本發(fā)明涉及一種基于并行預(yù)測(cè)策略的公共樓宇日前空調(diào)負(fù)荷預(yù)測(cè)方法，屬于領(lǐng)域。

背景技術(shù)：

公共樓宇用電負(fù)荷在當(dāng)前城市電網(wǎng)負(fù)荷中占據(jù)重要地位，用電能耗占全社會(huì)總用電能耗的20％-35％，而其中空調(diào)負(fù)荷占公共樓宇總用電負(fù)荷的60％以上。為加強(qiáng)樓宇空調(diào)系統(tǒng)的運(yùn)行能耗管理、降低能耗水平，首先需要對(duì)公共樓宇空調(diào)系統(tǒng)的用電負(fù)荷進(jìn)行日前負(fù)荷預(yù)測(cè)。

國(guó)內(nèi)外對(duì)短期、日前負(fù)荷預(yù)測(cè)的研究主要分為預(yù)測(cè)策略、預(yù)測(cè)方法、數(shù)據(jù)預(yù)處理方式及預(yù)測(cè)模型參數(shù)選取等層面。在預(yù)測(cè)策略的選取上，一般采用多步預(yù)測(cè)方式，每步預(yù)測(cè)得到的結(jié)果會(huì)代入到下一步預(yù)測(cè)的訓(xùn)練數(shù)據(jù)中，造成預(yù)測(cè)結(jié)果中包含累積誤差，隨著時(shí)間推移，累積誤差量持續(xù)增大，影響預(yù)測(cè)精度。預(yù)測(cè)方法主要分為兩類：一類是統(tǒng)計(jì)學(xué)方法，通過對(duì)歷史數(shù)據(jù)的分析，歸納出負(fù)荷及相關(guān)因素之間關(guān)系的方程式，代表方法有多元線性回歸、時(shí)間序列模型等；另一類是人工智能方法，通過模擬人類思維方式來映射負(fù)荷與其影響因素間的復(fù)雜非線性關(guān)系。支持向量機(jī)(SVM)作為機(jī)器學(xué)習(xí)方法，實(shí)現(xiàn)了結(jié)構(gòu)風(fēng)險(xiǎn)最小化，具有較好的泛化性能和精度，在短期負(fù)荷預(yù)測(cè)中得到了廣泛應(yīng)用。在數(shù)據(jù)預(yù)處理過程中，負(fù)荷聚類、數(shù)據(jù)挖掘是常用的方法，其基本思想是通過對(duì)日負(fù)荷特性的分析，將樣本數(shù)據(jù)分為若干子類，并分類建立預(yù)測(cè)模型。專家系統(tǒng)方法是根據(jù)專家的經(jīng)驗(yàn)來對(duì)負(fù)荷數(shù)據(jù)進(jìn)行分類；回歸樹方法本質(zhì)上是一種模糊推理方法，在一定程度上能起到聚類的作用；自組織特征映射作為一種競(jìng)爭(zhēng)性學(xué)習(xí)網(wǎng)絡(luò)，不依賴主觀經(jīng)驗(yàn)，通過競(jìng)爭(zhēng)機(jī)制實(shí)現(xiàn)聚類。關(guān)于預(yù)測(cè)模型參數(shù)的確定，當(dāng)前研究對(duì)SVM預(yù)測(cè)模型參數(shù)(正則化參數(shù)、核函數(shù)參數(shù))的選取多采用經(jīng)驗(yàn)定參、實(shí)驗(yàn)對(duì)比、大范圍搜尋或利用交叉驗(yàn)證試湊等思路進(jìn)行尋優(yōu)。

技術(shù)實(shí)現(xiàn)要素：

發(fā)明目的：本發(fā)明提出一種基于并行預(yù)測(cè)策略的公共樓宇日前空調(diào)負(fù)荷預(yù)測(cè)方法，

技術(shù)方案：本發(fā)明采用的技術(shù)方案為一種基于并行預(yù)測(cè)策略的公共樓宇日前空調(diào)負(fù)荷預(yù)測(cè)方法，包括以下步驟：

1)采集公共樓宇空調(diào)負(fù)荷的時(shí)序數(shù)據(jù)、節(jié)假日數(shù)據(jù)、氣溫時(shí)序數(shù)據(jù)，所有數(shù)據(jù)經(jīng)過篩選后對(duì)基礎(chǔ)數(shù)據(jù)進(jìn)行歸一化處理，形成預(yù)測(cè)樣本和訓(xùn)練樣本所組成的樣本空間；

