基于PCA-PSO-SVM的供热负荷预测研究.pdf
《基于PCA-PSO-SVM的供热负荷预测研究.pdf》由会员分享,可在线阅读,更多相关《基于PCA-PSO-SVM的供热负荷预测研究.pdf(8页珍藏版)》请在咨信网上搜索。
1、146区域供热2023.5期基于PCA-PSO-SVM的供热负荷预测研究李明柱,程丹,王梓玮(吉林建筑大学,吉林长春130119)摘要:以长春某热力公司的集中供热系统为研究对象,提出了可用于热负荷预测的PCA-PSO-SVM模型。首先利用PCA进行降维,然后通过PSO优化算法选取最优参数c、g 和,从而构建PCA-PSO-SVM的预测模型。仿真结果表明,经过PCA降维处理的模型预测精度略低,但模型的预测速度可以提高2 0%40%左右;此外也验证了基于PSO优化模型的预测精度较高,模型拟合度较好。关键词:供热负荷预测;主成分分析;粒子群优化;支持向量机基金项目:吉林省科技发展计划项目-基于BIM
2、的公共建筑运行能耗大数据挖掘应用研究与示范(2 0 19 0 30 30 5 9 SF)DOI编码:10.16 6 41/11-3241/tk.2023.05.020Research on heat supply load forecasting based on PCA-PSO-SVMLI Mingzhu,CHENG Dan,WANG Ziwei(Jilin Jianzhu University,Jilin 130119,China)Abstract:PCA-PSO-SVM model for heat load prediction is proposed based on the cen
3、tralheating system of a heat company in Changchun.Firstly,PCA is used for dimensionality reduction,and then the optimal parameters c,g and e are selected by PSO optimization algorithm to construct thePCA-PSO-SVM prediction model.The simulation results show that the prediction accuracy of thePCA mode
4、l is slightly lower,but the speed of the model can be improved by 20%40%.In addition,the prediction accuracy of PSO-based optimization model is higher and the model fit is better.Keywords:heat supply load forecast;PCA;PSO;SVM0引言根据国际能源机构(IEA)统计数据显示,建筑业能耗约占能源消耗和二氧化碳排放量的三分之一,其中建筑运行能耗占能源部门总排放量的2 7%。随着城市
5、化进程的快速推进,建筑供热以每年10%的速率增长 2 长期以来,供热系统的运行调控主要根据经验完成 3,很大程度上造成了能源的浪费。对于供热系统来说,最优控制应以高效运行为目标,而高效运行只有通过将产热量与用户的实际需求相匹配才能实现 4,由此可见,准确的热负荷预测对于提高供热效率和减少碳排放起着关键作用 5 热负荷预测的方法可以分成三种:基于物理(白盒)的方法、基于数据驱动(黑盒)的方法和中间(灰盒)方法 6 。由于数据驱动的1472023.5期区域供热负荷预测模型操作便捷、低成本、实时可控,通常优于另外两个方法7。此外,随着物联网及大数据的快速发展,传感器和其他数据收集装置可以收集存储大量
6、数据,为采用数据驱动模型进行自动化管控提供了有利的条件。具有代表性热负荷预测的数据驱动算法包括多元线性回归(MultipleLinearRegression,M L R)、支持向量机(SupportVector Machines,SVM)、长短期记忆(LongShort-TermMemory,LSTM)和反向传播神经网络(Back PropagationNeural Network,BPNN)7。与线性回归和神经网络相比,SVM可以避免过度拟合,在样本量较少时也可以进行预测8 ,在建筑能耗预测领域得到了广泛应用 9.10 基于SVM预测模型的关键在于参数及核函数的选择。在确定参数时,需要耗费大
7、量时间进行数据分析,且不容易得到全局最优解。因此,当使用SVM模型进行预测时,通常会结合优化算法来寻找最优参数。常见的优化算法有遗传算法、蚁群算法、粒子群优化(Particle SwarmOptimization,PSO)算法等,其中PSO算法及其改进版本的应用最为广泛 12 。赵秉文 13 等结合PSO算法与最小二乘支持向量机(LSSVM)算法对换热站进行热负荷预测研究,通过与传统的BPNN模型对比,PSO一LSSVM模型的相对精度提高了6 2.0 9%;王新雨 14 等提出了MIV-PSO一BP神经网络热负荷预测模型,以北京某住宅建筑为例,结果表明MIV一PSO一BP预测效果优于BPNN。
8、目前大多数学者注重研究热负荷预测模型的精度,针对模型预测速度的研究还较少。在保证预测精度略低的情况下提高预测速度有利于模型的建立。基于此,本文提出利用主成分分析(Principal Component Analysis,PCA)对原始数据进行降维后再用PSO算法寻找最优参数,从而对集中供热系统热负荷进行预测。该模型考虑了室外温度、室外风速等10 个影响因素,将降维后的数据利用PSO算法在解空间中寻找最优粒子定位,从而得到最优惩罚参数c、核函数g和不敏感损失系数e,以此来进行SVM模型训练,最终获得热负荷预测值,并与常见的预测方法进行对比。1模型原理与结构1.1支持向量机支持向量机(SVM)最开
