关键词:
建筑能耗预测
支持向量回归
反向传播神经网络
遗传算法
摘要:
在公共建筑的日常运营中,能源使用过程缺乏科学有效的管控措施,导致能源消耗量过大、能源利用率低,造成成本增加和资源浪费。对城市公共建筑运行过程能源消耗量进行准确有效预测,可帮助城市管理系统实现高效优化及控制,达到节能降耗的目的。但在实际的公共建筑运行过程中,由于天气、人员流动等各类因素,建筑能耗存在随机性及不确定性。如何对建筑能耗进行准确预测,成为现阶段建筑运行能源管理的重要问题。本文利用遗传算法优化的支持向量回归、随机森林、反向传播神经网络、长短期记忆网络四种机器学习方法,基于加州劳伦斯伯克利实验室的能源使用数据集,对实验室未来一个月的能源消耗情况进行预测,对比分析四种机器学习方法对公共建筑能源消耗的短期预测能力。具体研究内容从以下方面展开:
(1)在数据处理与分析方面,首先,统一原始数据的采样频率,使用描述性统计分析、可视化等手段识别数据异常值,比如室外空气湿度、室外空气温度等。其次,利用线性插补和K近邻插补方法,对时间序列数据中的丢失数据进行插补,插补后的数据分布特征与插补前基本相同,符合数据实际。然后,分析建筑能耗数据与影响因素数据之间的相关关系,并重新划定数据步长使更符合实际能源管理需求。最后,通过能源数据和影响因素的滞后数据相关系数筛选变量,并对筛选后的数据进行归一化处理,使之符合预测模型的输入要求。
(2)在模型构建与训练中,首先讨论分析支持向量回归、随机森林、反向传播神经网络和长短期记忆网络模型的参数,包括模型中哪些参数可以进行调整优化、各参数的作用原理、各参数的特点、各参数的取值等对模型性能的影响。随后依据研究目的、研究数据的实际情况选择需要进行调整的参数并设定参数范围,使用遗传算法分别对四个预测模型进行参数优化,即进行模型训练。最后对组合模型的训练过程进行分析描述,并对未来一个月的能耗进行预测。
(3)在模型对比中,首先,使用模型的默认参数取值或常见取值构建基础模型,并与经过遗传算法优化得到的最优模型(即组合模型)进行对比。其次,进行组合模型与组合模型之间的对比。其中,模型的对比包括三个方面:模型的拟合性、泛化性和模型在训练数据与测试数据上的表现差异。
本研究通过分析建筑能耗预测领域的研究现状,使用统计方法对研究数据进行分析与处理,使用遗传算法优化预测模型。结果显示:基于遗传算法的反向传播神经网络能够很好地把握未来能耗变化趋势,对用电高峰期数据较为敏感,预测效果最好;遗传算法对支持向量回归、反向传播神经网络和长短期记忆网络的性能均有较大提升。