2)采用PCA方法分別處理所述預(yù)測(cè)樣本空間和訓(xùn)練樣本空間，降低樣本空間維度，得到代表數(shù)據(jù)特征的新綜合指標(biāo)；

3)用FCM算法對(duì)預(yù)測(cè)樣本數(shù)據(jù)進(jìn)行聚類；

4)建立SVM預(yù)測(cè)模型并預(yù)測(cè)未來任一時(shí)刻的負(fù)荷。

優(yōu)選地，所述步驟1)中公共樓宇空調(diào)負(fù)荷的時(shí)序數(shù)據(jù)是公共樓宇空調(diào)負(fù)荷的24點(diǎn)數(shù)據(jù)。

優(yōu)選地，所述步驟1)中氣溫時(shí)序數(shù)據(jù)是24點(diǎn)氣溫?cái)?shù)據(jù)。

優(yōu)選地，所述步驟3)中首先以步驟2)處理過的預(yù)測(cè)樣本采用自適應(yīng)FCM算法確定聚類類別和迭代收斂精度，并初始化聚類中心矩陣，以迭代法解出滿足精度要求的最優(yōu)模糊聚類矩陣和最優(yōu)聚類中心矩陣；

接著計(jì)算訓(xùn)練樣本到各聚類中心的距離，并選取訓(xùn)練樣本中距離最小的樣本子集作為預(yù)測(cè)模型的輸入。

優(yōu)選地，所述步驟4)中針對(duì)預(yù)測(cè)模型的輸入采用SVM進(jìn)行預(yù)測(cè)，并用適應(yīng)度函數(shù)計(jì)算目標(biāo)函數(shù)，然后采用粒子群算法對(duì)模型參數(shù)進(jìn)行尋優(yōu)得到SVM模型最優(yōu)參數(shù)向量；將最優(yōu)參數(shù)向量代入SVM模型得到?jīng)Q策回歸模型，并預(yù)測(cè)未來任一時(shí)刻的負(fù)荷。

有益效果：本發(fā)明通過PCA方法可尋求有效且與負(fù)荷預(yù)測(cè)密切相關(guān)的最少輸入變量，再結(jié)合模糊C均值聚類方法可快速找到合適規(guī)模的訓(xùn)練樣本，提高計(jì)算效率和預(yù)測(cè)精度。在不同情況下，理想的SVM預(yù)測(cè)模型參數(shù)具有差異，采用PSO自適應(yīng)優(yōu)化SVM的模型參數(shù)可避免參數(shù)選擇的盲目性。公共樓宇空調(diào)負(fù)荷的變化具有明顯的時(shí)間特征，通過并行預(yù)測(cè)策略將多步預(yù)測(cè)問題轉(zhuǎn)化為一步預(yù)測(cè)，可消除累積誤差對(duì)預(yù)測(cè)結(jié)果的影響，并可同時(shí)進(jìn)行各時(shí)間點(diǎn)的預(yù)測(cè)，提高了預(yù)測(cè)速度和預(yù)測(cè)精度。

附圖說明

圖1為公共樓宇典型日空調(diào)負(fù)荷曲線圖；

圖2為并行預(yù)測(cè)策略示意圖；

圖3為基于PSO的SVM參數(shù)尋優(yōu)流程圖；

圖4為基于PSO-SVM模型的公共樓宇空調(diào)日前負(fù)荷預(yù)測(cè)流程圖；

圖5為主成分的方差貢獻(xiàn)度柱狀圖；

圖6為PSO優(yōu)化預(yù)測(cè)模型參數(shù)的適應(yīng)度曲線圖；

圖7為預(yù)測(cè)值與實(shí)際值對(duì)比圖；

圖8為預(yù)測(cè)結(jié)果散點(diǎn)圖；

圖9為預(yù)測(cè)值與實(shí)際值的相對(duì)誤差圖。

具體實(shí)施方式

下面結(jié)合附圖和具體實(shí)施例，進(jìn)一步闡明本發(fā)明，應(yīng)理解這些實(shí)施例僅用于說明本發(fā)明而不用于限制本發(fā)明的范圍，在閱讀了本發(fā)明之后，本領(lǐng)域技術(shù)人員對(duì)本發(fā)明的各種等同形式的修改均落于本申請(qǐng)所附權(quán)利要求所限定的范圍。

