基于KPCA-WLSSVM的建筑能耗預(yù)測(cè)模型

趙 超，戴坤成，王貴評(píng)

(福州大學(xué) 節(jié)能技術(shù)研究中心，福州 350108)

基于KPCA-WLSSVM的建筑能耗預(yù)測(cè)模型

趙 超，戴坤成，王貴評(píng)

(福州大學(xué) 節(jié)能技術(shù)研究中心，福州 350108)

為降低建筑能耗影響因素間復(fù)雜相關(guān)性對(duì)模型性能的影響，建立了一種基于KPCA-WLSSVM的建筑能耗預(yù)測(cè)模型。利用核主元分析(KPCA)對(duì)輸入變量進(jìn)行數(shù)據(jù)壓縮，消除變量之間的相關(guān)性，簡(jiǎn)化模型結(jié)構(gòu)；進(jìn)一步采用加權(quán)最小二乘支持向量機(jī)(WLSSVM)方法建立建筑能耗預(yù)測(cè)模型，同時(shí)結(jié)合一種新型混沌粒子群-模擬退火混合優(yōu)化(CPSO-SA)算法對(duì)模型參數(shù)進(jìn)行優(yōu)化，以提高模型的預(yù)測(cè)性能及泛化能力。通過(guò)將KPCA-WLSSVM模型方法應(yīng)用于某辦公建筑能耗的預(yù)測(cè)中，并與WLSSVM、LSSVM及RBFNN模型相比，實(shí)驗(yàn)結(jié)果表明，KPCA-WLSSVM模型方法能有效提高建筑能耗預(yù)測(cè)精度。

建筑能耗；預(yù)測(cè)；核主元分析；支持向量機(jī)

隨著建筑能耗在能源消耗中所占比重的快速增長(zhǎng)，建筑節(jié)能受到越來(lái)越多的關(guān)注，準(zhǔn)確有效地預(yù)測(cè)建筑能耗是開展節(jié)能評(píng)估工作的重要基礎(chǔ)，也是進(jìn)行建筑節(jié)能優(yōu)化設(shè)計(jì)的主要依據(jù)。由于建筑能耗系統(tǒng)涉及到機(jī)理復(fù)雜的熱濕傳遞過(guò)程，是一個(gè)典型的多變量、非線性、強(qiáng)耦合和多擾動(dòng)的復(fù)雜系統(tǒng)，采用機(jī)理方法建立建筑能耗預(yù)測(cè)模型十分困難。人工神經(jīng)網(wǎng)絡(luò)由于對(duì)非線性函數(shù)具有很強(qiáng)的擬合和逼近能力，作為一種有效的非線性建模方法，目前已有許多學(xué)者將其成功應(yīng)用于建筑能耗預(yù)測(cè)領(lǐng)域[1-4]。但由于神經(jīng)網(wǎng)絡(luò)訓(xùn)練基于經(jīng)驗(yàn)風(fēng)險(xiǎn)最小化原則，易產(chǎn)生過(guò)學(xué)習(xí)導(dǎo)致泛化能力下降，另外還存在諸如網(wǎng)絡(luò)結(jié)構(gòu)難以確定和過(guò)分依賴大樣本學(xué)習(xí)等缺陷，因而在建筑能耗預(yù)測(cè)領(lǐng)域還難以大范圍推廣。

