冯国会,李奇岩,王 刚,李环宇

(沈阳建筑大学市政与环境工程学院,辽宁 沈阳 110168)

目前我国存在大量的既有公共建筑,空调系统占建筑总运行能耗的30%～40%[1]。在空调的使用中,由于温度传感器无法全面地获取室内的温度信息,使得其送风温度或送风量等过大或过小,甚至出现系统信号变化的延迟,导致空调系统向室内供给的负荷量与建筑需要的负荷量不能很好地匹配。因此通过对相关参数的测量,空调系统能够对室内负荷进行预测,提前调节空调送风量与温湿度,从而使空调系统的送风参数达到要求,以此避免能源浪费。目前的建筑预测模型主要有以热力学方程为基础的物理模型[2]和以机器学习为基础的数据模型[3-9]。相比于物理模型,数据模型具有计算速度快,使用简便等优势。当前使用的机器学习算法主要有支持向量机(SVM)、人工神经网络(ANN)[3]、组合学习(Ensemble Learning)[10]、深度学习(DP)[11]等。支持向量机算法使用正则化项来避免数据的过拟合,算法中的核技巧也有助于处理非线性数据[12],因此成为目前流行的预测算法之一。H.Zhong等[13]提出了一种新的基于向量场的支持向量回归方法找到最优特征空间。F.Zhang等[14]使用差分进化算法为nu-SVR和epsilon-SVR分配权重,从而提高其预测精度。这些方法都对算法本身进行修改以达到更好地预测精度。但现今使用的支持向量机算法大部分被封装在相应的算法库中,例如scikit-learn算法包中封装了包括支持向量机等大部分机器学习算法[15],在实际操作中直接调用算法包中的相关算法即可实现较高的预测精度。……