[发明专利]负荷预测方法

说明书

本申请涉及一种负荷预测方法，包括以下步骤：对历史能耗数据进行聚类分析，并输出聚类分析结果；根据聚类分析结果对随机森林的决策树进行设定；将历史能耗数据输入随机森林，并建立预测模型；将实时数据输入预测模型，得到预测能耗数据。上述负荷预测方法，通过对历史能耗数据进行聚类分析，使历史能耗之间形成多个分析结果，通过该分析结果之间的区别即历史能耗数据之间的区别来对随机森林算法的决策项进行设定，然后将历史能耗数据输入该随机森林算法中，在计算的过程中根据历史能耗数据相互之间的关联性完成预测模型的建立，以保证数据输入和预测结果的准确性，最后将实时数据输入该预测模型，即可完成实际能耗数据的预测，准确性更高。

技术领域

本申请涉及大数据分析和能耗分析领域，特别是涉及一种负荷预测方法。

背景技术

目前，能耗预测主要有物理模拟和数据驱动两种方式。其中数据驱动建模一般指的是将收集到的建筑数据作为输入，对应的历史能耗数据作为输出，训练得到能耗预测模型，而数据驱动建模的方式主要有回归模型、时间序列模型、机器学习算法模型等。其中，机器学习算法在建筑能耗建模的应用主要包括支持向量机(SVM)、人工神经网络(ANN)、决策树和其他统计算法。

传统的算法是通过结合建筑运行数据和天气数据，预测建筑未来的能耗数据，其具有一定的预测准确性，但是当建筑处于运行模式进行切换时，预测的准确性会下降，同时对于不同维度的数据需要做多步预处理和超参设置，而在超大型建筑中，往往存在不同区域的空调设备运行模式不同，造成了工程化的复杂性，导致能耗预测准确度降低。

发明内容

基于此，有必要针对上述技术问题，提供一种准确性更高的负荷预测方法。

一种负荷预测方法，所述方法包括：

对历史能耗数据进行聚类分析，并输出聚类分析结果；

根据所述聚类分析结果对随机森林的决策树进行设定；

将所述历史能耗数据输入所述随机森林，并建立预测模型；

将实时数据输入所述预测模型，得到预测能耗数据。

在其中一个实施例中，所述对历史能耗数据进行聚类分析，包括：

将同时段所述历史能耗数据绘制在同一平面内；

根据所述平面内的所述历史能耗数据相互之间的距离，将所述历史能耗数据划分为多个簇。

在其中一个实施例中，所述根据所述平面内的所述历史能耗数据相互之间的距离，将所述历史能耗数据划分为多个簇，包括：

确定所述历史能耗数据多个密集区域的质心点；

统计密集区域内各所述历史能耗数据到所述质心点的距离，并使得该距离差的平方和最小。

在其中一个实施例中，所述输出聚类分析结果为根据各个簇间历史能耗数据的同一性对簇进行分类。

在其中一个实施例中，所述分类包括过渡季、供热季和供冷季的工作日以及节假日。

在其中一个实施例中，所述根据所述聚类分析结果对随机森林的决策树进行设定，包括：

确定不同类别簇的差异项；

确定各差异项的差异点；

将所述差异点作为判断阈值，用于对能耗数据进行分类。

在其中一个实施例中，所述差异项包括温度、湿度、是否为工作日或节假日。

在其中一个实施例中，所述将所述历史能耗数据输入所述随机森林，并建立预测模型，包括：

将簇内历史能耗数据分别输入随机森林；