根據(jù)實(shí)際調(diào)研數(shù)據(jù)，公共樓宇空調(diào)負(fù)荷所占比例在各行業(yè)特征中略有不同，其中酒店空調(diào)負(fù)荷占比為46％，商場(chǎng)空調(diào)系統(tǒng)負(fù)荷占24％，醫(yī)院空調(diào)負(fù)荷占比為37％，辦公樓宇空調(diào)負(fù)荷占比為48％。如圖1所示，為某商場(chǎng)樓宇空調(diào)的典型日負(fù)荷曲線。

該商場(chǎng)營(yíng)業(yè)時(shí)間為8點(diǎn)，從日空調(diào)負(fù)荷曲線可以看到，空調(diào)大約5點(diǎn)開始運(yùn)轉(zhuǎn)，商場(chǎng)開始做營(yíng)業(yè)準(zhǔn)備，約8點(diǎn)左右空調(diào)負(fù)荷到達(dá)第一個(gè)尖峰，此時(shí)室內(nèi)溫度開始穩(wěn)定下來，等到中午12點(diǎn)左右，隨著室外溫度的增加，空調(diào)負(fù)荷迎來第二次爬坡，大約下午1點(diǎn)達(dá)到全日頂峰，從1點(diǎn)到晚上10點(diǎn)，空調(diào)負(fù)荷隨著室外氣溫的降低緩慢減少，到商場(chǎng)22點(diǎn)關(guān)門時(shí)間后，空調(diào)負(fù)荷急劇下降，重新回歸關(guān)閉狀態(tài)。

針對(duì)上述問題，為更加準(zhǔn)確預(yù)測(cè)公共樓宇日前的空調(diào)負(fù)荷曲線，本發(fā)明對(duì)公共樓宇空調(diào)日前24個(gè)時(shí)刻分別單獨(dú)進(jìn)行負(fù)荷預(yù)測(cè)，構(gòu)建如圖2所示的并行預(yù)測(cè)策略。對(duì)每個(gè)時(shí)刻的預(yù)測(cè)而言，在預(yù)測(cè)訓(xùn)練階段，僅使用對(duì)應(yīng)時(shí)刻的歷史負(fù)荷數(shù)據(jù)進(jìn)行訓(xùn)練。

通過建立空調(diào)日前負(fù)荷并行預(yù)測(cè)策略，既可并行對(duì)24個(gè)時(shí)刻進(jìn)行預(yù)測(cè)，處理更大的數(shù)據(jù)集，減少預(yù)測(cè)時(shí)間，又在訓(xùn)練階段只用對(duì)應(yīng)時(shí)刻的數(shù)據(jù)參與訓(xùn)練，減少模型的有效訓(xùn)練時(shí)間，提高訓(xùn)練效率。一方面由于并行策略中每個(gè)模型只進(jìn)行一步預(yù)測(cè)，消除了累積誤差現(xiàn)象；另一方面，每個(gè)時(shí)刻的預(yù)測(cè)模型由對(duì)應(yīng)時(shí)刻數(shù)據(jù)產(chǎn)生，既保留了時(shí)間序列對(duì)公共樓宇空調(diào)負(fù)荷的影響，又帶入了相關(guān)性最強(qiáng)的信息到對(duì)應(yīng)模型中，建立的負(fù)荷預(yù)測(cè)模型更加簡(jiǎn)單，可以提高泛化能力，降低過度擬合情況的發(fā)生概率。這些特性都有助于提高負(fù)荷的預(yù)測(cè)精度。

第一步首先采集公共樓宇空調(diào)負(fù)荷的24點(diǎn)數(shù)據(jù)、節(jié)假日數(shù)據(jù)、24點(diǎn)氣溫?cái)?shù)據(jù)，篩選數(shù)據(jù)后對(duì)基礎(chǔ)數(shù)據(jù)進(jìn)行歸一化處理，形成樣本空間。其中，預(yù)測(cè)樣本test_x為待預(yù)測(cè)日前七天的負(fù)荷數(shù)據(jù)，訓(xùn)練樣本train_x取預(yù)測(cè)樣本之前一年以上的歷史數(shù)據(jù)，以保證模型的普適。train_x和test_x的數(shù)據(jù)結(jié)構(gòu)包含待預(yù)測(cè)日前七天t時(shí)刻的負(fù)荷值、t時(shí)刻的氣溫、周屬性、節(jié)假日屬性。train_y為訓(xùn)練過程中待預(yù)測(cè)日t時(shí)刻負(fù)荷值。

