基于小波变换的Prophet和Holt-Winters组合模型的热舒适度预测方法技术

本发明专利技术提供一种基于小波变换的Prophet和Holt

【技术实现步骤摘要】
基于小波变换的Prophet和Holt
‑
Winters组合模型的热舒适度预测方法


[0001]本专利技术提供一种基于小波变换的Prophet和Holt
‑
Winters组合模型的热舒适度预测方法，属于热舒适度预测


技术介绍

[0002]商业建筑内部是相对封闭且人员长时间停留的空间，其内部的空气环境将直接影响人员的舒适性，而温度既是评价空气环境状态的关键指标和分析人员舒适性的主要物理量，也是环境调控和能耗评估的重要依据，因此掌握并能预测建筑物内部的温度变化规律非常重要，目前针对提前预测建筑物内部环境温度的变化趋势缺乏理论依据，如果对其进行深入研究，将有利于通风空调系统的精细化控制和节能运行，促进城市建筑群的节能减排。

技术实现思路

[0003]本专利技术为了克服现有技术中存在的不足，所要解决的技术问题为：提供一种基于小波变换的Prophet和Holt
‑
Winters组合模型的热舒适度预测方法的改进。
[0004]为了解决上述技术问题，本专利技术采用的技术方案为：基于小波变换的Prophet和Holt
‑
Winters组合模型的热舒适度预测方法，包括如下预测步骤：
[0005]步骤S1：获取建筑物室内外的历史温度数据，并进行预处理；
[0006]步骤S2：使用预处理后的温度数据，采取改良后的DWT小波去噪剔除温度数据中可能存在的噪声，并进行离散小波分解；
[0007]步骤S3：将分解后的各层小波系数作为训练样本，训练Holt
‑
Winters模型；
[0008]步骤S4：使用预处理后的温度数据，训练改进后的Prophet模型；
[0009]步骤S5：将Holt
‑
Winters模型和改进后的Prophet模型进行组合，并计算两个模型在组合模型中的权重；
[0010]步骤S6：根据得到的权重，对Holt
‑
Winters模型和改进后的Prophet模型的输出进行加权平均得到最终预测曲线。
[0011]所述步骤S1中进行的预处理具体包括：剔除空值和异常值以及归一化处理；
[0012]所述归一化处理采用的计算公式为：
[0013][0014]式中：T
j
是建筑物某天第j点的温度，T
j.min
和T
j.max
分别是该建筑物当天第j点温度的最小值和最大值，是建筑物当天第j点的温度归一化后的值。
[0015]所述步骤S2的具体步骤为：
[0016]对离散值使用改良后的DWT小波变换进行分解得到对应的小波系数，采用的分解
公式为：
[0017][0018]然后根据小波系数构建新的离散值，采用的构建公式为：
[0019][0020]式中：WT
f
(j，k)是第j层的连续小波系数，k是位置索引，f(t)是原始数据，ψ
j，k
(t)是ψ
j，k
(t)的共轭函数，x(t)是重构数据，c是常数，A
n
是低频数据，D
n
是高频数据，其中低频数据表示近似信息，高频数据表示详细信息，l(ψ
ik
(t))是低通滤波器，h(ψ
ik
(t))是高通滤波器。
[0021]所述步骤S3的具体步骤为：
[0022]所述Holt
‑
Winters模型由三个指数平滑方程和一个预测方程组成，各计算方程表达为：
[0023]s
i
＝α(x
i
‑
p
i
‑1)+(1+α)(s
i
‑1+t
i
‑1)；
[0024]t
i
＝β(s
i
‑
s
i
‑1)+(1
‑
β)t
i
‑1；
[0025]p
i
＝γ(x
i
‑
s
i
)+(1
‑
γ)p
i
‑1；
[0026]x
i+h
＝s
i
+ht
i
+p
i
‑
k+h
；
[0027]式中：s
i
、t
i
、p
i
分别表示原数据的水平特征、趋势特征和季节特征在第i个时间点的大小，α、β、γ分别对应三个分量的阻尼因子，范围在0
‑
1之间，x
i
是数据在第i个时间点的实际值，h是观察点到预测点的步长大小，l为季节分量的周期。
[0028]所述步骤S4的具体步骤为：
[0029]所述改进后的Prophet模型将一个时间序列看成是趋势项、季节项、假日项和针对温度预测加入的天气项的组合，Prophet模型拟合上述四项信息，通过累加后得到时间序列的预测值，采用的计算公式为：
