一種基于數(shù)據(jù)驅(qū)動(dòng)的空調(diào)負(fù)荷預(yù)測(cè)方法

摘 要：空調(diào)負(fù)荷預(yù)測(cè)是空調(diào)負(fù)荷潛力分析和電網(wǎng)空調(diào)負(fù)荷調(diào)控的基礎(chǔ)，為了精確地對(duì)空調(diào)負(fù)荷進(jìn)行預(yù)測(cè)，文中提出了一種考慮到外界影響因素以及集成優(yōu)化的空調(diào)負(fù)荷預(yù)測(cè)方法.首先，擬定好實(shí)驗(yàn)運(yùn)行方案并采集影響因素?cái)?shù)據(jù).其次，使用近鄰成分分析（NCA）方法進(jìn)行特征選擇，剔除重要度小的特征.然后使用白鯊優(yōu)化算法（white shark optimizer，WSO）對(duì)支持向量回歸（support vector regression，SVR）的正則化參數(shù)和核函數(shù)的寬度參數(shù)進(jìn)行優(yōu)化，最后，結(jié)合自適應(yīng)提升算法（adaptive boosting，Adaboost）構(gòu)建Adaboost-WSO-SVR主模型，檢驗(yàn)其精度并與其他方法進(jìn)行比較.結(jié)果表明，提出的Adaboost-WSO-SVR主模型相比于集成優(yōu)化后的BP，ELM模型精度更高.可知提出的方法在負(fù)荷預(yù)測(cè)方面效果更好，為空調(diào)節(jié)能優(yōu)化控制策略提供依據(jù).

關(guān)鍵詞：空調(diào)負(fù)荷;負(fù)荷預(yù)測(cè);特征選擇;白鯊優(yōu)化算法;自適應(yīng)提升算法;支持向量回歸

中圖分類號(hào)：TU831 文獻(xiàn)標(biāo)志碼：A文章編號(hào)：1000-2367（2025）03-0128-07

空調(diào)耗能是我國(guó)耗能總負(fù)荷中占比相當(dāng)大的一個(gè)方面，屬于高耗能、高排放的一個(gè)產(chǎn)業(yè)^［1］.我國(guó)經(jīng)濟(jì)發(fā)展得越來(lái)越好，空調(diào)冬夏的使用頻率越來(lái)越高.特別是夏季，在某些大城市空調(diào)負(fù)荷能占到總負(fù)荷的30%～40%，在上海等一線城市甚至可以達(dá)到50%^［2-4］.這些現(xiàn)象說(shuō)明空調(diào)負(fù)荷能夠?yàn)殡娏ο到y(tǒng)提供巨大的調(diào)控容量，這是電網(wǎng)調(diào)度需要重視的一點(diǎn).準(zhǔn)確地判斷空調(diào)負(fù)荷的大小至關(guān)重要^［5］.

空調(diào)負(fù)荷受多種影響因素影響，如何有效地判斷哪種特征對(duì)空調(diào)負(fù)荷影響較大是比較關(guān)鍵的^［6］.KHAN等^［7］將隨機(jī)森林（RF）和極端梯度提升（XGBoost）的方法組合起來(lái)，得到每個(gè)特征的重要度，使用遞歸特征消除來(lái)剔除冗余特征.XU等^［8］使用主成分分析（PCA）的方法突出異常特征.ZHU等^［9］使用斯皮爾曼相關(guān)系數(shù)來(lái)選擇高質(zhì)量的輸入特征，并消除與電力消耗弱相關(guān)的變量.王永利等^［10］利用最大信息系數(shù)（MIC）分析多元負(fù)荷之間、多元負(fù)荷與天氣因素之間的相關(guān)性，得到負(fù)荷的強(qiáng)相關(guān)性變量.易禮秋^［11］采用皮爾遜相關(guān)系數(shù)法分析影響因素對(duì)負(fù)荷的影響，借助皮爾遜相關(guān)系數(shù)分析選取了23個(gè)相關(guān)性較強(qiáng)的主要影響因素. 本研究采用的近鄰成分分析（NCA）方法作為一種特征降維方法，有著適應(yīng)性強(qiáng)、靈活性高、結(jié)構(gòu)簡(jiǎn)單等優(yōu)點(diǎn)，被研究者廣泛使用.

