[发明专利]一种基于GBDT的LightGBM模型的冷、热负荷预测方法

说明书

本发明提供一种基于GBDT的LightGBM模型的冷、热负荷预测方法，包括：步骤1：获取若干个建筑案例；步骤2：将所述建筑案例通过第一模型生成模型数据；所述模型数据包括：特征变量数据和冷、热负荷数据；步骤3：将模型数据进行预处理，拆分训练集和测试集，基于LightGBM模型对所述训练集进行训练建模，以训练生成冷、热负荷预测模型；步骤4：采用测试集的数据对所述冷、热负荷预测模型进行测试；步骤5：将测试通过的所述冷、热负荷预测模型保存；本发明的基于GBDT的LightGBM模型的冷、热负荷预测方法，基于boosting思想的LightGBM树模型来构建负荷预测回归模型，在拥有大量数据的训练集上训练后，可以精确地预测出不同建筑结构的冷热负荷。

技术领域

本发明涉及负荷预测技术领域，特别涉及一种基于GBDT的LightGBM模型的冷、热负荷预测方法。

背景技术

现阶段负荷预测的方法主要集中在对单体建筑或区域，通过既有数据的采集，处理，进行未来电力负荷、冷负荷和热负荷的预测。预测的时间跨度也可分为短期预测：几小时或者一天或者一周；中期预测：一个月到一个季度；长期预测：一年及以上。由于节能减排和规划区域和建筑冷热负荷，甚至是在建筑选型时作为参考。采用各种预测方法准确地预测出建筑或区域内冷负荷和热负荷是至关重要的，可以使设计建筑机电系统的人根据预测结果进行设备选型，甚至是更复杂的区域能源规划。目前,有很多主流的方法应用于冷负荷和热负荷的预测,像人工神经网络、支持向量机、高斯过程回归、自回归移动平均模型等。

但是这样的技术针对单体建筑或单片区域这样既定的问题时，不需要大量训练样本的问题时，可以取得比较好的结果。当我们想要从多个同类型建筑中，类似许多办公建筑、许多医院建筑等，找到相似的规律，推演到一个新的办公建筑或医院建筑中，以上的方法会显得略微有些无力。

同时，随着冷热负荷的预测对建筑能源系统的设计和布置起到越来越重要的作用，发掘一个可以预测不同建筑冷热负荷的负荷预测模型，有着十分重要的工程指导作用。建立这样的模型也需要更大规模的数据，和更复杂和深层次的机器学习算法，以及更严格的超参数调整方法。

发明内容

本发明目的之一在于提供一种基于GBDT的LightGBM模型的冷、热负荷预测方法，基于boosting思想的LightGBM树模型来构建负荷预测回归模型，在拥有大量数据的训练集上训练后，可以精确地预测出不同建筑结构的冷热负荷。

本发明实施例提供的一种基于GBDT的LightGBM模型的冷、热负荷预测方法，包括：

步骤1：获取若干个建筑案例；

步骤2：将建筑案例通过第一模型生成模型数据；模型数据包括：特征变量数据和冷、热负荷数据；

步骤3：将模型数据进行预处理，拆分训练集和测试集，基于LightGBM模型对训练集进行训练建模，以训练生成冷、热负荷预测模型；

步骤4：采用测试集的数据对冷、热负荷预测模型进行测试；

步骤5：将测试通过的冷、热负荷预测模型保存；

步骤6：获取待预测的建筑案例，通过第一模型生成待测模型数据；

步骤7：调用测试通过的冷、热负荷预测模型对待测模型数据进行预测，获取预测结果。

可选的，第一模型为energyplus模型。

可选的，步骤3：基于LightGBM模型对训练集进行训练建模，以训练生成冷、热负荷预测模型；包括：

基于LightGBM模型采用五折交叉验证方法对训练集进行训练建模，以训练生成冷、热负荷预测模型。

可选的，步骤4：采用测试集的数据对冷、热负荷预测模型进行测试；包括：