支持向量機(jī)(Support Vector Machines,SVM)是Vapnik等[5-6]基于統(tǒng)計(jì)學(xué)習(xí)理論提出的一種新的有監(jiān)督機(jī)器學(xué)習(xí)方法。支持向量機(jī)利用結(jié)構(gòu)最小化原理來(lái)提高其泛化能力，較好地解決了小樣本、非線性、高維數(shù)、局部極小等實(shí)際問(wèn)題，目前已成為建筑能耗預(yù)測(cè)領(lǐng)域的研究熱點(diǎn)[7-8]。最小二乘支持向量機(jī)(Least Squares Support Vector Machines,LS-SVM) 是標(biāo)準(zhǔn)SVM的擴(kuò)展，LS-SVM模型在優(yōu)化目標(biāo)函數(shù)中選取了誤差(松弛變量)二范數(shù)的形式，將SVM中需要求解的二次規(guī)劃問(wèn)題轉(zhuǎn)化為線性方程組求解問(wèn)題，從而降低了計(jì)算復(fù)雜度，有效提高了學(xué)習(xí)速度，較好地解決了大樣本數(shù)據(jù)情況下SVM計(jì)算復(fù)雜的問(wèn)題[9]。文獻(xiàn)[10-12]基于LSSVM回歸方法建立了建筑能耗預(yù)測(cè)模型，并獲得了較好的預(yù)測(cè)結(jié)果。針對(duì)LSSVM算法魯棒性能欠佳的問(wèn)題，Suykens等[13]提出了加權(quán)最小二乘支持向量機(jī)算法(Weighted Least Squares Support Vector Machines,WLSSVM)。WLSSVM在建模過(guò)程中依據(jù)訓(xùn)練樣本的重要性分別賦予其不同權(quán)重，從而克服了奇異點(diǎn)對(duì)LSSVM魯棒性能的影響。文獻(xiàn)[14]基于該算法建立了建筑能耗預(yù)測(cè)模型。盡管支持向量機(jī)回歸方法能夠有效處理高維數(shù)、非線性數(shù)據(jù)建模問(wèn)題，但是建筑能耗受到氣候條件、建筑特征參數(shù)、圍護(hù)結(jié)構(gòu)熱工性能、室內(nèi)熱擾、新風(fēng)負(fù)荷、室內(nèi)環(huán)境參數(shù)、空調(diào)運(yùn)行模式等眾多因素的影響，且各影響因素之間嚴(yán)重相關(guān)，不可避免存在一定的噪聲和冗余信息，在建模過(guò)程中會(huì)降低精度，增加計(jì)算復(fù)雜度[15-16]。因此，有必要對(duì)能耗建模樣本數(shù)據(jù)進(jìn)行數(shù)據(jù)壓縮和特征提取，通過(guò)降維處理來(lái)去除樣本數(shù)據(jù)集合中的冗余信息以及消除噪聲，以提高模型的預(yù)測(cè)精度和泛化能力。核主元分析法(KPCA)作為一種數(shù)據(jù)壓縮和特征提取的非線性技術(shù)，已在數(shù)據(jù)處理中的到了廣泛應(yīng)用[17-18]。KPCA采用核函數(shù)的方法，把過(guò)程數(shù)據(jù)或變量組成的原始數(shù)據(jù)空間映射到高維特征空間，在高維特征空間使用線性PCA方法來(lái)尋找主成分。特征空間中的主元變量則保留原始變量的特征信息而消去冗余信息，它是解決數(shù)據(jù)相關(guān)問(wèn)題，提高模型運(yùn)算速度的重要工具。

為了提高建筑能耗預(yù)測(cè)模型的精度和可靠性，筆者提出了一種基于KPCA和WLSSVM的建筑能耗預(yù)測(cè)方法。首先采用KPCA方法對(duì)輸入變量進(jìn)行特征提取，有效消除變量之間的相關(guān)性，降低輸入變量的維數(shù)；將通過(guò)特征提取后的數(shù)據(jù)集作為輸入變量建立WLSSVM建筑能耗模型；考慮到LSSVM的正則化參數(shù)和核寬參數(shù)對(duì)模型擬合精度和泛化能力都有較大影響，利用混沌粒子群-模擬退火混合優(yōu)化(CPSO-SA)算法對(duì)LSSVM的參數(shù)進(jìn)行優(yōu)化選擇，從而建立起具有較高預(yù)測(cè)精度和泛化能力的建筑能耗預(yù)測(cè)模型?；贒EST仿真平臺(tái)的模擬數(shù)據(jù)，對(duì)南方地區(qū)某辦公建筑的能耗進(jìn)行預(yù)測(cè)，并與WLSSVM、LSSVM和RBF神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的性能進(jìn)行比較，結(jié)果表明,KPCA-WLSSVM預(yù)測(cè)模型的性能優(yōu)于另外3種預(yù)測(cè)模型。