目前，大多數(shù)預(yù)測(cè)空調(diào)能耗的方法可以分為2類：物理模擬預(yù)測(cè)和數(shù)據(jù)驅(qū)動(dòng)預(yù)測(cè).物理模擬一般通過(guò)TRNSYS，EnergyPlus等軟件來(lái)模擬空調(diào)能耗^［12］.這些模型都需要明確建筑的物理參數(shù)以及系統(tǒng)內(nèi)部的運(yùn)行參數(shù)，但在實(shí)際情況中，這些物理參數(shù)往往很難獲得，導(dǎo)致模型的精度比較低.除此之外，這些仿真軟件往往需要花費(fèi)很多時(shí)間去學(xué)習(xí)，使用成本較大.因此，數(shù)據(jù)驅(qū)動(dòng)預(yù)測(cè)變得越來(lái)越受研究者的青睞.

數(shù)據(jù)驅(qū)動(dòng)預(yù)測(cè)一般使用機(jī)器學(xué)習(xí)算法并依賴歷史數(shù)據(jù)來(lái)對(duì)未來(lái)的負(fù)荷進(jìn)行預(yù)測(cè).張晨晨^［13］使用長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)（LSTM）來(lái)對(duì)空調(diào)負(fù)荷進(jìn)行預(yù)測(cè).WANG 等^［14］使用人工神經(jīng)網(wǎng)絡(luò)ANN結(jié)合部分物理規(guī)則對(duì)建筑物冷負(fù)荷進(jìn)行了動(dòng)態(tài)預(yù)測(cè)，提高了負(fù)荷預(yù)測(cè)精度.張磊等^［15］使用XGBoost算法構(gòu)建了電力系統(tǒng)慣量短期預(yù)測(cè)模型.以上觀點(diǎn)雖然預(yù)測(cè)效果良好，但預(yù)測(cè)形式比較單一.本研究采用的集成學(xué)習(xí)方法通過(guò)集成多個(gè)弱學(xué)習(xí)器的方法，不斷調(diào)整下一個(gè)弱學(xué)習(xí)器的權(quán)重，最后組成一個(gè)強(qiáng)學(xué)習(xí)器，能達(dá)到較好的預(yù)測(cè)精度.

優(yōu)化算法通過(guò)不斷迭代找尋最優(yōu)解的方式能為預(yù)測(cè)模型找尋到最適合的參數(shù)，以此提高模型的精確度.HU等^［16］采用改進(jìn)的果蠅算法（IFOA）對(duì)SVR進(jìn)行優(yōu)化，并結(jié)合了案例確定優(yōu)化后的SVR具有更高的預(yù)測(cè)性能.白宇等^［17］使用金豺優(yōu)化算法（GJO）優(yōu)化了CNN-BiLSTM的參數(shù)，解決了因CNN-BiLSTM網(wǎng)絡(luò)的超參數(shù)選取不當(dāng)而影響熱負(fù)荷預(yù)測(cè)結(jié)果的問(wèn)題.王強(qiáng)等^［18］使用鵜鶘優(yōu)化算法（POA）對(duì)深度極限學(xué)習(xí)機(jī)（DELM）進(jìn)行優(yōu)化，極大提升了模型精度.白鯊優(yōu)化算法（WSO）作為一種新穎的元啟發(fā)式算法，通過(guò)模擬大白鯊覓食和追蹤的行為找尋最優(yōu)解，具有高效的全局搜索能力^［19］.

基于以上觀點(diǎn)，本研究針對(duì)傳統(tǒng)空調(diào)負(fù)荷預(yù)測(cè)，提出以下創(chuàng)新點(diǎn)：1）本研究首先制定了一個(gè)采集空調(diào)負(fù)荷功率以及相關(guān)影響因素的實(shí)驗(yàn)方案，并準(zhǔn)備實(shí)驗(yàn)設(shè)備去采集相關(guān)數(shù)據(jù)，故本研究所用樣本數(shù)據(jù)均為獨(dú)立測(cè)得.2）采用了NCA作為本研究的特征篩選方法，能夠有效地分析數(shù)據(jù)的相關(guān)性，并剔除相關(guān)性較小的特征.3）使用集成學(xué)習(xí)以及優(yōu)化算法的方法來(lái)構(gòu)建本研究的預(yù)測(cè)主模型，通過(guò)集成多個(gè)弱學(xué)習(xí)器，最后合成一個(gè)強(qiáng)學(xué)習(xí)器，并與其他的模型進(jìn)行對(duì)比實(shí)驗(yàn)，來(lái)驗(yàn)證本文模型的優(yōu)越性.

