基于kpca與wlssvm的建筑能耗預(yù)測(cè)方法
【專利摘要】本發(fā)明涉及一種基于KPCA與WLSSVM的建筑能耗預(yù)測(cè)方法，該方法利用核主元分析(KPCA)消除樣本共線性，降低維數(shù)，進(jìn)而建立加權(quán)最小二乘支持向量（WLSSVM）模型，并結(jié)合粒子群(PSO)算法優(yōu)化模型參數(shù)，提高模型的學(xué)習(xí)性能和泛化能力。本發(fā)明可有效的應(yīng)用于建筑能耗預(yù)測(cè)，具有良好的預(yù)測(cè)精度和魯棒性能。
【專利說(shuō)明】基于KPCA與WLSSVM的建筑能耗預(yù)測(cè)方法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及一種基于KPCA與WLSSVM的建筑能耗預(yù)測(cè)方法。

【背景技術(shù)】
[0002] 建筑能耗在我國(guó)能源消耗中的比重日益增大，建筑節(jié)能已經(jīng)迫在眉睫。建筑能耗 的準(zhǔn)確預(yù)測(cè)不僅是實(shí)現(xiàn)建筑能耗分析和節(jié)能評(píng)估的前提條件，也是進(jìn)行建筑節(jié)能優(yōu)化設(shè)計(jì) 的重要依據(jù)之一。
[0003] 建筑能耗系統(tǒng)作為一個(gè)典型的具有多變量、強(qiáng)耦合和不確定特性的復(fù)雜動(dòng)態(tài)系 統(tǒng)，建立其精確的預(yù)測(cè)模型仍然面臨很大的困難。一方面，由于建筑室內(nèi)人員變動(dòng)或設(shè)備啟 停等情況的存在，使得用于建模的能耗數(shù)據(jù)樣本中不可避免包含異常值，這勢(shì)必影響模型 預(yù)測(cè)結(jié)果的可靠性。另一方面，由于建筑能耗和環(huán)境溫度、氣象條件、建筑圍護(hù)結(jié)構(gòu)以及建 筑節(jié)能參數(shù)等多種影響因素之間存在著復(fù)雜的非線性關(guān)系，而且各因素之間存在很強(qiáng)的相 關(guān)性，在建模過(guò)程中會(huì)降低建模精度，增加計(jì)算復(fù)雜度。


【發(fā)明內(nèi)容】

[0004] 本發(fā)明的目的在于提供一種基于KPCA與WLSSVM的建筑能耗預(yù)測(cè)方法，能夠有效 消除變量之前的相關(guān)性，降低輸入變量的維數(shù)，簡(jiǎn)化模型結(jié)構(gòu)，提高模型訓(xùn)練速度，具有較 高預(yù)測(cè)精度和泛化能力。
[0005] 為實(shí)現(xiàn)上述目的，本發(fā)明采用如下技術(shù)方案：一種基于KPCA與WLSSVM的建筑能耗 預(yù)測(cè)模型方法，其特征在于，包括以下步驟： 步驟Sl :通過(guò)DEST-C動(dòng)態(tài)計(jì)算采用正交試驗(yàn)方法，獲取建筑物全年能耗數(shù)據(jù)樣本集， 講所述建筑物全年能耗數(shù)據(jù)樣本集進(jìn)行歸一化處理后作為建筑能耗預(yù)測(cè)模型數(shù)據(jù)； 步驟S2 :通過(guò)核主元分析消除變量之間的相關(guān)性，并通過(guò)提取主成分降低樣本維數(shù)； 步驟S3 :采用粒子群優(yōu)化算法對(duì)所述建筑能耗預(yù)測(cè)模型的參數(shù)進(jìn)行優(yōu)化； 步驟S4 :求解可建立LSSVM的建筑能耗預(yù)測(cè)模型，再根據(jù)模型重新計(jì)算各個(gè)樣 本的擬合誤差☆,各個(gè)樣本的權(quán)值％以及各個(gè)建筑能耗樣本的權(quán)值Vi ,求解反建立 WLSSVM的建筑能耗預(yù)測(cè)模型； 步驟S5 :輸入新的建筑能耗樣本，得到模型輸出拓，將數(shù)據(jù)進(jìn)行反歸一化。
[0006] 在本發(fā)明一實(shí)施例中，所述步驟S2的具體方法如下： 將原空間ιΑ 映射到某個(gè)高維特征空間，并在所述高維特征空間實(shí)現(xiàn)PCA， 所述高維特征空間的協(xié)方差矩陣*為：