[0030]y(t)＝g(t)+s(t)+h(t)+w(t)+∈
t
；
[0031]式中：g(t)为趋势项，s(t)为季节项，h(t)为假日项，w(t)为天气项，∈
t
为误差项。
[0032]所述步骤S5的具体步骤为：
[0033]步骤S51：根据Holt
‑
Winters模型和改进后的Prophet模型的拟合效果，确定两个预测模型在组合模型中的权重ω
i
，采用的组合预测模型的计算公式为：
[0034][0035]式中：f
t
为t时刻组合预测模型的预测值，ω
t
为权重，f
it
为t时刻第i个预测模型的预测值；
[0036]步骤S52：根据最优化理论，将损失函数定义为预测误差误差平方和最小，计算公式表达为：
[0037][0038]并且满足条件：
[0039][0040]式中：E为误差平方和，e
t
为t时刻组合预测的误差，y
t
为观测值，f
t
为t时刻组合预测模型的预测值，ω
i
为权重；
[0041]步骤S53：将Holt
‑
Winters模型和Prophet模型的权重分别设置为ω1、ω2，预测值设置为Y1、Y2，设置两个模型最终的预测值为Y
C
，则预测值的计算公式表达为：
[0042]Y
c
＝ω1Y1+ω2Y2；
[0043]通过两个模型的预测误差得到两个模型误差的方差及协方差，分别设为σ
11
，σ
12
，σ
22
，最终计算得到两预测模型的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于小波变换的Prophet和Holt
‑
Winters组合模型的热舒适度预测方法，其特征在于：包括如下预测步骤：步骤S1：获取建筑物室内外的历史温度数据，并进行预处理；步骤S2：使用预处理后的温度数据，采取改良后的DWT小波去噪剔除温度数据中可能存在的噪声，并进行离散小波分解；步骤S3：将分解后的各层小波系数作为训练样本，训练Holt
‑
Winters模型；步骤S4：使用预处理后的温度数据，训练改进后的Prophet模型；步骤S5：将Holt
‑
Winters模型和改进后的Prophet模型进行组合，并计算两个模型在组合模型中的权重；步骤S6：根据得到的权重，对Holt
‑
Winters模型和改进后的Prophet模型的输出进行加权平均得到最终预测曲线。2.根据权利要求1所述的基于小波变换的Prophet和Holt
‑
Winters组合模型的热舒适度预测方法，其特征在于：所述步骤S1中进行的预处理具体包括：剔除空值和异常值以及归一化处理；所述归一化处理采用的计算公式为：式中：T
j
是建筑物某天第j点的温度，T
j，min
和T
j，max
分别是该建筑物当天第j点温度的最小值和最大值，是建筑物当天第j点的温度归一化后的值。3.根据权利要求2所述的基于小波变换的Prophet和Holt
‑
Winters组合模型的热舒适度预测方法，其特征在于：所述步骤S2的具体步骤为：对离散值使用改良后的DWT小波变换进行分解得到对应的小波系数，采用的分解公式为：然后根据小波系数构建新的离散值，采用的构建公式为：式中：WT
f
(j，k)是第j层的连续小波系数，k是位置索引，f(t)是原始数据，是ψ
j，k
(t)的共轭函数，x(t)是重构数据，c是常数，A
n
是低频数据，D
n
是高频数据，其中低频数据表示近似信息，高频数据表示详细信息，l(ψ
ik
(t))是低通滤波器，h(ψ
ij
(t))是高通滤波器。4.根据权利要求3所述的基于小波变换的Prophet和Holt
‑
Winters组合模型的热舒适度预测方法，其特征在于：所述步骤S3的具体步骤为：所述Holt
‑
Winters模型由三个指数平滑方程和一个预测方程组成，各计算方程表达为：s
i
＝α(x
i
‑
p
i
‑1)+(1+α)(s
i
‑1+t
i
‑1)；t
i
＝β(s
i
‑
s
i
‑1)+(1
‑
β)t
i
‑1；
p
i
＝γ(x
i
‑
s
i
)+(1
‑
γ)p
i
‑1；x
i+h
＝s
i
+ht
i
+p
i
‑
...

【专利技术属性】
技术研发人员：马千里，李志伟，杜航原，范政，
申请(专利权)人：山西大学，
类型：发明
国别省市：