1 理論介紹

1.1 近鄰成分分析

近鄰成分分析是一種基于最鄰近（KNN）算法的特征選擇方法^［20］，此方法通過(guò)最小化訓(xùn)練數(shù)據(jù)上的留一法分類誤差來(lái)學(xué)習(xí)特征權(quán)重向量，通過(guò)二次馬氏距離度量，使用對(duì)稱半正定矩陣表示，輸入的特征根據(jù)線性變換能夠最大程度提升分類準(zhǔn)確率或預(yù)測(cè)的精度，并提供屬性的重要度和特征排序^［21］.

1.2 Adaboost模型

Adaboost集成算法，也叫自適應(yīng)推進(jìn)算法，是一種機(jī)器學(xué)習(xí)中集成學(xué)習(xí)領(lǐng)域的算法^［22］，可運(yùn)用于回歸與分類問(wèn)題.Adaboost算法是通過(guò)集成多個(gè)弱學(xué)習(xí)器，將其組合成一個(gè)強(qiáng)學(xué)習(xí)器，這個(gè)強(qiáng)學(xué)習(xí)器的學(xué)習(xí)能力會(huì)優(yōu)于弱學(xué)習(xí)器，它的本質(zhì)是通過(guò)調(diào)整弱學(xué)習(xí)器的樣本權(quán)重大小來(lái)進(jìn)行強(qiáng)學(xué)習(xí)器組合的，對(duì)于正確學(xué)習(xí)的數(shù)據(jù)，它們的權(quán)重會(huì)變低，對(duì)于錯(cuò)誤學(xué)習(xí)的數(shù)據(jù)，權(quán)重會(huì)變高，使得后續(xù)的弱學(xué)習(xí)器集中訓(xùn)練這些數(shù)據(jù).

1.3 白鯊優(yōu)化算法

白鯊優(yōu)化算法是由BRAIK等^［23］2022年提出的一種元啟發(fā)式算法.具有搜索方式連續(xù)穩(wěn)定、能快速高效的達(dá)到全局最優(yōu)解的優(yōu)點(diǎn).在海洋中，白鯊需要進(jìn)行廣泛的搜索才能確定獵物的位置.其中主要分為3步.1）快速向獵物運(yùn)動(dòng).白鯊利用聽(tīng)覺(jué)和嗅覺(jué)基于獵物運(yùn)動(dòng)產(chǎn)生波動(dòng)的情況來(lái)搜尋獵物.2）向最優(yōu)獵物移動(dòng).白鯊在海洋深處隨機(jī)搜尋獵物，向獵物位置移動(dòng)并靠近最優(yōu)獵物.3）向最優(yōu)白鯊個(gè)體運(yùn)動(dòng).白鯊利用魚(yú)群行為，向最接近最優(yōu)獵物的最優(yōu)白鯊運(yùn)動(dòng).具體步驟見(jiàn)文獻(xiàn)［24］.

1.4 支持向量回歸

支持向量回歸（SVR）具體是使用構(gòu)造分類超平面的方式將非線性回歸映射為高維線性回歸問(wèn)題^［25］，能在高維空間實(shí)現(xiàn)數(shù)據(jù)訓(xùn)練樣本的線性回歸，可將所有訓(xùn)練樣本至平面誤差降至最小.SVR不但能解決線性回歸問(wèn)題，也能很好地解決非線性回歸問(wèn)題，相對(duì)于大規(guī)模數(shù)據(jù)來(lái)說(shuō)，更適用于中小規(guī)模數(shù)據(jù).SVR算法模型的計(jì)算表達(dá)式如下：

y（x）=∑N/j=1［（α^*_j-α_j）K（x_j，x）］+d，

式中，x為輸入向量，y為對(duì)應(yīng)輸出值，α^*_j和α_j均為拉格朗日乘子，K（x_j，x）為核函數(shù)，d為偏置量，N為樣本集總數(shù).

1.5 評(píng)價(jià)指標(biāo)

本研究使用相關(guān)系數(shù)R²和平均絕對(duì)比例誤差MAPE（M）作為本研究模型的評(píng)價(jià)指標(biāo)，

R²=1-（∑n/i=1（_i-y_i）²/∑n/i=1（_i-）²），M=（1/n）∑n/i=1|（y_i-_i）/y_i|，

式中，y_i表示的是真實(shí)值，_i表示的是模型預(yù)測(cè)值，表示的是平均真實(shí)值，n表示的是樣本數(shù)量.

2 算例分析

2.1 實(shí)驗(yàn)環(huán)境

本研究采集數(shù)據(jù)的實(shí)驗(yàn)地點(diǎn)為某高校某學(xué)院的2間工作室.硬件使用聯(lián)想拯救者筆記本2022版，CPU為英特爾第12代酷睿i5-12500H，使用MATLAB2023b仿真軟件進(jìn)行仿真實(shí)驗(yàn).

