基于支持向量机大型公共建筑能耗预测探究.docVIP

基于支持向量机大型公共建筑能耗预测探究 　　摘要：针对大型公共建筑能耗预测问题，本文分析了其能耗影响因素的关联度，在此基础上，提出了一种基于粒子群优化-支持向量机(Particle Swarm Optimization-Support Vector Machine,PSO-SVM）的能耗复合预测方法。该方法运用粒子群优化算法对支持向量机训练过程中的参数进行寻优，最终得到准确的、优化的能耗预测模型。通过实例验证，该方法能实现大型公共建筑能耗的准确预测，为其定额用能、能源的优化调度提供科学的理论依据。 关键词：大型公共建筑;能耗预测；支持向量机；粒子群优化 中图分类号：G267 文献标识码：A 文章编号： 引言 大型公共建筑一般是指单体建筑面积在2万平米以上、采用中央空调的办公、商业、旅游、科教文卫、通信以及交通枢纽等公共建筑，其已占城镇建筑面积的比例不到4%，但能耗却占到建筑能耗的22%以上，以高能耗著称。统计表明，我国大型公共建筑的节能潜力普遍在30%以上。大型公共建筑能耗偏高的原因之一是未进行有效的节能监管，加强对大型公共建筑节能监管，其中一个重要的环节就是研究其科学、准确的能耗预测模型，以使各级行业主管部门能提前预知和掌握其能耗情况，从而对其用能提前做出规划，使得国家的“分项计量，定额用能”政策落到实处[1]。 近年来，针对大型公共建筑的能耗预测模型，主要采用神经网络、支持向量机等方法进行研究，相对而言，BP神经网络的研究比较深入[2]，BP神经网络虽然因很多优点而备受关注，但BP神经网络通常采用梯度下降法求解，在处理小样本预测问题时易出现“过学习”、收敛速度慢、陷入局部极小等问题，很难达到预期的能耗预测精度。支持向量机(Support Vector Machine，SVM)是Vapnic等提出的基于统计学习理论的机器学习算法，该算法由于以风险最小化原理为基础，能很好地解决小样本、非线性、局部极小点等实际问题，因此本文采用支持向量机理论来解决能耗预测问题，但支持向量机在训练时，惩罚参数与核函数参数的选择对预测的准确率影响非常大，现有的网格寻优方法[3]在计算耗时和效果方面都不是很理想，粒子群优化算法(particle swarm optimization，PSO)是近年来发展的一种新的基于群体智能的优化算法，该算法通过个体之间的协作有哪些信誉好的足球投注网站空间中的最优解，其概念更简单、参数更少、更容易实现。因此本文采用粒子群对支持向量机的参数进行优化与选择，建立复合能耗预测模型，并通过实例验证了该模型的有效性和可行性。 2.能耗复合预测算法原理 图1所示为粒子群-支持向量机能耗复合预测模型的整体流程图[4]，首先选定建筑能耗及其影响因素数据做为训练集和测试集，对数据进行归一化处理，然后利用粒子群进行支持向量机参数寻优，并将其用于训练支持向量机网络，训练好的能耗模型就可以对能耗进行预测[5]。 图1 基于PSO-SVM的能耗预测模型整体流程图 3.PSO-SVM能耗预测模型应用实例与结果分析 本文以西安市某大型办公建筑能耗为例，选取对建筑能耗可能有较大影响的因素分别为：月平均最高气温、月平均最低气温、月平均相对湿度、降水量以及节假日情况。因此，本文选定的数据为西安某大型办公建筑的2005年至2008年的月用电量及西安市的气象信息[6]。 为了验证该方法预测能耗的准确性和有效性，同时验证基于粒子群优化的支持向量机的快速预测能力，分别用支持向量机算法与粒子群-支持向量机复合算法进行能耗预测。预测模型建立过程如下：首先选定训练集和测试集，选定西安某办公建筑大楼的2005年至2008年48组月用电量与影响因素数据中，其中前3年，36组数据做为训练集，最后1年的12组数据做为测试集，进行数据预处理；第二、确定RBF核函数；第三、采用交叉验证（Cross Validation，CV）的思想，分别采用两种方法来进行参数寻优，方法1是采用惩罚参数c和核函数参数g在[，]的范围中有哪些信誉好的足球投注网站最优的参数，方法2是采用粒子群优化算法来寻找最佳参数，设定初始种群数量为20个，学习因子C1=1.5，C2 =1.7，惯性权值=0.8，最大进化代数200；最后采用林智仁老师的libsvm-2.89工具箱训练SVM，进行能耗预测及结果对比。 采用训练好的SVM模型与PSO-SVM模型对测试集进行测试，两种方法预测结果对比如图2所示。 图2测试集预测结果对比 由图2可知，PSO-SVM模型预测能耗的均方误差为0.012316，相关系数为0.98427，运行时间为13.535620s，达到预测精度与时间的要求，同时将SVM模型预测能耗的情况进行了对比，前者在预测均方误差、相关系数、运行时间优于后者。传统的支持向