[发明专利]一种商用建筑能耗预测优化方法及系统

说明书

本发明公开了一种商用建筑能耗预测优化方法及系统，包括，按照重要程度对商用建筑能耗的影响因素进行预筛选，得到商用建筑能耗的主要影响指标；构建能耗样本集并划分为训练集和测试集；构建商用建筑能耗随机森林模型，并确定影响随机森林模型预测精度的参数；采用并行蚁群算法，利用训练集的数据对影响随机森林模型的参数进行优化，得到优化后的影响随机森林模型预测精度的参数，即得到优化后的商用建筑随机森林模型；将测试集的数据代入优化后的商用建筑随机森林模型，进行能耗预测，得到商用建筑能耗预测结果；本发明通过引入并行排序的思想改进蚁群算法，解决随机森林多参数优化过程中局部收敛的问题，提高了收敛的速度和最优解的质量。

技术领域

本发明属于建筑能耗预测技术领域，特别涉及一种商用建筑能耗预测优化方法及系统。

背景技术

近年来，随着城市化建设的快速发展，商用建筑能耗大幅升高，商用建筑节能研究已成为节能研究的重要方向；商用建筑能耗预测优化是其节能研究的重要环节，为商用建筑供配电系统优化运行效率提供有效数据决策；因此，研究建筑能耗机理和规律，建立准确、有效的预测模型便具有十分重要的现实意义。

目前，多数研究者采用数据驱动的方法，建立商用建筑能耗预测模型；其中，用机器学习算法预测商用建筑能耗是一种较为理想的方法，也是最常用的短期能耗预测方法；其在能源预测方面已经得到了广泛的延伸和拓展，比如：建筑能耗预测、建筑冷负荷预测及电力需求预测等能源领域。

常见的建筑能耗时间序列预测方法有：人工神经网络(ANN，artificial neuralnetwork)、支持向量回归(SVR，support vector regression)及多元线性回归(MLR，multiple linear regression)等；人工神经网络作为预测算法广泛应用于各个领域，其中，BP(Back Propagation)神经网络以其强大的非线性映射、自学习、泛化及容错能力得到的广泛应用；但是其也存在易陷入局部最小化和收敛速度较慢的问题。

有研究人员基于多元线性回归对商用建筑逐日冷负荷进行了回归预测，参考了天气、人员等多种特征数据，预测负荷与实际负荷相比平均绝对百分误差小于8％；也有研究人员利用多种人工神经网络和支持向量机(SVM，support vector machine)方法分别对商用建筑的逐时能耗进行分析，取得了显著的预测效果；决策树法是一种使用树状图将数据分为组的技术，易于理解，有研究人员使用历史时刻建筑采暖、空调和通风能耗作为机器学习预测模型的变量输入，利用人工神经网络(ANN，artificial neural networks)和随机森林(RF，random forest)分别对建筑能耗进行预测，结果表明，人工神经网络的性能略优于随机森林。

由于随机森林模型的回归预测性能对于参数的选择比较敏感，而且算法多参数在优化过程中易存在收敛速度慢和陷入局部最优的问题，导致传统随机森林算法的预测结果不能很好地满足预测精度的要求，不能很好满足实际优化运营的需求。

发明内容

针对现有技术中存在的技术问题，本发明提供了一种商用建筑能耗预测优化方法及系统，以解决现有的随机森林算法对参数选择比较敏感，优化过程易存在收敛速度慢和陷入局部最优，导致建筑能耗预测速度慢，预测精度低的技术问题。

为达到上述目的，本发明采用的技术方案为：

本发明提供了一种商用建筑能耗预测优化方法，包括以下步骤：

获取商用建筑能耗的影响因素，按照重要程度对商用建筑能耗的影响因素进行预筛选，得到商用建筑能耗的主要影响指标；

根据商用建筑能耗的主要影响指标，构建能耗样本集，并将能耗样本集划分为训练集和测试集；

构建商用建筑能耗随机森林模型，并确定影响随机森林模型预测精度的参数；