2.2 實(shí)驗(yàn)準(zhǔn)備

2.2.1 實(shí)驗(yàn)影響因素

影響空調(diào)負(fù)荷的參數(shù)主要分為：建筑物理參數(shù)、室內(nèi)環(huán)境參數(shù)、室外氣象參數(shù)以及建筑物內(nèi)人員運(yùn)行參數(shù).建筑物理參數(shù)包括建筑使用面積、建筑高度、圍護(hù)結(jié)構(gòu)傳熱系數(shù)等.這些參數(shù)對(duì)空調(diào)負(fù)荷影響很大，但在負(fù)荷預(yù)測(cè)模型中很少考慮這些參數(shù)的影響.因?yàn)檫@些物理參數(shù)在空調(diào)運(yùn)行周期內(nèi)一般不會(huì)改變，可以將它們視作負(fù)荷預(yù)測(cè)的常數(shù).室內(nèi)環(huán)境參數(shù)主要是指建筑物的室內(nèi)溫度和室內(nèi)濕度.這些參數(shù)受空調(diào)系統(tǒng)終端設(shè)備的影響，對(duì)人體舒適度影響較大.室外氣象參數(shù)包括天氣、風(fēng)速、室外濕度、室外溫度等.這些參數(shù)不受建筑物內(nèi)部活動(dòng)的影響，且相對(duì)容易采集，因此在空調(diào)負(fù)荷預(yù)測(cè)建模中更多考慮.空調(diào)負(fù)荷具有一定的周期性、規(guī)律性和滯后性.因此，歷史時(shí)刻的空調(diào)負(fù)荷功率受到多種影響因素的影響，并且包含了各影響因素的變化趨勢(shì)，因此常被用作預(yù)測(cè)模型的輸出結(jié)果.

2.2.2 實(shí)驗(yàn)設(shè)備

本研究主要探究的是空調(diào)功率和各影響因素之間的關(guān)系，需要通過(guò)以下設(shè)備來(lái)測(cè)量實(shí)驗(yàn)數(shù)據(jù).圖1為測(cè)量數(shù)據(jù)的設(shè)備連接方案圖.

溫濕度記錄儀：室內(nèi)溫濕度使用COS-03USB款溫濕度內(nèi)置探頭傳感器測(cè)量，室外溫濕度使用COS-03USB款溫濕度外延探頭測(cè)量，溫度精度均為±0.1 ℃，濕度精度均為±1.5%RH，為了提高實(shí)驗(yàn)的精確性，本研究采用的記錄時(shí)間間隔為儀器可設(shè)定最小的5 s區(qū)間，為了防止數(shù)據(jù)過(guò)多，設(shè)定每天導(dǎo)出1次.供電電源：對(duì)三相電力采集模塊和串口數(shù)據(jù)記錄儀進(jìn)行供電，將其設(shè)置為24 V電壓.電流互感器：將此裝置套在火線上，可放大測(cè)得的空調(diào)電流，本研究選擇的型號(hào)為JLCT45KX，精度為0.2級(jí)，變比為150/5 A.三相電力采集模塊：可測(cè)得空調(diào)的電流以及電壓，型號(hào)為E1-3DLCJ-V2，電壓檢測(cè)精度＜1.5%，電流檢測(cè)精度＜1%.串口數(shù)據(jù)記錄儀：將測(cè)得的空調(diào)電流和電壓儲(chǔ)存到U盤(pán)當(dāng)中，本研究使用DTSE9G3系列64 GB的U盤(pán)，為了提高實(shí)驗(yàn)的精確性，記錄間隔設(shè)置為1 s，同樣也每天導(dǎo)出1次.

2.2.3 實(shí)驗(yàn)樣本數(shù)據(jù)點(diǎn)

實(shí)驗(yàn)地點(diǎn)分為2個(gè)場(chǎng)所：實(shí)驗(yàn)A配備了一臺(tái)空調(diào)，實(shí)驗(yàn)B配備了2臺(tái)空調(diào)，地點(diǎn)A、B空間大小、布局均是相同的，每臺(tái)空調(diào)的型號(hào)也是相同的.以每60 min采樣一次，選擇空調(diào)運(yùn)作時(shí)的時(shí)間段，將測(cè)得的空調(diào)功率以及室內(nèi)外溫濕度取均值.實(shí)驗(yàn)B選擇2臺(tái)空調(diào)同時(shí)運(yùn)行的時(shí)間段取功率和溫濕度的均值.

