基于GBDT的商场建筑空调冷负荷预测方法、存储介质及设备技术

本发明专利技术公开了一种基于GBDT的商场建筑空调冷负荷预测方法、存储介质及设备，收集冷负荷数据，进行归一化处理作为冷负荷能耗预测；建立基于梯度提升决策树算法确定负荷预测模型；将数据预处理后的数据输入预测模型中进行训练，选用网格搜索‑交叉验证方式，对GBDT模型性能影响最大的三个超参数进行优化；通过完成预测模型参数优化，建立最终的冷负荷预测模型，根据预测模型的参数和结构获得预测的冷负荷曲线；对预测模型的预测性能进行评价，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，完成商场建筑空调冷负荷预测。本发明专利技术具有较好的预测精度、通用性和适用性，特别适用于冷负荷周期性变化的大型公共建筑。

【技术实现步骤摘要】
基于GBDT的商场建筑空调冷负荷预测方法、存储介质及设备
本专利技术属于商场建筑空调冷负荷预测
，具体涉及一种基于梯度提升决策树(GBDT)的商场建筑空调冷负荷预测方法、存储介质及设备。
技术介绍
建筑能耗在我国能源消耗中所占比例越来越高，从20世纪70年代末的10％上升到目前的28％，正在成为我国城镇生产生活的主要消耗源。我国各类型的大型公共建筑每年的能耗总量是国外发达国家同类建筑的2倍左右。因此，如何在保证人们建筑使用需求的同时，控制建筑用能的增长，实现新建建筑的节能设计，具有非常重要的意义。准确的负荷预测，有助于合理安排各种机电设备机组的起停，能够有效地降低成本，节约能耗，提高经济效益和社会效益。目前冷负荷预测方法中人工神经网络模型、支持向量机模型以及混合模型应用广泛。商场建筑因其运行特点，冷负荷分布不均匀，节假日冷负荷需求明显高于工作日冷负荷需求，冷负荷在不同日期变化幅度大，传统的单一预测模型难以适应这种变化，组合预测模型复杂度高，实际应用受限。
技术实现思路
本专利技术所要解决的技术问题在于针对上述现有技术中的不足，提供一种基于梯度提升决策树(GBDT)的商场建筑空调冷负荷预测方法、存储介质及设备，克服了SVR模型对于工作日、节假日冷负荷分布区分度低的缺点，有效解决深度神经网络需要大量数据训练的不足。本专利技术采用以下技术方案：一种基于GBDT的商场建筑空调冷负荷预测方法，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。具体的，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(Xi)与冷负荷(Yi)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。进一步的，步骤S102中，第i个时刻的样本数据(Xi,Yi)间的皮尔逊相关系数r计算如下：其中，Xi和Yi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。具体的，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)。具体的，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，Cmj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Qmj区域，则I()为1，相反，如果x不属于Qmj区域，则I()为0，Qmj为对应叶子节点的区域。具体的，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。进一步的，超参数取值组合为N＝400，ε＝0.1，C＝7。具体的，步骤S5中，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具体为：其中，yi和分别为第i个时刻的实际负荷值和负荷预测值；为空调冷负荷真实值的平均值，n为所有测试集的样本个数。本专利技术的另一技术方案是，一种存储一个或多个程序的计算机可读存储介质，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行根据所述的方法中的任一方法。本专利技术的另一技术方案是，一种计算设备，包括：一个或多个处理器、存储器及一个或多个程序，其中一个或多个程序存储在所述存储器中并被配置为所述一个或多个处理器执行，所述一个或多个程序包括用于执行所述的方法中的任一方法的指令。与现有技术相比，本专利技术至少具有以下有益效果：本专利技术提供了一种基于GBDT的商场建筑空调冷负荷预测方法，针对商场建筑冷负荷分布不均匀，冷负荷在不同日期变化幅度大，传统的单一预测模型难以适应这种变化，组合预测模型复杂度高，实际应用受限这一问题，提出了基于GBDT的商场建筑空调冷负荷预测方法。利用集成学习技术的优点，灵活处理各种类型的数据，包括连续值和离散值，在相对少的调参时间情况下，预测的准备率也可以比较高。采用GBDT模型克服了SVR模型对于工作日、节假日冷负荷分布区分度低的缺点，也有效解决了深度神经网络需要大量数据训练的不足。进一步的，对所选取的数据进行缺失和异常数据的弥补处理，可以有效解决数据可靠性的问题，为避免输入层参数数量级不同所带来的预测误差，对输入数据进行归一化处理，可以有效解决由于数据误差所带来的网络模型的预测误差。进一步的，通过步骤S102对影响模型性能的特征(Xi)与冷负荷(Yi)进行Pearson相关性分析，筛选冷负荷预测模型输入特征可以在保证特征信息完整的情况下降低特征维度，避免特征维度过低导致的特征信息丢失以及预测模型输入特征维度过高产生的信息冗余，引入干扰。进一步的，采用梯度提升决策树算法构建冷负荷预测模型可以使模型的预测结果随着每个CART树的建立一步步逼近真实值，逐步提高模型的预测精度。进一步的，参数数量少，搜索维度低，且模型容易根据经验获得参数本文档来自技高网...

【技术保护点】
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：/nS1、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；/nS2、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；/nS3、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；/nS4、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；/nS5、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R

【技术特征摘要】
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(Xi)与冷负荷(Yi)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(Xi,Yi)间的皮尔逊相关系数r计算如下：



其中，Xi和Yi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...

【专利技术属性】
技术研发人员：于军琪，周昕玮，赵安军，周敏，张万虎，张娜，
申请(专利权)人：西安建筑科技大学，
类型：发明
国别省市：陕西;61