一種基於並行預測策略的公共樓宇日前空調負荷預測方法與流程

2023-07-17 03:08:36 1

本發明涉及一種基於並行預測策略的公共樓宇日前空調負荷預測方法，屬於領域。

背景技術：

公共樓宇用電負荷在當前城市電網負荷中佔據重要地位，用電能耗佔全社會總用電能耗的20％-35％，而其中空調負荷佔公共樓宇總用電負荷的60％以上。為加強樓宇空調系統的運行能耗管理、降低能耗水平，首先需要對公共樓宇空調系統的用電負荷進行日前負荷預測。

國內外對短期、日前負荷預測的研究主要分為預測策略、預測方法、數據預處理方式及預測模型參數選取等層面。在預測策略的選取上，一般採用多步預測方式，每步預測得到的結果會代入到下一步預測的訓練數據中，造成預測結果中包含累積誤差，隨著時間推移，累積誤差量持續增大，影響預測精度。預測方法主要分為兩類：一類是統計學方法，通過對歷史數據的分析，歸納出負荷及相關因素之間關係的方程式，代表方法有多元線性回歸、時間序列模型等；另一類是人工智慧方法，通過模擬人類思維方式來映射負荷與其影響因素間的複雜非線性關係。支持向量機(SVM)作為機器學習方法，實現了結構風險最小化，具有較好的泛化性能和精度，在短期負荷預測中得到了廣泛應用。在數據預處理過程中，負荷聚類、數據挖掘是常用的方法，其基本思想是通過對日負荷特性的分析，將樣本數據分為若干子類，並分類建立預測模型。專家系統方法是根據專家的經驗來對負荷數據進行分類；回歸樹方法本質上是一種模糊推理方法，在一定程度上能起到聚類的作用；自組織特徵映射作為一種競爭性學習網絡，不依賴主觀經驗，通過競爭機制實現聚類。關於預測模型參數的確定，當前研究對SVM預測模型參數(正則化參數、核函數參數)的選取多採用經驗定參、實驗對比、大範圍搜尋或利用交叉驗證試湊等思路進行尋優。

技術實現要素：

發明目的：本發明提出一種基於並行預測策略的公共樓宇日前空調負荷預測方法，

技術方案：本發明採用的技術方案為一種基於並行預測策略的公共樓宇日前空調負荷預測方法，包括以下步驟：

1)採集公共樓宇空調負荷的時序數據、節假日數據、氣溫時序數據，所有數據經過篩選後對基礎數據進行歸一化處理，形成預測樣本和訓練樣本所組成的樣本空間；

2)採用PCA方法分別處理所述預測樣本空間和訓練樣本空間，降低樣本空間維度，得到代表數據特徵的新綜合指標；

3)用FCM算法對預測樣本數據進行聚類；

4)建立SVM預測模型並預測未來任一時刻的負荷。

優選地，所述步驟1)中公共樓宇空調負荷的時序數據是公共樓宇空調負荷的24點數據。

優選地，所述步驟1)中氣溫時序數據是24點氣溫數據。

優選地，所述步驟3)中首先以步驟2)處理過的預測樣本採用自適應FCM算法確定聚類類別和迭代收斂精度，並初始化聚類中心矩陣，以迭代法解出滿足精度要求的最優模糊聚類矩陣和最優聚類中心矩陣；

接著計算訓練樣本到各聚類中心的距離，並選取訓練樣本中距離最小的樣本子集作為預測模型的輸入。

優選地，所述步驟4)中針對預測模型的輸入採用SVM進行預測，並用適應度函數計算目標函數，然後採用粒子群算法對模型參數進行尋優得到SVM模型最優參數向量；將最優參數向量代入SVM模型得到決策回歸模型，並預測未來任一時刻的負荷。

有益效果：本發明通過PCA方法可尋求有效且與負荷預測密切相關的最少輸入變量，再結合模糊C均值聚類方法可快速找到合適規模的訓練樣本，提高計算效率和預測精度。在不同情況下，理想的SVM預測模型參數具有差異，採用PSO自適應優化SVM的模型參數可避免參數選擇的盲目性。公共樓宇空調負荷的變化具有明顯的時間特徵，通過並行預測策略將多步預測問題轉化為一步預測，可消除累積誤差對預測結果的影響，並可同時進行各時間點的預測，提高了預測速度和預測精度。