空調(diào)設(shè)定溫度根據(jù)試驗(yàn)方案設(shè)定，空調(diào)臺(tái)數(shù)通過(guò)實(shí)驗(yàn)地點(diǎn)確定，空調(diào)功率通過(guò)三相功率模塊測(cè)得.室內(nèi)外溫濕度根據(jù)上述溫濕度記錄儀得到，人員散熱量根據(jù)記錄的人員流通情況確定，主要包括每個(gè)人使用的設(shè)備散熱量（電腦）以及人體散熱量（以1名成年的男士計(jì)算）.天氣和風(fēng)速均通過(guò)實(shí)時(shí)天氣預(yù)報(bào)測(cè)得，每30 min記錄1次.天氣情況使用數(shù)字來(lái)替代，1代表晴天，2代表多云，3代表雨天，4代表霧霾.

2.3 實(shí)驗(yàn)方案

本研究采集實(shí)驗(yàn)數(shù)據(jù)的季節(jié)為冬季，故探究的是空調(diào)熱負(fù)荷功率特性.實(shí)驗(yàn)時(shí)間為每天8：00-22：00，空調(diào)設(shè)定溫度從20 ℃調(diào)至30 ℃，設(shè)置空調(diào)每60 min升高1 ℃，當(dāng)調(diào)至最高溫度后，每60 min降低1 ℃.每隔30 min記錄1次人員流通情況、天氣情況、風(fēng)速情況.

2.4 實(shí)驗(yàn)結(jié)果及對(duì)比

2.4.1 相關(guān)性分析

將采集的474組樣本數(shù)據(jù)輸入到NCA模型后，得到圖2.權(quán)重越大代表特征與空調(diào)功率的相關(guān)性越高，其中特征1～9分別對(duì)應(yīng)空調(diào)設(shè)定溫度、空調(diào)臺(tái)數(shù)、室外溫度、室濕度、室內(nèi)溫度、室內(nèi)濕度、人員散熱量、天氣、風(fēng)速.從圖2中可以明顯地看出特征7，8（人員散熱量以及天氣情況）所占權(quán)重較低，由此可見(jiàn)特征7，8與空調(diào)功率的相關(guān)性較低.NCA模型的閾值設(shè)定為0.9，最終篩選出了7個(gè)特征，剔除了相關(guān)性較低的特征7，8.將篩選后的474組樣本數(shù)據(jù)整合成本研究所使用的數(shù)據(jù)集，并按3∶1的比例劃分為訓(xùn)練集和測(cè)試集.

2.4.2 基學(xué)習(xí)器選擇

使用SVR，BP，ELM這3種簡(jiǎn)單的回歸模型來(lái)對(duì)采集的樣本數(shù)據(jù)集進(jìn)行評(píng)估.3種模型的參數(shù)設(shè)定值均為系統(tǒng)默認(rèn)值.使用評(píng)價(jià)指標(biāo)來(lái)判斷模型的優(yōu)劣，為了防止實(shí)驗(yàn)的偶然性，本研究采用5次實(shí)驗(yàn)的平均值作為結(jié)果，使實(shí)驗(yàn)結(jié)果更穩(wěn)定（圖3）.SVR模型的效果是最好的，比BP，ELM模型的高;MAPE比BP，ELM模型的低.

使用WSO算法對(duì)SVR，BP，ELM模型進(jìn)行參數(shù)尋優(yōu)，需要確定WSO優(yōu)化3種模型的參數(shù)類型，參數(shù)范圍以及變量類型.WSO優(yōu)化SVR模型的參數(shù)為正則化參數(shù)c和核函數(shù)的寬度參數(shù)g，參數(shù)范圍為［0.1，100］，變量類型為浮點(diǎn)型，優(yōu)化BP模型和ELM模型的參數(shù)均為初始權(quán)值和初始閾值b，參數(shù)范圍為［-1，1］，變量類型為實(shí)數(shù)型.WSO算法的種群數(shù)目設(shè)置為30，迭代次數(shù)設(shè)置為100，其他參數(shù)使用原始算法的默認(rèn)參數(shù)，使用MSE作為算法的適應(yīng)度函數(shù).得到的各模型迭代曲線圖如圖4所示，隨著迭代次數(shù)的增加，fitness均不斷減小，并趨于穩(wěn)定.這意味著模型能找到更合適的參數(shù)值.

實(shí)驗(yàn)結(jié)果同樣也取5次實(shí)驗(yàn)的平均值，用3種模型優(yōu)化后得到的結(jié)果與優(yōu)化前的結(jié)果作對(duì)比，如表1所示，可以看出，經(jīng)過(guò)WSO算法優(yōu)化后的3種模型效果均優(yōu)于原始模型.且WSO-SVR模型的效果是最好的，評(píng)價(jià)指標(biāo)R²達(dá)到了0.971 2，MAPE達(dá)到了3.55%，所以選擇WSO-SVR模型作為本研究的基學(xué)習(xí)器.