1 KPCA-WLSSVM模型算法

1.1 核主元分析

KPCA方法利用非線性核函數(shù)將原空間的樣本數(shù)據(jù)映射到線性高維特征空間，即通過(guò)非線性映射，將原空間xi(i=1,2,…,N)映射到某個(gè)高維特征空間，并在這個(gè)特征空間實(shí)現(xiàn)PCA，高維特征空間的協(xié)方差矩陣R為

(1)

求協(xié)方差矩陣R的特征值λi和特征向量ui有

Rui=λiui

(2)

特征向量ui可以表示為φ(x)的線性組合

(3)

式(1)兩邊左乘φ(xk)，整理得

(4)

式中：k=1,2,…,N。定義一個(gè)N×N維的核函數(shù)矩陣K

Kij=K(xi,xj)=φ(xi)T·φ(xj)

(5)

式(4)進(jìn)一步化簡(jiǎn)為

Nλia=Ka

(6)

式中：a=(a1,a2,…,aN)T；提取樣本數(shù)據(jù)x映射后的第t非線性主元pt

(7)

1.2 加權(quán)最小二乘支持向量機(jī)

由于標(biāo)準(zhǔn)SVM模型需要求解二次規(guī)劃問(wèn)題，在大樣本數(shù)據(jù)的情況下，其運(yùn)算量大，所需支持向量的個(gè)數(shù)較多，因此模型比較復(fù)雜，從而導(dǎo)致模型的推廣能力較差。Suykens等在標(biāo)準(zhǔn)SVM基礎(chǔ)上提出了最小二乘支持向量機(jī)模型。相對(duì)于支持向量機(jī)模型，LS-SVM模型中的約束是等式約束，在優(yōu)化目標(biāo)函數(shù)中選取了誤差平方和的形式，將原來(lái)SVM中需要求解的二次規(guī)劃問(wèn)題通過(guò)最優(yōu)性條件轉(zhuǎn)化為線性方程組求解問(wèn)題，從而降低了計(jì)算復(fù)雜度，在非線性系統(tǒng)建模方面更具有優(yōu)勢(shì)。其優(yōu)化問(wèn)題為[19]

(8)

s.t.yi=ωT·φ(xi)+b+ξi

(9)

式中：ω為權(quán)系數(shù)向量；φ(·)為輸入空間到高維空間的映射；C為正則化參數(shù)；b為閾值。

(10)

s.t.yi=ωT·φ(xi)+b+ξi

(11)

引入Lagrange函數(shù)

(12)

K(xi,xj)=φ(xi)T·φ(xj)

(13)

則式(10)的優(yōu)化問(wèn)題變?yōu)槭?14)線性方程組的求解問(wèn)題

(14)

(15)

1.3 混沌粒子群-模擬退火混合優(yōu)化算法

標(biāo)準(zhǔn)PSO算法以其簡(jiǎn)單易行及快速收斂的特性在工程優(yōu)化領(lǐng)域得到了快速發(fā)展，但也存在容易陷入局部最優(yōu)的問(wèn)題，且搜索速度有待進(jìn)一步提高。筆者提出一種混沌粒子群-模擬退火(CPSO-SA)混合算法用于搜索最佳模型參數(shù)，該算法結(jié)合了CPSO算法的群體多樣性和SA算法的漸進(jìn)收斂性的優(yōu)點(diǎn)，并保持全局搜索和局部搜索的平衡，可以有效提高算法的搜索效率，從而加快算法的收斂速度。

基于CPSO-SA的參數(shù)優(yōu)化算法流程為：

1)輸入訓(xùn)練樣本集{(xi,yi),i=1,2,…,N}；設(shè)置CPSO-SA算法的控制參數(shù)：種群規(guī)模m、最大迭代次數(shù)tmax、初始溫度T=T0；隨機(jī)產(chǎn)生m個(gè)粒子{p1,p2,…,pm}，初始化粒子的位置值和速度值，當(dāng)前迭代次數(shù)設(shè)置為t=0；

2)計(jì)算每個(gè)粒子適應(yīng)度值f(pi)；

p(n+1)=λp(n)(1-p(n))

(16)