附圖說明

圖1為公共樓宇典型日空調負荷曲線圖；

圖2為並行預測策略示意圖；

圖3為基於PSO的SVM參數尋優流程圖；

圖4為基於PSO-SVM模型的公共樓宇空調日前負荷預測流程圖；

圖5為主成分的方差貢獻度柱狀圖；

圖6為PSO優化預測模型參數的適應度曲線圖；

圖7為預測值與實際值對比圖；

圖8為預測結果散點圖；

圖9為預測值與實際值的相對誤差圖。

具體實施方式

下面結合附圖和具體實施例，進一步闡明本發明，應理解這些實施例僅用於說明本發明而不用於限制本發明的範圍，在閱讀了本發明之後，本領域技術人員對本發明的各種等同形式的修改均落於本申請所附權利要求所限定的範圍。

根據實際調研數據，公共樓宇空調負荷所佔比例在各行業特徵中略有不同，其中酒店空調負荷佔比為46％，商場空調系統負荷佔24％，醫院空調負荷佔比為37％，辦公樓宇空調負荷佔比為48％。如圖1所示，為某商場樓宇空調的典型日負荷曲線。

該商場營業時間為8點，從日空調負荷曲線可以看到，空調大約5點開始運轉，商場開始做營業準備，約8點左右空調負荷到達第一個尖峰，此時室內溫度開始穩定下來，等到中午12點左右，隨著室外溫度的增加，空調負荷迎來第二次爬坡，大約下午1點達到全日頂峰，從1點到晚上10點，空調負荷隨著室外氣溫的降低緩慢減少，到商場22點關門時間後，空調負荷急劇下降，重新回歸關閉狀態。

針對上述問題，為更加準確預測公共樓宇日前的空調負荷曲線，本發明對公共樓宇空調日前24個時刻分別單獨進行負荷預測，構建如圖2所示的並行預測策略。對每個時刻的預測而言，在預測訓練階段，僅使用對應時刻的歷史負荷數據進行訓練。

通過建立空調日前負荷並行預測策略，既可並行對24個時刻進行預測，處理更大的數據集，減少預測時間，又在訓練階段只用對應時刻的數據參與訓練，減少模型的有效訓練時間，提高訓練效率。一方面由於並行策略中每個模型只進行一步預測，消除了累積誤差現象；另一方面，每個時刻的預測模型由對應時刻數據產生，既保留了時間序列對公共樓宇空調負荷的影響，又帶入了相關性最強的信息到對應模型中，建立的負荷預測模型更加簡單，可以提高泛化能力，降低過度擬合情況的發生概率。這些特性都有助於提高負荷的預測精度。

第一步首先採集公共樓宇空調負荷的24點數據、節假日數據、24點氣溫數據，篩選數據後對基礎數據進行歸一化處理，形成樣本空間。其中，預測樣本test_x為待預測日前七天的負荷數據，訓練樣本train_x取預測樣本之前一年以上的歷史數據，以保證模型的普適。train_x和test_x的數據結構包含待預測日前七天t時刻的負荷值、t時刻的氣溫、周屬性、節假日屬性。train_y為訓練過程中待預測日t時刻負荷值。

第二步採用PCA方法分別處理上述train_x、test_x的樣本空間，充分挖掘空調負荷的特徵，降低樣本空間維度，削減輸入變量個數，即分析得到可代表數據特徵的少數幾個新的綜合指標，一般來說選取累積方差貢獻度達到95％以上的前幾個變量。

主成份分析方法(PCA)是把多個變量轉換為少數幾個相互獨立的綜合變量的統計方法，計算步驟詳見文獻。其主要思想是基於歷史數據中的輸入變量，計算前k個綜合變量的累積貢獻度，當其大於某常數Q時，認為前k個變量能夠提取歷史數據的絕大部分特徵信息，且能夠最大程度反映和還原初始變量的信息。

第三步以部分處理過的test_x數據為樣本，採用自適應的FCM算法自適應的確定聚類類別和迭代收斂精度，並初始化聚類中心矩陣，以迭代法解出滿足精度要求的最優模糊聚類矩陣和最優聚類中心矩陣。

模糊C均值聚類(FCM)時間複雜性接近線性，適合對大規模數據進行挖掘分析。但常規FCM算法需要人為指定分類數，具有較強的主觀性和隨機性，為更好地對歷史數據進行聚類，可採用自適應聚類數c的模糊C均值聚類方法。