2.4.3 Adaboost-WSO-SVR模型

本研究構(gòu)建的主模型如圖5所示，首先使用WSO算法優(yōu)化SVR模型的c，g參數(shù)，構(gòu)建出一個(gè)基礎(chǔ)學(xué)習(xí)器，然后使用Adaboost算法集成一定數(shù)量的弱學(xué)習(xí)器，達(dá)到增強(qiáng)穩(wěn)定預(yù)測(cè)的結(jié)果.

將已經(jīng)篩選過(guò)特征的樣本數(shù)據(jù)集訓(xùn)練集帶入主模型中訓(xùn)練，訓(xùn)練好后帶入測(cè)試集檢驗(yàn)預(yù)測(cè)的情況.得到的測(cè)試集預(yù)測(cè)結(jié)果圖如圖6所示.可以看出，測(cè)試集預(yù)測(cè)結(jié)果集合能很好地?cái)M合測(cè)試集的輸出結(jié)果.

2.4.4 實(shí)驗(yàn)對(duì)比

為了驗(yàn)證NCA模型篩選特征的合理性，現(xiàn)將剔除了天氣和人員散熱量后的樣本數(shù)據(jù)集與篩選前的樣本數(shù)據(jù)集分別帶入Adaboost-WSO-SVR模型中，使用評(píng)價(jià)指標(biāo)R²和MAPE來(lái)檢驗(yàn)結(jié)果，評(píng)價(jià)指標(biāo)在測(cè)試集的結(jié)果如圖7所示，篩選后的樣本數(shù)據(jù)集帶入模型的效果要好于篩選之前的樣本數(shù)據(jù)集，評(píng)價(jià)指標(biāo)R²值提高了0.348 1，MAPE值降低了24.25%.

在Adaboost-WSO-SVR主模型與其他對(duì)比模型Adaboost-WSO-BP，Adaboost-WSO-ELM模型對(duì)比之前，為了防止實(shí)驗(yàn)的偶然性，使用5次實(shí)驗(yàn)的平均值作為結(jié)果，使實(shí)驗(yàn)結(jié)果更穩(wěn)定，具有可靠性.得到的結(jié)果如表2所示.可以看出，Adaboost-WSO-SVR模型的MAPE值是最低的，達(dá)到了3.20%，R²值是最高的，達(dá)到了0.972 9，效果比其他對(duì)比模型都好，說(shuō)明了使用Adaboost模型集成WSO-SVR弱學(xué)習(xí)器是可行的.使用此方法能夠提高負(fù)荷預(yù)測(cè)的精確度.

3 結(jié)論與展望

本研究針對(duì)空調(diào)負(fù)荷預(yù)測(cè)問(wèn)題進(jìn)行了展開(kāi)研究.得到了474組數(shù)據(jù)并將其以3∶1的比例劃分為訓(xùn)練集和測(cè)試集.使用NCA方法篩選出相關(guān)性較大的特征，剔除相關(guān)性較小的天氣和人員散熱量特征.然后進(jìn)行基學(xué)習(xí)器的選擇.本研究在SVR，BP，ELM3種簡(jiǎn)單的回歸模型以及使用WSO算法優(yōu)化后的3種模型中進(jìn)行選擇，結(jié)果表明選用WSO-SVR模型作為基學(xué)習(xí)器是最優(yōu)的.由此構(gòu)建了本研究的主模型——Adaboost-WSO-SVR模型.為了驗(yàn)證特征篩選的效果，將篩選后的樣本數(shù)據(jù)和篩選前的樣本數(shù)據(jù)分別帶入本研究的模型中，篩選后樣本數(shù)據(jù)得到的R²比篩選前提高了0.348 1，MAPE值降低了24.25%，效果明顯提高.最后將篩選后的樣本數(shù)據(jù)帶入3種集成優(yōu)化后的預(yù)測(cè)模型當(dāng)中，結(jié)果表明，本研究所采用的Adaboost-WSO-SVR模型精度是最高的，R²達(dá)到了0.972 9，MAPE值達(dá)到了3.20%，預(yù)測(cè)效果比其他模型更好.為后續(xù)空調(diào)潛力分析和空調(diào)負(fù)荷電網(wǎng)調(diào)度提供了基礎(chǔ).未來(lái)的研究工作可以著重于改進(jìn)白鯊優(yōu)化算法，以便讓本研究的模型取得更優(yōu)秀的預(yù)測(cè)效果.