式中：λ為控制參數(shù);n為迭代次數(shù)；

(17)

式中：pBEST為全局最優(yōu)個(gè)體。若Δf<0，則更新pBEST；否則令s=exp(-Δf/T)，若s>rand(0,1)，則更新pBEST，否則pBEST不變；

5)對(duì)粒子的速度和位置進(jìn)行進(jìn)化，得到下一代粒子個(gè)體，t=t+1，根據(jù)溫度下降函數(shù)T=T(t)，更新溫度T；

6)若粒子適應(yīng)度變化量小于設(shè)定閾值，或t>tmax，則算法終止；否則返回2)，進(jìn)行下一步。

2 基于KPCA-WLSSVM建筑能耗預(yù)測(cè)

2.1 建筑能耗影響因素分析

建筑能耗系統(tǒng)是一個(gè)復(fù)雜的非線性系統(tǒng)，影響建筑能耗的因素眾多，主要分為4大類[12、15-16]：外部氣候條件、圍護(hù)結(jié)構(gòu)、設(shè)備因素以及建筑運(yùn)行管理模式。外部氣候條件是影響建筑能耗的“自然”因素，包括溫度、濕度、日照及風(fēng)速等參數(shù)，它們能夠直接影響熱量通過(guò)圍護(hù)結(jié)構(gòu)的傳遞，進(jìn)而對(duì)建筑能耗產(chǎn)生影響；圍護(hù)結(jié)構(gòu)可以看作是影響建筑能耗的“人為”因素，包括了反映建筑熱工性能的圍護(hù)結(jié)構(gòu)傳熱系數(shù)、遮陽(yáng)率等參數(shù)和反映建筑體形特征的體形系數(shù)、建筑面積、朝向、窗墻比等參數(shù)，這類因素可以通過(guò)改善建筑本身的熱工性能及相關(guān)參數(shù)對(duì)建筑能耗起到積極作用；設(shè)備因素包括照度標(biāo)準(zhǔn)、燈具類型、設(shè)備功率等參數(shù)，這些參數(shù)取決于建筑的使用功能；建筑運(yùn)行管理模式也是影響建筑能耗的重要因素之一，它包括了通風(fēng)次數(shù)、人員密度、設(shè)備運(yùn)行時(shí)間、新風(fēng)指標(biāo)等參數(shù)。

2.2 建模步驟

由于建筑能耗與眾多能耗影響因素之間存在復(fù)雜的非線性關(guān)系，在建模過(guò)程中會(huì)增加計(jì)算復(fù)雜度，降低建模精度。因此，有必要通過(guò)降維處理去除樣本數(shù)據(jù)集合中的冗余信息以及消除噪聲，以提高模型的預(yù)測(cè)精度和泛化能力。筆者提出的KPCA-WLSSVM的建筑能耗預(yù)測(cè)模型首先利用KPCA提取能耗因子的非線性特征，消除數(shù)據(jù)冗余并降低模型輸入維數(shù)，然后采用WLSSVM方法建立能耗預(yù)測(cè)模型。模型的結(jié)構(gòu)如圖1所示。

圖1 KPCA-WLSSVM建模流程圖Fig 1 Sketch of KPCA-WLSSVM

考慮到LSSVM算法的正則化參數(shù)和核寬參數(shù)對(duì)模型擬合精度和泛化能力的有較大影響[20]，筆者采用CPSO-SA算法在正則化參數(shù)C及核寬參數(shù)σ的定義域內(nèi)進(jìn)行搜索，尋找C和σ的組合最優(yōu)值。參數(shù)優(yōu)化問(wèn)題定義為

(18)

s.t.Cmin≤C≤Cmax

σmin≤σ≤σmax

綜上所述，基于CPSO-SA優(yōu)化的KPCA- WLSSVM建筑能耗預(yù)測(cè)模型算法關(guān)鍵步驟總結(jié)如下：

1)樣本數(shù)據(jù)歸一化處理。為了避免計(jì)算出現(xiàn)飽和現(xiàn)象，按式(19)對(duì)建筑能耗訓(xùn)練樣本進(jìn)行歸一化處理。

(19)

