基于支持向量回归机的空调负荷预测

建筑冷热负荷是采暖空调系统运行的调节依据，通过对建筑历史数据的研究分析，并在此基础上建立负荷预测模型，可以提前确定建筑的制冷供热需求，制定采暖空调系统的运行策略[1]。国内外许多学者对暖通空调的负荷模拟及负荷预测方法进行了相关研究，这些研究方法分为三类[2]，即工程方法、统计回归分析法和人工智能方法。

工程方法主要基于目前国内外开发的能耗模拟和预测软件，如EnergyPlus，DeST以及DOE-2等，其模拟和预测结果的精度受气象参数的影响较大[3]。统计回归分析的方法包括参数回归法以及时间序列分析法，这两种方法中参数回归法通用性差，且容易受输入条件的波动影响导致其预测精度不高，时间序列分析法仅仅以负荷时间序列作为输入参数，引入的参数相对更少，通用性更强[4]，但无法充分利用建筑负荷的影响因素。基于人工智能的预测方法主要包括人工神经网络（ANN），支持向量回归机（SVR）以及组合预测等[5]。其中人工神经网络具有比较强大的非线性映射能力，预测精度相对更高，推广性更强，但是其对训练样本数量有较高的要求，存在过学习、维数灾难、局部极小点[6]等问题。支持向量回归机克服了传统的人工神经网络学习中靠经验和启发的先验成分、过学习以及小样本学习困难等缺点[7]。由于支持向量回归机优越的学习能力，现已有部分学者将其成功应用于建筑物空调冷负荷的预测。

在使用支持向量回归机进行负荷预测时，为了得到良好的预测精度，须选择合适的参数。-SVR是一种常用的支持向量回归机，-SVR模型参数包括不敏感损失系数，惩罚系数C和径向基核函数的宽度系数γ。其中，不敏感损失系数与样本噪声关系密切，过大可能会导致回归模型过于简单，学习精度低；过小，回归模型学习精度较高，但会导致模型过于复杂，推广能力较差。惩罚系数C影响着模型的复杂性和稳定性，C过小，训练误差变大；C过大，学习精度随之提高，但是模型推广能力降低。合适的C能在一定程度上抗干扰，以确保回归模型稳定性。宽度系数γ反映了支持向量间相互关联的程度。γ过小，支持向量间关联程度较松驰，学习机器相对复杂，难以保证推广能力；γ过大，支持向量间关联程度较强，回归模型难以达到足够的精度[8]。因此，选择合适的参数对提高模型的预测精度和泛化能力至关重要。已有国内外学者利用智能优化算法自动调整支持向量回归机模型中的惩罚系数C和核函数中的固有参数值、γ，常见的优化算法包括：遗传算法、粒子群算法以及网格搜索算法[9]。

综合上述研究内容，建立基于支持向量回归机的空调负荷预测模型，并在此基础上寻找合适的优化算法选取参数值，对于降低建筑物空调负荷预测模型的复杂性，提高泛化能力和预测精度具有十分重要的意义。

参考文献

[1]Zhao H X, Magoulès F. A review on theprediction of building energy consumption. Renew Sustain Energy Rev. 2012,16(6): 3586-3592

[2]王宽.次日负荷模拟及其在地埋管热泵热补偿系统中的应用研究[D].湖南大学,2017.

[3]李梦西.城区短时电力负荷组合式预测算法研究[D].同济大学,2017

[4]孙育英,王丹,王伟,高航,严海蓉.空调运行负荷预测方法的研究综述[J].建筑科学,2016,32(06):142-150.

[5]杨建成.建筑物空调负荷预测的支持向量回归机算法研究[D].华南理工大学,2013.

[6]周璇,杨建成.基于支持向量回归机的空调逐时负荷滚动预测算法[J].中南大学学报(自然科学版),2014,45(03):952-957.

[7]朱准.建筑空调负荷预测算法研究[D].北京建筑大学,2018.

[8]熊伟丽,徐保国.基于PSO的SVR参数优化选择方法研究[J].系统仿真学报,2006(09):2442-

2445.

[9]徐晓明. SVM参数寻优及其在分类中的应用[D].大连海事大学,2014.