建筑物空调负荷预测的支持向量回归机算法研究

提高空调负荷预测的准确性是实现空调系统节能运行和优化控制的基础和前提条件。针对现有空调负荷预测算法精度和速度难以满足空调系统优化运行与节能控制需求的问题，本文利用支持向量回归机的强大非线性映射能力，分别对小规模训练样本和大规模训练样本条件下空调负荷预测支持向量回归机模型的在线建模、在线预测算法等方面展开了研究。论文的主要研究工作包括：（1）针对基于SVR的空调负荷预测模型参数难以确定及计算量过大的问题，本文提出了基于粒子群的空调负荷预测SVR模型参数优化算法，并建立了SVR空调负荷预测模型。仿真结果表明，本文提出的粒子群优化算法与网格搜索法、遗传算法比较，具有更快的寻优时间，寻优时间仅为网格搜索法的7.1%~22.7%，遗传算法的22.8%~55.5%，该方法大幅度地缩短了空调负荷预测模型参数寻优时间，为空调负荷SVR预测模型提供了有效的参数优化算法。（2）针对常规离线SVR预测模型需要对模型进行重新训练，效率较差的问题，本文提出了小规模训练样本条件下建筑物空调负荷Online SVR预测算法。仿真结果表明，Online SVR预测模型在较小训练样本集下具有更优越的预测性能，但是，Online SVR预测模型受输入参数的影响较大。（3）针对当前空调负荷预测影响因素“时变”导致空调负荷预测模型不准确，影响负荷预测精度的问题，本文提出了大规模训练样本条件下基于SVR的空调负荷滚动预测算法，建立了SVR滚动预测模型。此外，算法利用当日前一小时的滚动信息，不断对模型进行修正以提高负荷预测精度。论文同时探讨了以期望误差百分比（EEP）为预测评价指标时，不同训练样本长度对神经网络和SVR算法预测精度的影响。预测结果表明，基于SVR的空调负荷滚动预测算法较常规SVR预测算法和神经网络预测算法预测精度分别提高了20.1%和19.8%，当训练样本较少时，本文提出的SVR滚动预测算法预测性能更为优越。