第二步采用PCA方法分別處理上述train_x、test_x的樣本空間，充分挖掘空調(diào)負(fù)荷的特征，降低樣本空間維度，削減輸入變量個(gè)數(shù)，即分析得到可代表數(shù)據(jù)特征的少數(shù)幾個(gè)新的綜合指標(biāo)，一般來說選取累積方差貢獻(xiàn)度達(dá)到95％以上的前幾個(gè)變量。

主成份分析方法(PCA)是把多個(gè)變量轉(zhuǎn)換為少數(shù)幾個(gè)相互獨(dú)立的綜合變量的統(tǒng)計(jì)方法，計(jì)算步驟詳見文獻(xiàn)。其主要思想是基于歷史數(shù)據(jù)中的輸入變量，計(jì)算前k個(gè)綜合變量的累積貢獻(xiàn)度，當(dāng)其大于某常數(shù)Q時(shí)，認(rèn)為前k個(gè)變量能夠提取歷史數(shù)據(jù)的絕大部分特征信息，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(shù)據(jù)為樣本，采用自適應(yīng)的FCM算法自適應(yīng)的確定聚類類別和迭代收斂精度，并初始化聚類中心矩陣，以迭代法解出滿足精度要求的最優(yōu)模糊聚類矩陣和最優(yōu)聚類中心矩陣。

模糊C均值聚類(FCM)時(shí)間復(fù)雜性接近線性，適合對(duì)大規(guī)模數(shù)據(jù)進(jìn)行挖掘分析。但常規(guī)FCM算法需要人為指定分類數(shù)，具有較強(qiáng)的主觀性和隨機(jī)性，為更好地對(duì)歷史數(shù)據(jù)進(jìn)行聚類，可采用自適應(yīng)聚類數(shù)c的模糊C均值聚類方法。

第四步計(jì)算train_x到各聚類中心的距離，并選取train_x中最小的距離其所對(duì)應(yīng)的樣本子集作為預(yù)測(cè)模型的輸入train_x2,選取其對(duì)應(yīng)的訓(xùn)練樣本比對(duì)集形成train_y2。

在支持向量回歸機(jī)中，SVM模型在建模過程中要確定兩個(gè)參數(shù)：即正則化參數(shù)C和高斯核函數(shù)的覆蓋寬度σ。C是平衡因子，可以根據(jù)樣本數(shù)據(jù)的特性來決定模型的復(fù)雜度和對(duì)擬合偏差的懲罰程度。σ是核函數(shù)的參數(shù)，精確定義了高維特征空間φ(x)的結(jié)構(gòu)，因而控制了最終解的復(fù)雜性。SVM的性能在很大程度上受這兩個(gè)參數(shù)的影響，因此，有必要對(duì)這些參數(shù)進(jìn)行優(yōu)化以使泛化誤差最小，本發(fā)明采用粒子群算法對(duì)其進(jìn)行優(yōu)化。

由于粒子群優(yōu)化SVM模型參數(shù)的目標(biāo)是提高SVM的模型的回歸精度，因此其適應(yīng)度函數(shù)應(yīng)評(píng)價(jià)預(yù)測(cè)模型對(duì)訓(xùn)練樣本擬合的偏移程度。令訓(xùn)練樣本的均方根誤差為PSO的適應(yīng)度函數(shù)fitness，則有：

其中，N代表樣本數(shù)量，k代表樣本編號(hào)，e_k代表第k個(gè)樣本的誤差。

計(jì)算該適應(yīng)度函數(shù)，其值越小，適應(yīng)能力越強(qiáng)?；赑SO的SVM預(yù)測(cè)模型參數(shù)尋優(yōu)流程如圖3所示。

第五步分別針對(duì)選取的初始數(shù)據(jù)(train_x2的一段數(shù)據(jù))采用SVM進(jìn)行預(yù)測(cè)，并用公式(1)根據(jù)每組預(yù)測(cè)結(jié)果與對(duì)應(yīng)的實(shí)際值(train_y2中的相應(yīng)數(shù)據(jù))計(jì)算體現(xiàn)預(yù)測(cè)精度的目標(biāo)函數(shù)，然后采用粒子群算法對(duì)模型參數(shù)進(jìn)行尋優(yōu)買得到SVM模型最優(yōu)參數(shù)向量(c,g)。