式中：X是原樣本數(shù)據(jù)；Xmax,Xmin分別代表樣本數(shù)據(jù)中最大值和最小值；T是目標(biāo)數(shù)據(jù)；Tmax是目標(biāo)數(shù)據(jù)的最大值，取Tmax=0.9；Tmin是目標(biāo)數(shù)據(jù)的最小值，取Tmin=0.1。

2)KPCA特征提取。按式(7)提取主成分，降低樣本維數(shù)，消除變量之間的相關(guān)性。

4)基于最優(yōu)參數(shù)C*和σ*由式(14)求解b、α*，建立WLSSVM建筑能耗預(yù)測(cè)模型。

6)反歸一化。按式(20)對(duì)模型輸出進(jìn)行反歸一化處理，

(20)

7)模型預(yù)測(cè)性能評(píng)價(jià)。采用相對(duì)誤差絕對(duì)值最大值Emax、相對(duì)誤差絕對(duì)值平均值Eave和均方根誤差RMSE三個(gè)性能指標(biāo)對(duì)模型進(jìn)行評(píng)價(jià)。

(21)

(22)

(23)

式中：N為樣本數(shù)。

2.3 實(shí)例分析

2.3.1 建筑物簡(jiǎn)介 用于驗(yàn)證文中所建立的KPCA-WLSSVM建筑能耗預(yù)測(cè)模型的建筑物是南方地區(qū)一幢16層的辦公建筑，其外形如圖2所示。

圖2 建筑外形示意圖Fig 2 Shape of office building

該建筑總高度為57.4m，主樓地上16層，地下1層，附樓(裙房)3層?？偨ㄖ娣e為19 700.5m2。地上建筑面積17 315.62m2，地下建筑2 384.88m2，標(biāo)準(zhǔn)層層高3.5m，外窗尺寸為2.5m×2.0m，窗臺(tái)離地高度0.8m。空調(diào)運(yùn)行時(shí)間為8:00—17:00，總計(jì)每天運(yùn)行9h，空調(diào)季為6月1日到8月30日。

2.3.2 構(gòu)造樣本集 根據(jù)能耗影響因素分析，并結(jié)合《公共建筑節(jié)能設(shè)計(jì)標(biāo)準(zhǔn)》相關(guān)規(guī)定，在對(duì)辦公建筑能耗建模過(guò)程中，主要考察以下能耗因子：室外溫度(x1)、室外濕度(x2)、太陽(yáng)輻射(x3)、空調(diào)系統(tǒng)運(yùn)行模式(x4)、最低照度(x5)、燈光熱擾(x6)、室內(nèi)溫度(x7)、室內(nèi)濕度(x8)、設(shè)備熱擾(x9)、電熱轉(zhuǎn)換率(x10)、人均新風(fēng)指標(biāo)(x11)、家具系數(shù)(x12)、外墻傳熱系數(shù)(x13)、內(nèi)墻傳熱系數(shù)(x14)、玻璃遮陽(yáng)系數(shù)(x15)、玻璃傳熱系數(shù)(x16)、通風(fēng)次數(shù)(x17)[21]。

同時(shí),為減少試驗(yàn)次數(shù)，并保證試驗(yàn)的全面性，采用正交試驗(yàn)方法獲取數(shù)據(jù)樣本集。DEST中影響因素的取值，采用事先設(shè)定好的水平值，每個(gè)因素選取4個(gè)水平值，選用L64(421)正交表進(jìn)行試驗(yàn)計(jì)算，建筑物能耗的基準(zhǔn)值采用動(dòng)態(tài)負(fù)荷計(jì)算軟件DEST-C的計(jì)算值。為獲得較為理想的訓(xùn)練數(shù)據(jù)，選用4組正交試驗(yàn)，并且每組正交試驗(yàn)中每個(gè)因素選取不同的水平值，經(jīng)過(guò)DEST-C動(dòng)態(tài)計(jì)算，獲得建筑物全年能耗結(jié)果。經(jīng)DEST-C計(jì)算獲256組實(shí)驗(yàn)數(shù)據(jù)，隨機(jī)取其中的3/4作為訓(xùn)練樣本，余下的1/4作為測(cè)試樣本驗(yàn)證模型的預(yù)測(cè)性能。