第四步計算train_x到各聚類中心的距離，並選取train_x中最小的距離其所對應的樣本子集作為預測模型的輸入train_x2,選取其對應的訓練樣本比對集形成train_y2。

在支持向量回歸機中，SVM模型在建模過程中要確定兩個參數：即正則化參數C和高斯核函數的覆蓋寬度σ。C是平衡因子，可以根據樣本數據的特性來決定模型的複雜度和對擬合偏差的懲罰程度。σ是核函數的參數，精確定義了高維特徵空間φ(x)的結構，因而控制了最終解的複雜性。SVM的性能在很大程度上受這兩個參數的影響，因此，有必要對這些參數進行優化以使泛化誤差最小，本發明採用粒子群算法對其進行優化。

由於粒子群優化SVM模型參數的目標是提高SVM的模型的回歸精度，因此其適應度函數應評價預測模型對訓練樣本擬合的偏移程度。令訓練樣本的均方根誤差為PSO的適應度函數fitness，則有：

其中，N代表樣本數量，k代表樣本編號，ek代表第k個樣本的誤差。

計算該適應度函數，其值越小，適應能力越強。基於PSO的SVM預測模型參數尋優流程如圖3所示。

第五步分別針對選取的初始數據(train_x2的一段數據)採用SVM進行預測，並用公式(1)根據每組預測結果與對應的實際值(train_y2中的相應數據)計算體現預測精度的目標函數，然後採用粒子群算法對模型參數進行尋優買得到SVM模型最優參數向量(c,g)。

第六步將最優參數向量(c,g)代入SVM模型，得到決策回歸模型，將train_x2、train_y2樣本數據帶入模型中進行訓練，然後將處理過的test_x代入訓練好的預測模型對公共樓宇空調預測日負荷數據進行預測。

上述步驟整體如圖4所示。接下來給出一個算例。

在保證不過擬合前提下，SVM採用的數據量越大預測精度越高，故本發明以蘇州石路國際商場2014年1-12月、2015年1-8月的24小時空調負荷數據及氣象數據為基礎，對其2015年8月17日的負荷曲線進行預測。在樣本訓練和預測過程中，每個時刻的預測輸入有10項：1-7項為預測日前七天對應時刻的負荷L(d-1,h)，L(d-2,h)，L(d-3,h)，L(d-4,h)，L(d-5,h)，L(d-6,h)，L(d-7,h)；第8項為預測日該時刻的氣溫T；第9項為預測日的周屬性W＝(1,2,...,7)；第10項為預測日的節日屬性F＝(1,0)，1表示節假日，0表示工作日。以下是時刻1的預測過程分析。

基於上述歷史數據進行主成份分析得出4個主成分，其方差貢獻度柱狀圖如圖5所示。

表1PCA總方差解釋及累積方差貢獻度

根據圖5和表1的內容，前四個成分的PCA總方差貢獻度已經達到97.7042％，第五個成分總方差解釋已經不足1％，故選取前四個成分作為模糊C均值聚類和SVM預測的輸入數據。

表2模糊劃分隸屬矩陣

應用聚類數自適應的參數模糊C均值聚類算法對抽取主成份後的歷史數據進行聚類，結果最佳聚類數c＝6。其中模糊劃分隸屬矩陣U如表2所示，聚類中心矩陣V如表3所示。

表3聚類中心矩陣

計算預測日時刻1測試樣本數據到各聚類中心的歐式距離，結果最短歐式距離所對應是第三類，因此，取訓練樣本中所有的第三類對應的時刻1歷史數據作為時刻1預測模型的訓練樣本，送入到SVM負荷預測模型中。

然後採用粒子群算法對各個時刻負荷預測模型的參數進行優化，其中時刻1參數優化的適應度變化曲線如圖6所示，參數C＝0.70711，σ＝11.3137。為了對比分析，同時採用常規的交叉驗證試湊方法來確定參數，結果為C＝0.925，σ＝12.3065。

基於訓練好的24個時刻的預測模型進行並行預測，得出待預測日的負荷曲線，預測值與實際值對比曲線如圖7所示。

圖8列出了預測值與真實值的散點圖，從圖中可以看出，預測值與實際值基本呈線性關係，擬合程度較好，說明本發明所建立的方法預測結果可信度較高。

進一步對預測值偏移實際值的相對誤差進行計算，結果如圖9所示，誤差偏移較為穩定，相對誤差基本保持在9％的範圍內波動。