时间、温度、湿度和太阳辐射、历史冷负荷的输入向量输入到GBDT网络模型中，进行负荷预测模型训练；对训练样本进行训练以调节负荷预测模型的模型参数N、ε、C，达到结束训练的搜索数后保存模型参数。