肖 冉, 魏子清, 翟晓强

(上海交通大学 制冷与低温工程研究所,上海 200240)

近年来,我国建筑能耗保持上升趋势,全国建筑总能耗已达到8.99亿吨标准煤,公共建筑能耗占比为38.53%[1].公共建筑的节能减排主要通过节能改造和优化建筑管理实现.建筑能耗预测是建筑管理的重要一环,为能源的供需匹配和建筑能源系统智能控制提供了参考[2-3].当前的建筑预测模型主要分为两类,一类是基于热力学计算的物理模型,另一类为基于机器学习的数据模型[4].相较于基于仿真计算的物理模型,数据模型具有预测精度高、计算速度快的优势,在历史数据充足的情况下多采用数据模型[5].数据模型使用机器学习算法学习大量历史数据中的规律、逼近影响因素和建筑能耗间的函数关系[6].能耗预测领域常用算法包括随机森林(RF)、人工神经网络(ANN)及支持向量机(SVM)等[7].

建筑运行能耗受到气象条件和人员使用等多参数的影响,同时存在随机事件的扰动,因此能耗变化规律有着较强的非线性和不确定性.机器学习算法中,SVM算法对建筑能耗非线性特性有较好的拟合能力[8]且运算量较小,因此广泛应用在建筑能耗预测领域[9].此外，当前多数预测模型仅给出能耗预测值,模型预测误差与建筑运行不确定性无法区分.仅使用单一的预测值难以全面反映建筑运行状态，而使用置信区间可以处理建筑能耗预测的不确定性问题[10].

针对上述问题,本文采用实际办公建筑的……