【權(quán)利要求】
1. 一種基于KPCA與WLSSVM的建筑能耗預(yù)測(cè)方法，其特征在于，包括以下步驟： 步驟Sl:通過(guò)DEST-C動(dòng)態(tài)計(jì)算采用正交試驗(yàn)方法，獲取建筑物全年能耗數(shù)據(jù)樣本集， 講所述建筑物全年能耗數(shù)據(jù)樣本集進(jìn)行歸一化處理后作為建筑能耗預(yù)測(cè)模型數(shù)據(jù)； 步驟S2 :通過(guò)核主元分析消除變量之間的相關(guān)性，并通過(guò)提取主成分降低樣本維數(shù)； 步驟S3 :采用粒子群優(yōu)化算法對(duì)所述建筑能耗預(yù)測(cè)模型的參數(shù)進(jìn)行優(yōu)化； 步驟S4 :求解β可建立LSSVM的建筑能耗預(yù)測(cè)模型，再根據(jù)模型重新計(jì)算各個(gè)樣 本的擬合誤差各個(gè)樣本的權(quán)值巧以及各個(gè)建筑能耗樣本的權(quán)值vI，求解建立WLSSVM的建筑能耗預(yù)測(cè)模型； 步驟S5 :輸入新的建筑能耗樣本，得到模型輸出名，將數(shù)據(jù)進(jìn)行反歸一化。
2. 根據(jù)權(quán)利要求1所述的基于KPCA與WLSSVM的建筑能耗預(yù)測(cè)方法，其特征在于：所 述步驟S2的具體方法如下： 將原空間映射到某個(gè)高維特征空間，并在所述高維特征空間實(shí)現(xiàn)PCA， 所述高維特征空間的協(xié)方差矩陣*為：
求所述協(xié)方差矩陣a的特征值Λ和特征向量_f，有：
所述特征向量《%可以表示為的線性組合：
以上三式兩邊左乘,整理得： (4) 式中，Ir=IA…JV,定義一個(gè)λ?χ況維的核函數(shù)矩陣K :
式（4)進(jìn)一步化簡(jiǎn)為：
式中，，提取樣本數(shù)據(jù)I映射后的第I非線性主元朽：
3. 根據(jù)權(quán)利要求1所述的基于KPCA與WLSSVM的建筑能耗預(yù)測(cè)方法，其特征在于：所 述步驟S3的具體方法如下： 定義LSSVM的核函數(shù)為高斯徑向基函數(shù)： 式中，C為核寬參數(shù)；
再采用粒子群優(yōu)化算法來(lái)優(yōu)化LSSVM的正則化參數(shù)C和核寬參數(shù)〃的值，優(yōu)化關(guān)鍵步 驟如下： 步驟S31 :建立待優(yōu)化目標(biāo)函數(shù)：
式中，ft為第if個(gè)樣本實(shí)際值，g為第i個(gè)樣本預(yù)測(cè)值，設(shè)定約束集和 cre(ir_，ff通）； 步驟S32 :初始化粒子種群，將參數(shù)(C1O)的值表示為粒子的位置； 步驟S33 :計(jì)算所述粒子的適應(yīng)度值，以更新所述粒子的位置和速度； 步驟S34:評(píng)價(jià)所述粒子種群是否滿足最優(yōu)解條件，如果滿足則輸出最優(yōu)參數(shù) ，否則返回步驟S33再次計(jì)算粒子適應(yīng)度。
4.根據(jù)權(quán)利要求1所述的基于KPCA與WLSSVM的建筑能耗預(yù)測(cè)方法，其特征在于：所 述步驟S4的具體方法如下： 通過(guò)WLSSVM將樣本誤差的二范數(shù)6定義為損失函數(shù)，并將不等式約束改為等式約 束，同時(shí)，依據(jù)樣本訓(xùn)練的重要性分別賦予其不同權(quán)重，設(shè)所述二范數(shù)€的權(quán)值為Vf ,則其 優(yōu)化問(wèn)題為：
式中，β是權(quán)系數(shù)向量，#G是輸入空間到高維空間的映射，C是懲罰因子，A是閾值； 引入Lagrange函數(shù)：
式中，巧（1_ 為L(zhǎng)agrange乘子，根據(jù)優(yōu)化條件，引入核函數(shù)：
則式（10)的優(yōu)化問(wèn)題變?yōu)橐韵戮€性方程組的求解問(wèn)題：
式中，U是IXN的單位行向量，I遍是NX1的單位列向量，V=--κΟι?1,---,Vi1》， 丨1_/ = 123---=網(wǎng)?=f，；由此可得回歸函數(shù)的形式：
【文檔編號(hào)】G06Q10/04GK104463381SQ201510000613
【公開(kāi)日】2015年3月25日 申請(qǐng)日期:2015年1月4日 優(yōu)先權(quán)日:2015年1月4日
【發(fā)明者】趙超, 王貴評(píng), 戴坤成 申請(qǐng)人:福州大學(xué)