參 考 文 獻(xiàn)

［1］ 于軍琪，邊策，趙安軍，等.考慮頻域分解后數(shù)據(jù)特征的空調(diào)負(fù)荷預(yù)測(cè)模型［J］.控制理論與應(yīng)用，2022，39（6）：1149-1157.

［2］李丙輝.基于負(fù)荷預(yù)測(cè)的空調(diào)冷凍水系統(tǒng)節(jié)能優(yōu)化研究［D］.西安：西安建筑科技大學(xué)，2021.

［3］賀寧，閆琦，李若夏，等.基于CEEMDAN和TCN-GRU-MLR模型的空調(diào)電負(fù)荷短期預(yù)測(cè)［J/OL］.控制工程.［2024-04-10］.https：//doi.org/10.14107/j.cnki.kzgc.20230938.

［4］楊永標(biāo)，顏慶國(guó)，徐石明，等.公共樓宇空調(diào)負(fù)荷參與電網(wǎng)虛擬調(diào)峰的思考［J］.電力系統(tǒng)自動(dòng)化，2015，39（17）：103-107.

YANG Y B，YAN Q G，XU S M，et al.Thinking of public building air-conditioning load participating in grid with virtual peak clipping［J］.Automation of Electric Power Systems，2015，39（17）：103-107.

［5］孫育英，王丹，王偉，等.空調(diào)運(yùn)行負(fù)荷預(yù)測(cè)方法的研究綜述［J］.建筑科學(xué)，2016，32（6）：142-150.

SUN Y Y，WANG D，WANG W，et al.Review of research on air-conditioning operating load prediction methods［J］.Building Science，2016，32（6）：142-150.

［6］蘇醒，王磊，田少宸，等.基于動(dòng)態(tài)客流量模型的地鐵車站空調(diào)負(fù)荷預(yù)測(cè)［J］.同濟(jì)大學(xué)學(xué)報(bào)（自然科學(xué)版），2022，50（1）：114-120.

［7］KHAN S，HAYDER I，HABIB M，et al.Enhanced machine-learning techniques for medium-term and short-term electric-load forecasting in smart grids［J］.Energies，2022，16（1）：276.

［8］XU X，WEN H，LIN H J，et al.Online detection method for variable load conditions and anomalous sound of hydro turbines using correlation analysis and PCA-adaptive-K-means［J］.Measurement，2024，224：113846.

［9］ZHU Z W，ZHOU M R，HU F，et al.A day-ahead industrial load forecasting model using load change rate features and combining FA-ELM and the AdaBoost algorithm［J］.Energy Reports，2023，9：971-981.

［10］王永利，劉澤強(qiáng)，董煥然，等.基于VMD-CSO-RF的綜合能源系統(tǒng)短期負(fù)荷預(yù)測(cè)［J/OL］.華北電力大學(xué)學(xué)報(bào)（自然科學(xué)版）.［2024-04-11］.http：//kns.cnki.net/kcms/detail/13.1212.TM.20240314.1850.002.html.

［11］易禮秋.基于長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)變權(quán)綜合的短期電力負(fù)荷預(yù)測(cè)［D］.烏魯木齊：新疆財(cái)經(jīng)大學(xué)，2021.

［12］EGUíA P，GRANADA E，ALONSO J M，et al.Weather datasets generated using Kriging techniques to calibrate building thermal simulations with TRNSYS［J］.Journal of Building Engineering，2016，7：78-91.

［13］張晨晨.混合優(yōu)化的長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)短期空調(diào)冷負(fù)荷預(yù)測(cè)及其應(yīng)用研究［D］.青島：青島大學(xué)，2022.

［14］WANG L，LEE E W M，YUEN R K K.Novel dynamic forecasting model for building cooling loads combining an artificial neural network and an ensemble approach［J］.Applied Energy，2018，228：1740-1753.

［15］張磊，李海濤，熊致知，等.基于可解釋性XGBoost的電力系統(tǒng)慣量短期預(yù)測(cè)方法［J］.電力建設(shè)，2023，44（8）：22-30.

ZHANG L，LI H T，XIONG Z Z，et al.Short-term prediction method based on interpretable XGBoost for power system inertia［J］.Electric Power Construction，2023，44（8）：22-30.

［16］HU G，XU Z Q，WANG G R，et al.Forecasting energy consumption of long-distance oil products pipeline based on improved fruit fly optimization algorithm and support vector regression［J］.Energy，2021，224：120153.

