(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210966555.6 (22)申请日 2022.08.12 (71)申请人 国网浙江省电力有限公司杭州供电 公司 地址 310000 浙江省杭州市上城区解 放东 路59号 (72)发明人 李红　祝春捷　冯涛　徐川子　 龚成尧　罗庆　陈奕　赵坚鹏　 葛蔚蔚　向新宇　丁涛　汪洋　 (74)专利代理 机构 杭州华鼎知识产权代理事务 所(普通合伙) 33217 专利代理师 方艳 (51)Int.Cl. G06N 20/00(2019.01) G06K 9/62(2022.01)F24F 11/46(2018.01) (54)发明名称 一种基于环境温度相关数据学习的空调负 荷回归预测方法 (57)摘要 本发明提出了一种基于环境温度相关数据 学习的空调负荷回归预测方法， 包括： 分别将各 个采样时刻下目标建筑的历史环境温度和历史 空调负荷处理为数据组， 根据环 境温度的高低对 数据组进行排序， 对数据组进行标准化处理形成 数据集； 基于向量机构建环境 温度和空调负荷的 回归学习模 型； 结合数据组的排序情况以及数据 集中的训练集和测试集对回归学习模型进行精 度分析， 得到满足精度要求的空调负荷预测模 型； 获取目标建筑的实时环境温度， 输入空调负 荷预测模型中， 对目标建筑的空调负荷进行实时 预测。 本发 明实现通过环境 温度对平均空调负荷 的回归预测分析， 能够以较少的样 本数据得到室 外环境温度与空调负荷的最优回归预测曲线。 权利要求书3页 说明书7页 附图1页 CN 115511100 A 2022.12.23 CN 115511100 A 1.一种基于环境温度相关数据学习的空调负荷回归预测方法， 其特征在于， 所述空调 负荷回归预测方法包括： S1： 分别将各个采样时刻下目标建筑的历史环境温度和历史空调负荷处理为数据组， 根据环境温度的高低对数据组进行排序， 对数据组进行 标准化处理形成数据集； S2： 基于向量机构建环境温度和空调负荷的回归学习模型； S3： 结合数据组的排序情况以及数据集中的训练集和测试集对回归学习模型进行精度 分析， 得到满足精度要求的空调负荷预测模型； S4： 获取目标建筑的实时环境温度， 输入空调负荷预测模型中， 对目标建筑的空调负荷 进行实时预测。 2.根据权利要求1所述的一种基于环境温度相关数据学习的空调负荷回归预测方法， 其特征在于， 所述分别将各个采样时刻下目标建筑的历史环境温度和历史空调负荷处理为 数据组， 包括： S11： 对历史环境温度和历史 空调负荷进行 数据相关性计算， 得到相关性系数r为： 式中， xi为采样时刻i下的历史环 境温度， yi为采样时刻i下的历史空调负荷， 为历史环 境平均温度， 为历史空调平均负荷， n 为采样时刻总个数； S12： 若相关性系数符合预设条件， 则将历史环境温度和历史空调负荷作为数据组{(xi， yi)|i＝1， 2， ...， n}， 否则， 重新选取采样时刻获取目标建筑的历史环境温度和历史空调负 荷， 返回执 行S11。 3.根据权利要求2所述的一种基于环境温度相关数据学习的空调负荷回归预测方法， 其特征在于， 所述对数据组进行 标准化处理形成数据集， 包括： 基于标准化计算公式将数据组{(xi， yi)|i＝1， 2， ...， n}处理为标准值， 所述标准化计 算公式为： 其中 μx、 μy分别为历史环境温度和历史空调负荷的均值， σx、 σy为历史环境温度和历史空 调负荷的方差， 为标准化后的历史环境温度和历史 空调负荷。 4.根据权利要求1所述的一种基于环境温度相关数据学习的空调负荷回归预测方法， 其特征在于， 所述S2包括： S21： 将标准化处理后的数据集 按预设比例划分为训练集和测试 集； S22： 对训练集使用非线性映射 将样本空间Rd映射到高维特征空间Rm(m≥d)中， 在 特征空间使用权 重w和偏置量v构建超平面 函数 S23： 根据所述超平面 函数， 结合 最优二次凸规划问题构建回归学习模型。 5.根据权利要求4所述的一种基于环境温度相关数据学习的空调负荷回归预测方法，权　利　要　求　书 1/3 页 2 CN 115511100 A 2其特征在于， 所述S23包括： 在超平面 函数f(x)和数据集之间设置精度间隔带， 所述精度间隔带表示 为： |y‑f(x)|≤ ε； 其中， ε表示设置的精度隔离带的宽度， y表示数据集中的历史 空调负荷； 引入松弛变量， 基于精度隔离带的表达式生成最优二次凸规划问题为： s.t.|y‑f(x)|≤ ε+ξi， i＝1， 2，…， n； 其中， C为 惩罚因子， ξi为松弛变量； 通过拉格朗日优化 函数将最优二次凸规划问题转 化为对偶问题， 得到拉格朗日乘子； 基于所述拉格朗日乘子和超平面 函数， 将回归学习模型表达为： 其中， αi和 为拉格朗日乘子， K(x， xi)为根据约束条件s.t.引入的核函数。 6.根据权利要求1所述的一种基于环境温度相关数据学习的空调负荷回归预测方法， 其特征在于， 所述S3包括： S31： 根据训练集对回归学习模型进行训练； S32： 根据 数据组的排序情况确定温度区间， 计算测试集中对应所述温度区间的历史空 调负荷的平均值； S33： 将测试集中对应所述温度区间的历史环境温度输入回归学习模型， 根据回归学习 模型输出 结果与S32中计算的平均值， 计算精度决定系数； S34： 当所述精度决定系数小于等于预设值时， 返回S31重新训练， 当所述决定系数大于 预设值时， 判定满足精度要求， 停止训练， 将当前训练得到的回归学习模型作为空调负荷预 测模型。 7.根据权利要求6所述的一种基于环境温度相关数据学习的空调负荷回归预测方法， 其特征在于， 所述 根据数据组的排序情况确定温度区间， 包括： 分别计算排列相邻的两个数据组中历史环境温度的温差值， 根据 所有温差值的平均值 改变温度区间的大小ΔT， 所有温差值的平均值越大， 设置 ΔT的值越大。 8.根据权利要求7所述的一种基于环境温度相关数据学习的空调负荷回归预测方法， 其特征在于， 所述计算测试集中对应所述温度区间的历史 空调负荷的平均值， 包括： 所述平均值的计算公式为： 其中， yT， T+ΔT为测试集中对应温度区间[T， T+ΔT]的历史空调负荷的平均值， yi为对应 温度区间[T， T+ΔT]的历史空调负荷， N为对应温度区间[T， T+ΔT]内采集的历史空调负荷 的数据数量。 9.根据权利要求6所述的一种基于环境温度相关数据学习的空调负荷回归预测方法， 其特征在于， 所述精度决定系数的表达式为：权　利　要　求　书 2/3 页 3 CN 115511100 A 3