[发明专利]一种空调负荷在线学习方法

说明书

本发明公开了一种空调负荷在线学习方法，包括：步骤S1：将一时刻采集的空调气象参数和负荷参数定义为一组数据，实时采集若干组所述数据；步骤S2：对所述S1采集的每一组所述数据进行预处理；步骤S3：将每一组所述数据分别对应一特征向量；步骤S4：根据所述特征向量，得到每一组所述数据对应的若干组组合特征；步骤S5：获取预设的梯度提升树模型，采用一组所述数据对应的若干组所述组合特征对所述梯度提升树模型进行训练。本发明在空调负荷预测领域具有更快的训练速度、更低的内存消耗和更好的准确率，具有良好地泛化性能，以促进在数据分布不稳定的在线模式下更好地学习。

技术领域

本发明涉及空调负荷预测技术领域，具体涉及一种空调负荷在线学习方法。

背景技术

当前中国建筑面积规模位居世界第一，每年仅使用过程中的“运营碳排放”就达21亿吨，约占中国碳排放的20％。占据公共建筑物能耗60％的暖通空调或中央空调系统，已经成为影响我国碳中和目标实现的关键因素之一。通过对空调未来短期内的能耗进行预测，以调整系统的运行模式，可实现有效地降低空调能耗。

现有的一些利用机器学习训练模型来预测空调负荷的预测方法中存在训练速度慢和准确率低的问题，且现有技术中存在不能解决在线模式下数据不稳定的问题，不能更好的预测空调负荷。

发明内容

本发明的目的是为了提供一种空调负荷在线学习方法。旨在解决现有的预测方法中存在训练速度慢、准确率低、不能更好的预测空调负荷的问题。

为达到上述目的，本发明通过以下技术方案实现：

本发明提供了一种空调负荷在线学习方法，包括：

步骤S1：将一时刻采集的空调气象参数和负荷参数定义为一组数据，实时采集若干组所述数据；

步骤S2：对所述步骤S1采集的每一组所述数据进行预处理；

步骤S3：将每一组所述数据分别对应一特征向量；

步骤S4：根据所述特征向量，得到每一组所述数据对应的若干组组合特征；

步骤S5：以所述光梯度提升机框架(LightGBM框架)为梯度提升树模型，采用一组所述数据对应的若干组所述组合特征对所述梯度提升树模型进行训练，

所述采用一组所述数据对应的若干组所述组合特征对所述梯度提升树模型进行训练包括：

采用K折交叉验证以提高所述梯度提升树模型的稳定性；

采用粒子群优化算法对步骤S1中采集的所述数据的组数、交叉验证折数和所述梯度提升树模型的参数进行自寻优；

步骤S6：获取空调负荷历史数据，根据所述自寻优，选取使所述梯度提升树模型预测最精确的一组所述组合特征，并选取最精确的一组所述组合特征对应的所述梯度提升树模型的参数值，采用所述参数值与所述历史数据对所述梯度提升树模型进行训练，得到最佳梯度提升树模型，采用所述最佳梯度提升树模型对空调负荷进行预测。

优选的，所述步骤S1中，所述气象参数包括：室外空气干球温度和室外空气湿球温度，所述负荷参数包括：冷冻水流量、冷冻水供水温度和冷冻水回水温度中的一种或任一一组组合。

优选的，所述步骤S2中，对所述步骤S1采集的每一所述数据进行预处理包括：

步骤S21：对于所述数据中的缺失值与异常值，计算其上下邻近时间点的均值进行插值与替换；

步骤S22：根据时间戳定义规范每组所述数据中的时间戳。

优选的，所述特征向量为[最大负荷、最小负荷、负荷标准差、负荷平均值、第一时间戳、第二时间戳、温度、湿度]，

其中：第一时间戳表示在二十四小时制内以小时为度量的时间戳；