［17］白宇，薛貴軍，謝文舉，等.改進(jìn)GJO優(yōu)化CNN-BiLSTM的熱負(fù)荷預(yù)測(cè)模型［J/OL］.中國(guó)測(cè)試.［2024-04-11］.http：//kns.cnki.net/kcms/detail/51.1714.TB.20240328.1617.002.html.

［18］王強(qiáng)，劉宏偉，聶子凡.基于VMDT-POA-DELM-GPR的兩階段短期負(fù)荷預(yù)測(cè)［J］.國(guó)外電子測(cè)量技術(shù)，2024，43（1）：101-109.

WANG Q，LIU H W，NIE Z F.Two-stage short-term load forecasting based on VMDT-POA-DELM-GPR［J］.Foreign Electronic Measurement Technology，2024，43（1）：101-109.

［19］李浩博，崔雙喜，樊偉杰.基于改進(jìn)白鯊算法的綜合能源系統(tǒng)低碳經(jīng)濟(jì)調(diào)度［J/OL］.電測(cè)與儀表.［2024-04-15］.http：//kns.cnki.net/kcms/detail/23.1202.TH.20230215.1432.018.html.

［20］GOLDBERGER J，ROWEIS S，HINTON G，et al.Neighbourhood components analysis［M］.Cambridge，Mass：MIT Press，2005：17.

［21］卞凱.基于體征參數(shù)的數(shù)據(jù)歸約礦工健康狀況辨識(shí)方法研究［D］.淮南：安徽理工大學(xué)，2022.

［22］方博揚(yáng)，趙國(guó)彥，馬舉，等.Adaboost集成學(xué)習(xí)優(yōu)化的巷道圍巖松動(dòng)圈預(yù)測(cè)研究［J］.黃金科學(xué)技術(shù)，2023，31（3）：497-506.

FANG B Y，ZHAO G Y，MA J，et al.Prediction study on loosening ring of surrounding rock around roadways using the optimized ensemble learning algorithms based on adaboost［J］.Gold Science and Technology，2023，31（3）：497-506.

［23］BRAIK M，HAMMOURI A，ATWAN J，et al.White Shark Optimizer：a novel bio-inspired meta-heuristic algorithm for global optimization problems［J］.Knowledge-Based Systems，2022，243：108457.

［24］孫世政，龐珂，于競(jìng)童，等.基于白鯊優(yōu)化極限學(xué)習(xí)機(jī)的三維力傳感器非線性解耦［J］.光學(xué)精密工程，2023，31（18）：2664-2674.

SUN S Z，PANG K，YU J T，et al.Nonlinear decoupling of 3d force sensors based on WSO-ELM［J］.Optics and Precision Engineering，2023，31（18）：2664-2674.

［25］滿軻，曹子祥，劉曉麗，等.利用HHO-LSTM-SVR模型預(yù)測(cè)TBM掘進(jìn)參數(shù)［J/OL］.鐵道標(biāo)準(zhǔn)設(shè)計(jì).［2024-04-13］.https：//doi.org/10.13238/j.issn.1004-2954.202309130004.

A data-driven method for air conditioning load forecasting

Zhou Mengran， Zhou Guangyao， Hu Feng， Zhu Ziwei， Zhang Qiqi， Wang Ling， Kong Weile， Wu Changzhen， Cui Enhan

（College of Electrical and Information Engineering， Anhui University of Science and Technology， Huainan 232001， China）

Abstract： Air conditioning load forecasting is the basis for analyzing the potential of air conditioning load and regulating the air conditioning load of the power grid. In order to accurately predict the air conditioning load， this paper proposes an air conditioning load forecasting method taking into account of external influencing factors and integrates optimization. Firstly， develop an experimental operation plan and collect data on influencing factors. Secondly， the nearest neighbor component analysis（NCA） method is used for feature selection to remove features with low importance. Then the white shark optimizer（WSO） algorithm for support vector regression（SVR） are used. The regularization parameter of SVR and the width parameter of the kernel function are optimized， and finally， the adaptive boosting algorithm is combined. Construct the Adaboost WSO-SVR main model， test its accuracy， and compare it with other methods. The results indicate that the accuracy of the Adaboost WSO-SVR main model proposed in this article is higher than the integrated optimized BP， ELM models. It is known that the proposed method has better performance in load forecasting， providing a basis for optimizing control strategies for air conditioning energy conservation.

Keywords： air conditioning load; load forecasting; feature selection; white shark optimization algorithm; adaptive boosting algorithm; support vector regression

［責(zé)任編校 楊浦 劉洋］