2.3.3 模型訓(xùn)練 通過(guò)KPCA計(jì)算，取主元個(gè)數(shù)為8個(gè)，此時(shí)累計(jì)貢獻(xiàn)率已經(jīng)超過(guò)90%。碎石圖如圖3所示。另外，核參數(shù)和正則化參數(shù)是WLSSVM性能的重要影響因素，不同的參數(shù)組合將得到不同的學(xué)習(xí)性能和泛化性能。為避免主觀經(jīng)驗(yàn)選取的盲目性，采用CPSO-SA算法對(duì)模型的兩個(gè)參數(shù)進(jìn)行尋優(yōu)，優(yōu)化后的參數(shù)分別為C=326.7、σ=0.86，滿足預(yù)測(cè)模型對(duì)精度的要求，建筑能耗模型訓(xùn)練結(jié)果如圖4所示，擬合值和期望值基本吻合。

圖3 核主成分碎石圖Fig 3 The scree plot of kernel principal component

圖4 KPCA-WLSSVM模型訓(xùn)練結(jié)果Fig 4 The training results of KPCA-WLSSVM

2.3.4 結(jié)果與分析 為比較分析組合模型的預(yù)測(cè)效果，同時(shí)建立了LSSVM、WLSSVM和RBFNN神經(jīng)網(wǎng)絡(luò)模型對(duì)建筑能耗進(jìn)行預(yù)測(cè)。通過(guò)MATLAB平臺(tái)實(shí)現(xiàn)上述4種預(yù)測(cè)模型對(duì)建筑能耗進(jìn)行預(yù)測(cè)，預(yù)測(cè)值和實(shí)際值的對(duì)比如圖5所示。從圖中可以知道，4種模型的預(yù)測(cè)結(jié)果大都能夠反映能耗的變化，但有個(gè)別樣本點(diǎn)偏差較大，組合模型的預(yù)測(cè)值和期望值基本重合，相比于單一的LSSVM、WLSSVM和RBFNN神經(jīng)網(wǎng)絡(luò)模型，組合預(yù)測(cè)模型的預(yù)測(cè)效果較好。

為了從整體上評(píng)價(jià)4種預(yù)測(cè)模型的預(yù)測(cè)精度和穩(wěn)定性，按式(21)、(22)及(23)對(duì)上述4種模型進(jìn)行評(píng)價(jià)，計(jì)算結(jié)果如表1所示。

表1 種模型評(píng)價(jià)指標(biāo)計(jì)算結(jié)果

Table 1 The predictive results of the four models

模 型訓(xùn)練集測(cè)試集相對(duì)誤差絕對(duì)值最大值Emax/%相對(duì)誤差絕對(duì)值平均值Eave/%均方根誤差RMSE相對(duì)誤差絕對(duì)值最大值Emax/%相對(duì)誤差絕對(duì)值平均值Eave/%均方根誤差RMSERBFNN0.0390.0210.02614.723.119.86LSSVM0.330.260.0346.882.964.01WLSSVM0.490.310.0397.811.132.89KPCA-WLSSVM0.480.290.0262.810.890.84

