一种冷负荷预测的情景-聚类方法技术

本发明专利技术涉及一种冷负荷预测的情景-聚类方法。包括如下步骤：1）生成情景聚类条件；2）基于先验知识的情景粗聚类；3）基于智能算法的自动情景细聚类；4）根据细聚类结果生成情景分类器；5）根据细聚类结果生成针对性的有监督学习预测模型；6）利用分类器和针对性的预测模型进行冷负荷预测。本发明专利技术利用情景聚类的方法对冷负荷相关历史数据进行处理，根据不同情景的特点优化选择有监督学习预测算法，并减少了算法的训练样本数，以此提高了预测的准确度和精度，且减少了预测模型的训练时间和预测时间，达到细粒度预测的目标。本发明专利技术的方法实现简单，实用性高，泛化能力和推广能力强。

【技术实现步骤摘要】
【专利摘要】本专利技术涉及。包括如下步骤：1）生成情景聚类条件；2）基于先验知识的情景粗聚类；3）基于智能算法的自动情景细聚类；4）根据细聚类结果生成情景分类器；5）根据细聚类结果生成针对性的有监督学习预测模型；6）利用分类器和针对性的预测模型进行冷负荷预测。本专利技术利用情景聚类的方法对冷负荷相关历史数据进行处理，根据不同情景的特点优化选择有监督学习预测算法，并减少了算法的训练样本数，以此提高了预测的准确度和精度，且减少了预测模型的训练时间和预测时间，达到细粒度预测的目标。本专利技术的方法实现简单，实用性高，泛化能力和推广能力强。【专利说明】
本专利技术涉及一种基于数据挖掘、聚类分析的预测方法，具体涉及。
技术介绍
目前的冷负荷预测主要是使用有监督学习的预测方法，如人工神经网络、支持向量机等，这些方法都是基于统计回归的理论。在实际工程中，通常都是选用一种有监督学习的预测模型，如BP人工神经网络、RBF人工神经网络或者支持向量机，然后把所有收集到的冷负荷历史数据集输入到模型中，对模型进行训练，最后把待预测数据输入到模型中，即可进行冷负荷的预测。基于单个有监督学习方法的冷负荷预测模型对于特定的冷负荷数据情况有较好的效果，但不是所有情况的都适用。例如，有些预测模型要求数据的平稳性较高，有些预测模型可以适用于波动性较大的数据。因此，基于单个有监督学习方法的冷负荷预测模型的实用性不高，推广能力不强，无法适应多种情况，这也导致了预测的准确度和精度不高，训练模型的时间过长等问题。情景分析的思想是把冷负荷的相关条件分别设置若干情景，并列出相应的特点，通过分析不同情景的特点预测冷负荷。上海世博园区的冷负荷预测就是通过情景分析的方法实现的。但是现在使用的情景分析都是依据大量的历史数据收集，然后通过个人的经验得到情景划分结果，这将导致情景划分的不准确，不利于接下来的冷负荷预测。综上所述，现有的有监督学习冷负荷预测模型存在如下问题:①预测准确度和精度不够高；②单个有监督学习冷负荷预测模型对数据有较高要求，模型对数据的不适应将造成预测误差的增大；③由于使用全部的历史数据对模型进行训练，因此模型训练和预测的时间会很长；④利用情景分析法能对冷负荷历史数据进行处理，但大部分是通过人为的经验而得到的情景划分，这将造成情景划分的不准确，因此有必要对现有的情景划分聚类进行进一步的改进，并使其与多种有监督学习冷负荷预测模型相结合。
技术实现思路
为了解决上述存在的问题与缺陷，本专利技术提供了一种能有效提高有监督学习预测模型准确度和精度，缩短训练与预测时间的基于情景-聚类的冷负荷预测的情景-聚类方法。本专利技术实现简单，可用于一个房间、楼层、单个建筑物甚至是城市区域，实用性高，泛化能力和推广能力强。本专利技术通过以下技术方案实现: 本专利技术的冷负荷预测的情景-聚类方法，包括如下步骤: D生成情景聚类条件； 2)基于先验知识的情景粗聚类； 3)基于智能算法的自动情景细聚类； 4)根据细聚类结果生成情景分类器； 5)根据细聚类结果生成针对性的有监督学习预测模型； 6)利用分类器和针对性的预测模型进行冷负荷预测。上述步骤I)所述的生成情景聚类条件为利用冷负荷历史数据集生成情景聚类条件。上述情景聚类条件选取最高和最低温度、最高和最低湿度、节假日情况、使用情况共6个属性作为冷负荷的属性。上述步骤2)所述的基于先验知识的情景粗聚类为使用常识、先验知识、资料进行情景粗聚类。