[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

说明书

本发明公开了一种基于机器学习框架下LightGBM的建筑冷负荷预测方法，首先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；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；将预处理后的数据集划分为训练集、验证集以及测试集；导入LightGBM模型并设置模型参数；将步骤2预处理后的数据集加载到Dataset对象中，训练LightGBM模型并设置训练参数；预测冷负荷，输出预测建筑冷负荷值。该方法在计算效率和预测精确度方面较其他预测模型均具有显著提升，提高了建筑冷负荷预测效率和精度。

技术领域

本发明涉及建筑供能系统技术领域，尤其涉及一种基于机器学习框架下LightGBM的建筑冷负荷预测方法。

背景技术

我国的建筑能耗约占社会总能耗的1/4，而空调系统是影响建筑能耗最显著的因素，在建筑实际运行中，空调系统设备选型普遍过大，这与设计冷负荷的计算精度不高有必然的联系。建筑冷负荷对空调系统的设计有着极为重要的意义，空调设备的数量和大小、空调系统的划分以及自动控制方案的确定都是由建筑冷负荷决定的，因此实现及时准确的建筑冷负荷预测是优化空调系统设计的基础。

目前对建筑冷负荷进行预测的方法主要有三种：一是使用强大的负荷模拟软件，将建筑模型在计算机中模拟出来，通过设置不同的参数，可模拟计算出不同条件下的建筑冷负荷，然而上述模拟过程会很耗时，模拟人员也需要具备充分的专业知识。此外，不同的模拟软件计算的结果也不同；二是使用单位面积估算法，然而这种方法往往导致冷负荷设计值偏大，运行效率偏低，进而造成不必要的能源浪费；三是利用统计学和机器学习方法进行冷负荷预测，主要有BP神经网络、遗传算法、支持向量机以及小波分析等，这些模型虽然能预测建筑冷负荷，但是效率低，对计算机的性能要求高，并且准确度存在不足。

发明内容

本发明的目的是提供一种基于机器学习框架下LightGBM的建筑冷负荷预测方法，该方法在计算效率和预测精确度方面较其他预测模型均具有显著提升，提高了建筑冷负荷预测效率和精度。

本发明的目的是通过以下技术方案实现的：

一种基于机器学习框架下LightGBM的建筑冷负荷预测方法，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。

由上述本发明提供的技术方案可以看出，上述方法在计算效率和预测精确度方面较其他预测模型均具有显著提升，提高了建筑冷负荷预测效率和精度。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他附图。

图1为本发明实施例提供的基于机器学习框架下LightGBM的建筑冷负荷预测方法流程示意图；

图2为本发明实施例提供的LightGBM模型中Leaf-wise叶子生长策略的示意图；

图3为本发明实施例提供的处理后数据集的前五行数据图；