9、始被用于解决模式识别问题,现在通过引人不敏感损失函数来处理非线性回归估计问题。基于Mercer核展开定理,通过内积函数定义的非线性变换将样本空间映射到一个高维乃至无穷维的特征空间(Hilbert空间)15 ,将寻找最优线性回归超平面问题归纳为求解凸约束下的凸规划问题 16 ,使得在特征空间中可以应用线性学习机的方法,解决样本空间中的高度非线性分类和预测等问题。SVM的结构如图1所示。输入层隐藏层输出层K(I,I)bK(I,I2):K(I,Im)m图1支持向量机的结构回归函数表示为:f()=wTp()+b(1)式中:f()一输出值;W一权值系数;()一非线性映射函数;b一偏置系数,可以将输人值转
10、换为高维特征空间。SVM算法可以通过下列问题确定w和b的调节值:148定位。gd最优群体Xid个粒子第的最优定位;第讠个粒子ri和r20,1区间的随机数;C22;Ci和2般取C加速度因子,惯性权重因子;当前代次数;区域供热2023.5期T+c2(si+5.)1MinR(w,s*,)2Wi=1(2)y;-wg(,)-be+s.,i=1,2.ns.t.-y+wTp(,)+b O;n一样本的容量;一不敏感损失系数。式(3)代表了一个二次优化问题,在拉格朗日乘子的作用下,可以转化为一个对偶优化问题。经过求解可以得到回归方程:f()=Z(a;-ai)K(ai,r,)+b:ni=1(4)式中:(a;一a)
11、一指定拉格朗日因子;K(i,,)一根据Mercer定理描述的内积核心函数;b;一偏差值。向量;和;的核函数定义为:K(i,x,)=p(,)p(j)(5)有几种核函数可用,包括线性核函数和高斯核函数。在这些函数中,高斯核函数是最流行的函数之一,也被称为径向基函数(RBF)17。这个函数可以用更少的计算复杂度将数据映射到无穷维。用RBF定义该函数为:K(i,c,)=ep(6)2g22式中:g一核函数参数。1.2粒子群优化算法粒子群优化(PSO)算法是模拟鸟类探测食物的基本模型。在d维目标搜索空间中,种群由数量为m的鸟群组成,称为粒子,每个粒子有速度和位置两个参数 18 。首先随机初始化一群粒子,每
12、个粒子被视为每个优化问题的潜在解。第i个粒子在d维空间的位置表示为i,该粒子所在的位置就是一个潜在解,粒子的优劣一般由被优化的适应度函数来决定,所以根据目标函数f(;)计算出id白的适应度值fid来判断其优劣性。第i个粒子的速度Ui决定了该粒子迭代次数的位移,根据每一个粒子的适应度,更新每个粒子个体最优位置pia和最优群体定位pgd,优化过程中按式(7)、式(8)对粒子的速度、位置进行更新:Uidut=wua+ciar(pu-ra)+c2r2(pgd-cla)(7)(8)式中:Uid=(Ui1,Ui2.,Ua)一第i个粒子的速度;的位置;为了对粒子进行精确搜索,一般将粒子的速度和位置限制在-V
13、mx,Vmx、一Xmax,Xmx范围内 19 ,粒子飞行速度的取值范围为-Vmax,Vmax=k X-Vmax,Vma)1.3基于PCA-PSO-SVM的供热负荷预测流程本文考虑室外气象及供热系统热负荷相关因素的影响,以室外温度、室外大气压、空气湿度、室外平均风速、供水温度、供水压力、回水温度、回水压力、总流量及循环泵频率作为输人,热负荷作为输出。基于PCA-PSO-SVM模型的供热负荷预测流程如图2 所示。具体运算步骤如下:1492023.5期区域供热开始原始数据数据预处理PCA降维处理设备种群规模、送代次数初始化粒子位置速度、惯性权重设置优化参数c、g 和:降维计算每个粒子的适应度建立SV
14、M训练模型更新个体极值P和群体极值Pal误差分析,开始寻优更新粒子的速度和位置获得参数组NY满足终止输出仿真结果条件图2基于PCA-PSO-SVM的供热负荷预测流程(1)热负荷序列数据预处理原始数据中存在异常值和缺失值,为了降低其对模型预测结果的影响,需要对数据进行线性填补。多维度热负荷值的范围相差过大,容易造成训练过程不易收敛,故需要对数据进行归一化处理,本文采用最大-最小标准化对原始数据进行线性变换,将原始值x映射到 0,1区间,得到标准化后的值,其表达式为:a一min()(9)max()一min()式中:一标准化后的数据;max()一原始数据中的最大值;min()一原始数据中的最小值。(
15、2)PCA降维处理为了提高模型训练速度,本文对样本数据进行降维处理。为保证预测的准确性,将选择累计解释率为9 1%的影响因素数据代替所有的影响因素数据进行研究。(3)初始化变量随机生成粒子群,然后设置粒子的种群规模和迭代次数,并对粒子位置、速度和惯性权重等参数进行初始化(4)设置优化参数范围对SVM算法中的3个参数取值范围进行设置。(5)计算每个粒子的适应度值Ffit首先确定目标函数为:minf(c.g)=1(f;-y,)2(10)ni=1cEcmin Cmaxs.t.(11)IgELgming max150yi实际值。预测值;区域供热2023.5期式中:c一惩罚因子;g一核函数参数;根据式(
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 PCA PSO SVM 供热 负荷 预测 研究
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。