[发明专利]一种基于机器学习框架下LightGBM的建筑冷负荷预测方法

权利要求书

1.一种基于机器学习框架下LightGBM的建筑冷负荷预测方法，其特征在于，所述方法包括：

步骤1、选取给定时间段内的室外气象数据和室内环境数据，构建数据集；

步骤2、对所述数据集的数据进行预处理，具体包括数据清洗、相关性分析和标准化处理；

步骤3、将预处理后的数据集划分为训练集、验证集以及测试集；

步骤4、导入LightGBM模型并设置模型参数；

步骤5、将步骤2预处理后的训练集和验证集加载到Dataset对象中，训练LightGBM模型并设置训练参数；

步骤6、利用所训练好的模型，输入指定时间内的室外气象数据和室内环境数据，获得相应时间段内的建筑冷负荷预测值。

2.根据权利要求1所述基于机器学习框架下LightGBM的建筑冷负荷预测方法，其特征在于，在步骤2中，对数据进行预处理的过程具体为：

1)首先对数据进行清洗，具体通过探索性数据分析EDA来识别缺失值，然后对缺失值进行插值填充处理，实现数据清洗；

2)对数据进行相关性分析，具体是通过计算皮尔逊相关系数来进行相关性分析，将与输出数据的相关系数|r|≤0.1的输入数据删掉，以提高预测的精度；

3)然后进行数据标准化处理，具体是对数据使用min-max标准化，使标准化后的数据都位于0～1之间，进而将数据的量纲统一，消除数据之间量纲差异对预测结果产生的影响，min-max标准化的计算公式如下：

式中，x代表输入数据；x_min代表输入数据的最小值；x_max代表输入数据的最大值；y代表标准化后的数据。

3.根据权利要求1所述基于机器学习框架下LightGBM的建筑冷负荷预测方法，其特征在于，所述步骤3的过程具体为：

将m月份的数据设置为训练集和验证集，划分比例train_size＝0.9；

并将m+1月份的第一周的数据设置为测试集。

4.根据权利要求1所述基于机器学习框架下LightGBM的建筑冷负荷预测方法，其特征在于，在步骤4中，所导入的LightGBM模块通过设置以下模型参数来实现算法的控制与优化：

(1)learning_rate：学习率，具体设置为0.06；

(2)num_leaves：每棵树的叶子数量，具体设置为32；

(3)max_depth：最大学习深度，用于限制树模型的最大深度，控制过拟合现象，具体设置为3；

(4)boosting_type：模型提升算法，具体设置为gbdt；

(5)min_data：一片叶子中数据的最小数量，用来控制过拟合现象，具体设置为80；

(6)feature_fraction：选择特征占总特征数的比例，取值在0到1之间；该参数用于加快训练速度，并且控制过拟合现象，具体设置为0.95；

(7)bagging_fraction：选择数据占总数据量的比例，取值在0到1之间，具体设置为0.9。

5.根据权利要求1所述基于机器学习框架下LightGBM的建筑冷负荷预测方法，其特征在于，在步骤5中：

在训练LightGBM模型时，需要一个用于存储训练所需要参数的参数列表parameterlist和存储训练数据的数据集data set；

设置的训练参数包括：boosting算法的迭代次数num_boost_round＝200，启用提前停止early_stopping_rounds＝4000。

6.根据权利要求1所述基于机器学习框架下LightGBM的建筑冷负荷预测方法，其特征在于，

进一步根据步骤3划分的验证集对预测结果进行误差分析，具体采用如下的相对误差进行分析：

式中，e代表相对误差值，Y代表测试值，代表预测值。