第六步將最優(yōu)參數(shù)向量(c,g)代入SVM模型，得到?jīng)Q策回歸模型，將train_x2、train_y2樣本數(shù)據(jù)帶入模型中進(jìn)行訓(xùn)練，然后將處理過的test_x代入訓(xùn)練好的預(yù)測(cè)模型對(duì)公共樓宇空調(diào)預(yù)測(cè)日負(fù)荷數(shù)據(jù)進(jìn)行預(yù)測(cè)。

上述步驟整體如圖4所示。接下來給出一個(gè)算例。

在保證不過擬合前提下，SVM采用的數(shù)據(jù)量越大預(yù)測(cè)精度越高，故本發(fā)明以蘇州石路國(guó)際商場(chǎng)2014年1-12月、2015年1-8月的24小時(shí)空調(diào)負(fù)荷數(shù)據(jù)及氣象數(shù)據(jù)為基礎(chǔ)，對(duì)其2015年8月17日的負(fù)荷曲線進(jìn)行預(yù)測(cè)。在樣本訓(xùn)練和預(yù)測(cè)過程中，每個(gè)時(shí)刻的預(yù)測(cè)輸入有10項(xiàng)：1-7項(xiàng)為預(yù)測(cè)日前七天對(duì)應(yīng)時(shí)刻的負(fù)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(xiàng)為預(yù)測(cè)日該時(shí)刻的氣溫T；第9項(xiàng)為預(yù)測(cè)日的周屬性W＝(1,2,...,7)；第10項(xiàng)為預(yù)測(cè)日的節(jié)日屬性F＝(1,0)，1表示節(jié)假日，0表示工作日。以下是時(shí)刻1的預(yù)測(cè)過程分析。

基于上述歷史數(shù)據(jù)進(jìn)行主成份分析得出4個(gè)主成分，其方差貢獻(xiàn)度柱狀圖如圖5所示。

表1PCA總方差解釋及累積方差貢獻(xiàn)度

根據(jù)圖5和表1的內(nèi)容，前四個(gè)成分的PCA總方差貢獻(xiàn)度已經(jīng)達(dá)到97.7042％，第五個(gè)成分總方差解釋已經(jīng)不足1％，故選取前四個(gè)成分作為模糊C均值聚類和SVM預(yù)測(cè)的輸入數(shù)據(jù)。

表2模糊劃分隸屬矩陣

應(yīng)用聚類數(shù)自適應(yīng)的參數(shù)模糊C均值聚類算法對(duì)抽取主成份后的歷史數(shù)據(jù)進(jìn)行聚類，結(jié)果最佳聚類數(shù)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(jì)算預(yù)測(cè)日時(shí)刻1測(cè)試樣本數(shù)據(jù)到各聚類中心的歐式距離，結(jié)果最短歐式距離所對(duì)應(yīng)是第三類，因此，取訓(xùn)練樣本中所有的第三類對(duì)應(yīng)的時(shí)刻1歷史數(shù)據(jù)作為時(shí)刻1預(yù)測(cè)模型的訓(xùn)練樣本，送入到SVM負(fù)荷預(yù)測(cè)模型中。

然后采用粒子群算法對(duì)各個(gè)時(shí)刻負(fù)荷預(yù)測(cè)模型的參數(shù)進(jìn)行優(yōu)化，其中時(shí)刻1參數(shù)優(yōu)化的適應(yīng)度變化曲線如圖6所示，參數(shù)C＝0.70711，σ＝11.3137。為了對(duì)比分析，同時(shí)采用常規(guī)的交叉驗(yàn)證試湊方法來確定參數(shù)，結(jié)果為C＝0.925，σ＝12.3065。

基于訓(xùn)練好的24個(gè)時(shí)刻的預(yù)測(cè)模型進(jìn)行并行預(yù)測(cè)，得出待預(yù)測(cè)日的負(fù)荷曲線，預(yù)測(cè)值與實(shí)際值對(duì)比曲線如圖7所示。

圖8列出了預(yù)測(cè)值與真實(shí)值的散點(diǎn)圖，從圖中可以看出，預(yù)測(cè)值與實(shí)際值基本呈線性關(guān)系，擬合程度較好，說明本發(fā)明所建立的方法預(yù)測(cè)結(jié)果可信度較高。

進(jìn)一步對(duì)預(yù)測(cè)值偏移實(shí)際值的相對(duì)誤差進(jìn)行計(jì)算，結(jié)果如圖9所示，誤差偏移較為穩(wěn)定，相對(duì)誤差基本保持在9％的范圍內(nèi)波動(dòng)。