圖5 4種模型的預(yù)測(cè)結(jié)果Fig 5 Prediction of the four models

從表1的計(jì)算結(jié)果可以看出，采用RBF神經(jīng)網(wǎng)絡(luò)和LSSVM方法預(yù)測(cè)雖然具有很高的訓(xùn)練精度，但是當(dāng)其用于預(yù)測(cè)時(shí)，誤差較大，泛化性能差，預(yù)測(cè)效果不理想；采用WLSSVM進(jìn)行預(yù)測(cè)，由于該方法對(duì)每個(gè)樣本進(jìn)行了加權(quán)處理，有效消除了顯著誤差的影響，具有較好的預(yù)測(cè)精度，其平均預(yù)測(cè)誤差和均方根誤差比LSSVM有所降低，但預(yù)測(cè)效果仍有待提高；KPCA-WLSSVM方法首先采用KPCA對(duì)能耗樣本數(shù)據(jù)進(jìn)行數(shù)據(jù)壓縮和特征提取，去除樣本數(shù)據(jù)中的冗余信息以及消除噪聲，使得WLSSVM模型的預(yù)測(cè)效果得到了很大的改善，最大相對(duì)誤差絕對(duì)值從7.81%降到2.81%，相對(duì)誤差絕對(duì)值平均值從1.13%降低到0.89%，這表明組合模型具有更高的預(yù)測(cè)精度和預(yù)測(cè)穩(wěn)定性，泛化能力得到顯著提高。通過(guò)對(duì)比分析模型的性能指標(biāo)，結(jié)果表明KPCA-WLSSVM模型具有更好的預(yù)測(cè)效果，是一種有效、可行的建筑能耗預(yù)測(cè)方法。

3 結(jié) 論

通過(guò)4個(gè)模型的預(yù)測(cè)結(jié)果及性能評(píng)價(jià)指標(biāo)的比較可以看出，基于KPCA-WLSSVM能耗預(yù)測(cè)模型的預(yù)測(cè)效果要優(yōu)于其他3種模型，表明了KPCA- WLSSVM模型在建筑能耗預(yù)測(cè)中的有效性和優(yōu)越性。主要結(jié)論為：

1)核主元分析能夠消除建筑能耗影響因素間的冗余性和共線性，正確提取輸入樣本的特征信息，簡(jiǎn)化模型的輸入樣本。

2)WLSSVM充分考慮了各樣本對(duì)建模的影響，有效地賦予各樣本合適的權(quán)值，優(yōu)化了LSSVM模型，使得模型具有良好的非線性處理能力。

3)采用CPSO-SA優(yōu)化算法對(duì)模型的參數(shù)進(jìn)行優(yōu)化選擇，避免了經(jīng)驗(yàn)選擇的缺陷，在此基礎(chǔ)上建立的建筑能耗預(yù)測(cè)模型具有更好的學(xué)習(xí)精度和推廣應(yīng)用能力。

[1] Wong S L,Wan K K W,Lam T N T. Artificial neural networks for energy analysis of office buildings with daylighting [J]. Applied Energy,2010,87(2): 551-557.

[2] Azadeh A,Ghaderi S F,Tarverdian S,et al. Integration of artificial neural networks and genetic algorithm to predict electrical energy consumption [J]. Applied Mathematics and Computation,2007,186(2): 1731-1741.

[3] 喻偉,李百戰(zhàn),楊明宇,等. 基于人工神經(jīng)網(wǎng)絡(luò)的建筑多目標(biāo)預(yù)測(cè)模型[J]. 中南大學(xué)學(xué)報(bào):自然科學(xué)版,2012,43(12): 4950-4955. Yu W,Li B Z,Yang M Y,et al. Building multi-objective predicting model based on artificial network [J]. Journal of Central South University: Science and Technology,2012,43(12): 4950-4955. (in Chinese)

[4] Mathieu J L,Price P N,Kiliccote S,et al. Quantifying changes in building electricity use,with application to demand response[J]. IEEE Transactions on Smart Grid,2011,2(3): 507-518.

[5] Vapnik V. The nature of statistical learning theory [M]. Springer,2000.

[6] Cortes C,Vapnik V. Support vector networks [J]. Machine Learning,1995,20(3): 273-297.

[7] Dong B,Cao C,Lee S E. Applying support vector machines to predict building energy consumption in tropical region [J]. Energy and Buildings,2005,37(5): 545-553.

[8] Li Q,Meng Q L,Cai J J,et al. Applying support vector machine to predict hourly cooling load in the building [J]. Applied Energy,2009,86(10): 2249-2256.

[9] Suykens J A K,Van G T,De B J,et al. Least squares support vector machines [M]. Singapore: World Scientific,2002.

[10] Li X M,Shao M,Ding L X,et al. Particle swarm optimization-based LS-SVM for building cooling load prediction [J]. Journal of Computers,2010,5(4): 614-621.

[11] Jung H C,Kim J S,Heo H. Prediction of building energy consumption using an improved real coded genetic algorithm based least squares support vector machine approach [J]. Energy and Buildings,2015,90: 76-84.