上述步骤3)所述的基于智能算法的自动情景细聚类为一个迭代寻优的过程，包括智能算法自动情景聚类，情景聚类有效性指标评估，通过对上述两步的迭代，最终确定最佳情景聚类数和聚类结果。上述的智能算法自动情景聚类为使用智能算法，在粗聚类的基础上，自动地确定情景聚类数，把所有的冷负荷历史数据都进行聚类，确定相应的聚类结果。上述情景聚类有效性指标评估为使用情景聚类相关的指标判断情景聚类数和聚类结果的有效性和最优性。上述步骤4)所述的根据细聚类结果生成情景分类器为根据细聚类结果确定的聚类中心数和聚类情况，设计情景分类器。上述步骤5)所述的根据细聚类结果生成针对性的有监督学习预测模型为根据细聚类结果确定的聚类情况，分析每一类的特性，并根据特征选取相应的有监督学习预测模型并训练。上述步骤6)利用分类器和针对性的预测模型进行冷负荷预测的方法是:首先把待预测数据输入到情景分类器中，对数据进行情景分析，然后再把数据输入到情景对应的已训练好的有监督学习预测模型中，得出最后的冷负荷预测值。与现有技术相比，本专利技术的优点和效果在于构造了情景聚类——有监督学习预测模型，利用情景聚类对冷负荷相关历史数据进行情景聚类处理，并根据各个情景的特点选择不同的有监督学习预测模型并训练，实现对有监督学习预测模型的优化并最终实现冷负荷的预测。本专利技术所提供的技术方案的积极效果是: I)提高预测的准确性和精度:每种有监督学习预测模型都有自己的适应性，当它们预测自己适合的数据情况时，它们将会得到准确性较高的结果，但当预测自己不适合的数据情况时，它们的预测误差会很大，无法满足工程需求。根据情景聚类的结果，优化选择预测模型，优化选择训练数据，使预测模型用于自己适应的数据情况，提高了预测的准确性和精度。2)减少预测模型的训练和预测时间:对冷负荷历史数据使用情景聚类分析后，把历史数据聚类成了几类，用每一类对应的数据训练有监督学习预测模型，这样相对于以往的使用全部历史数据进行训练会减少训练时间，且能加快预测的速度。3)鲁棒性强:情景聚类不针对特定的时间、地点等条件，而且仅需根据冷负荷的历史数据，即可进行情景聚类，具有很强的适应性和鲁棒性，因此可广泛使用于某个房间、楼层、建筑物、区域等。本专利技术利用情景聚类的方法对冷负荷历史数据进行处理，提高了有监督学习预测模型的预测准确度和精度，减少了训练和预测的时间，实用性高，推广能力强。【专利附图】【附图说明】图1是本专利技术的流程图。图2是本专利技术基于智能算法自动情景细聚类的流程图。【具体实施方式】为了使本专利技术的目的、技术方案和优点更加清楚，下面将结合附图对本专利技术实施方式进一步的详细描述: 图1所示为本专利技术流程图，包括如下步骤: I)生成情景聚类条件。本专利技术利用冷负荷历史数据集生成情景聚类条件。从大量的冷负荷历史数据集中抽取其中能充分反映对应时间冷负荷的属性，且属性的个数不宜太多，由此生成情景聚类条件。本专利技术选取最高和最低温度、最高和最低湿度、节假日情况、使用情况共6个属性作为冷负荷的属性，即情景聚类条件。2)基于先验知识的情景粗聚类。利用季节、月份、节假日等的信息，还有一些经过长时间观察、经验等得到的信息，初步地进行聚类分析，进行情景粗聚类。3)基于智能算法的自动情景细聚类。在情景粗聚类的基础上，为情景进行一个细聚类，达到细粒度预测的目标。细聚类为一个迭代寻优的过程，包括智能算法自动情景聚类，情景聚类有效性指标评估，通过对上述两步的迭代，最终确定最佳情景聚类数和聚类结果。智能算法自动情景聚类是使用智能算法，在粗聚类的基础上，自动确定情景聚类数，把所有的冷负荷历史数据都进行聚类。情景聚类有效性指标评估为使用情景聚类相关的指标评价情景聚类数的最佳性，增加情景聚类结果的有效性。4)根据细聚类结果生成情景分类器。根据本文档来自技高网...

【技术保护点】
一种冷负荷预测的情景‑聚类方法，其特征在于包括如下步骤：1）生成情景聚类条件；2）基于先验知识的情景粗聚类；3）基于智能算法的自动情景细聚类；4）根据细聚类结果生成情景分类器；5）根据细聚类结果生成针对性的有监督学习预测模型；6）利用分类器和针对性的预测模型进行冷负荷预测。

【技术特征摘要】

【专利技术属性】
技术研发人员：文元美，陈彦宇，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：广东;44