基于数据挖掘的空调负荷预测方法研究

High Accuracy of the air conditioning load forecasting isa key for the optimal control of a HVAC system.Air conditioning load forecasting process of the data to predict the number of sample data collected with a certaindegree of noise by many meteorological factors and the randomness characteristics.Widely used neural network exists over-fitting and poor generalization ability, pooranti-interference ability , difficulty to transplant and other defects, wich make the load forecasting methods to be difficult for practical use. It is easy to produce a large number of successive data containing noise when measuring air-conditioning load. In this study, the dirty data cleaning method based on the fusion mechanism and clustering characteristic are puts forward to eliminate the noise data, erroneous data and missing data. The data cleaning method improve the quality of the historical data. With constructing a novel heuristic reduction algorithm, rough set theory is used to reasonably determine the input parameters of prediction model. Thus the generalization ability of .load prediction method will be effectively improved. The research result will strongly promote the air-conditioning load forecasting method to practically employ, and provides strong technical support for building low-carbon operation.

空调负荷预测是空调系统优化运行的基础。空调负荷预测过程存在要预测的数据个数多、采集到的样本数据含有一定的噪声、受诸多气象因素影响并具有随机性等特点。目前广泛使用的神经网络负荷预测方法存在过拟合、泛化能力差、抗干扰能力差及移植难等缺陷，使得已有负荷预测方法难以实用化。本研究结合空调系统负荷实测过程中容易产生大量连续的含有较大"噪声"的数据的特点，提出基于熔合机制和聚类特性的脏数据清洗方法，来消除历史数据中所包含的噪声数据、错误数据及缺失数据，以改善历史数据的质量。另外，通过构建新的启发式约简算法，利用粗糙集理论来合理确定预测模型的输入参数。从而能有效改善负荷预测中数据预处理和确定模型输入参数这两个环节的泛化能力，提高预测模型的适用性。研究成果将有力地促使空调负荷预测方法走向实用，也为建筑物的低碳运行提供了有力的技术支撑。

空调负荷是一个随机非平稳过程，其实测负荷值由于受到各种因素的影响，存在“脏数据”或“不良数据”；这些数据夹杂在正常的负荷数据中参与负荷预测模型训练，造成负荷预测模型泛化能力差，使得现有空调负荷预测技术难于走向实用。本项目以空调负荷预测中数据预处理和模型输入参数确定这两个环节为突破口，来改善现有负荷预测模型泛化能力差的突出问题。首先，设计了一种适合空调负荷“脏数据”清理的模型。该模型通过Kohonen网络聚类来提取空调负荷特征曲线，采用超圆神经网络定位并识别不良数据点，经过数据调整后有效改善了空调负荷历史数据的质量。基本解决了实际空调负荷测试数据中普通存在的“脏数据”（由仪表误差或人为因素所引起的测量噪声、错误数据和缺失数据等原因造成）所引起的负荷预测模型泛化能力差的问题。其次，采用相关性分析与主成分分析相结合的方法，较好的从众多参数中挑选出与负荷相关性高的影响因素，并在保证信息保留较为完整的前提下，有效的减少了自变量维数。最后针对传统神经网络模型预测容易出现局部收敛且精度较低等问题，建立了支持向量回归模型，并采用非启发式算法寻优支持向量机的相关参数进行优化。经过实例并对比证明，本项目提出的方法可以有效的提高短期空调负荷的预测模型的泛化能力。这些工作有效解决了现有空调负荷预测方法在实际应用中存在过拟合、泛化能力差、抗干扰能力差和移植难等缺陷。对空调负荷预测技术走向实用起到了有力的推动作用。该成果可用于现有制冷空调设备的运行优化控制，提高空调系统运行阶段的能源利用效率。特别地，在蓄能空调技术、近年来兴起的冷热电联产技术以及时下热点的地铁通风空调领域都有推广应用的巨大价值。