[12] Zhao H X,Magoules F. Parallel support vector machines applied to the prediction of multiple building energy consumption [J]. Energy,2009,4(2): 231-249.

[13] Suykens J A K,de Brabanter J,Lukas L,et al. Weighted least squares support vector machines: robustness and sparse approximation [J]. Neurocomputing,2002,48: 85-105.

[14] Guo Y,Nazarian E,Ko J,et al. Hourly cooling load forecasting using time-indexed arx models with two-stage weighted least squares regression [J]. Energy Conversion and Management,2014,80:46-53.

[15] Li Q,Meng Q L,Cai J J,et al. Predicting hourly cooling load in the building: a comparison of support vector machine and different artificial neural networks [J]. Energy Conversion and Management,2009,50(1): 90-96.

[16] Crawley D B,Hand J W,Kummert M,et al. Contrasting the capabilities of building energy performance simulation programs [J]. Building and Environment,2008,43(4): 661-673.

[17] Fan Z Z,Wang J H,Xu B G,et al. An efficient KPCA algorithm based on feature correlation evaluation [J]. Neural Computing and Applications,2014,24(7/8):1795-1806.

[18] Jia P F,Tian F C,He Q H,et al. Feature extraction of wound infection data for electronic nose based on a novel weighted KPCA [J]. Sensors and Actuators,B: Chemical,2014,201:555-566.

[19] Suykens J A K. Least squares support vector machines [J]. Neural Processing Letters,1999,9(3):293-300.

[20] 樊曉雪. 最小二乘支持向量機(jī)的參數(shù)選擇[D]. 河北 保定: 河北大學(xué),2012. Fan X X. Least squares support vector machine parameter selection [D]. Baoding: Hebei University,2012. (in Chinese)

[21] 康一亭,于丹,蘇華,等. 辦公建筑能耗基準(zhǔn)中影響因子對(duì)建筑能耗的影響度[J]. 中南大學(xué)學(xué)報(bào): 自然科學(xué)版,2012,43(Sup1): 146-150. Kang Y T,Yu D,Su H,et al. Impact factors of energy consumption benchmarking in office buildings [J]. Journal of Central South University: Science and Technology,2012,43(Sup1): 146-150. (in Chinese)

(編輯 胡英奎)

A prediction model for energy consumption of building based on KPCA-WLSSVM

ZhaoChao,DaiKuncheng,WangGuiping

(Research Center of Energy Saving Technology,Fuzhou University,Fuzhou 350108,P. R. China)

The correlations among the building energy consumption factors can corrupt the prediction model’s performance,and get undesirable results. A prediction model based on KPCA-WLSSVM is proposed to forecast building energy consumption. The kernel principal component analysis (KPCA) method could not only solve the linear correlation of the input and compress data but also simplify the model structure. A novel hybrid chaos particle swarm optimization simulated annealing (CPSO-SA) algorithm is applied to optimize WLSSVM parameters to improve learning performance and generalization ability of the model. Furthermore,the KPCA-WLSSVM model is applied to the energy consumption prediction for an office building,and the results show that the KPCA-WLSSVM has better accuracy compared with WLSSVM model,LSSVM model and RBF neural network model. and the KPCA-WLSSVM is effective for building energy consumption prediction.

energy consumption of building; forecasting; kernel principal component analysis; support vector machines

10.11835/j.issn.1674-4764.2015.05.016

2015-06-16 基金項(xiàng)目：國(guó)家自然科學(xué)基金(6080402、61374133)；高校博士點(diǎn)專項(xiàng)科研基金(20133314120004)

趙超(1976-)，男，副教授，主要從事最優(yōu)控制研究，(E-mail) seasky76@163.com。

Foundation item：National Natural Science Foundation of China (No. 6080402,61374133); Research Fund for the Doctoral Program of Higher Education of China (No. 20133314120004)

TU831

A

1674-4764(2015)05-0109-07

Received:2015-06-16

Author brief：Zhao Chao (1976-),associate professor,main research interest:optimal control,(E-mail) seasky76@163.com.