基于PCA與RBF的建筑能耗預測建模

戴坤成， 王貴評， 趙 超

(福州大學石油化工學院， 福建 福州 350116)

基于PCA與RBF的建筑能耗預測建模

戴坤成， 王貴評， 趙 超

(福州大學石油化工學院， 福建 福州 350116)

由于建筑能耗因子間存在非線性和高度冗余特性， 傳統預測方法很難消除數據之間冗余和捕捉非線性特征， 導致預測精度較低. 為了提高建筑能耗預測精度， 提出一種將主成分分析(principal component analysis, PCA)和徑向基函數(radial basic function, RBF)神經網絡相結合的建筑能耗預測方法(PCA-RBF). 利用PCA消除建筑能耗高維變量數據的相關性， 并按累積貢獻率提取主成分， 將主成分作為RBF神經網絡的輸入進行訓練學習. 通過PCA避免了模型過多的輸入導致的訓練耗時長及預測精度較低的不足. 通過將PCA-RBF模型方法應用于某辦公建筑能耗的預測中， 并與RBF神經網絡及BP神經網絡模型相比， 實驗結果表明PCA-RBF模型方法能有效提高建筑能耗預測精度.

建筑能耗； 主成分分析； RBF神經網絡； 正交試驗； 組合預測

0 引言

隨著建筑能耗在我國能源消耗中的比重日益增長， 建筑節能受到全社會越來越多的關注. 準確有效地預測建筑能耗是進行建筑能耗分析及節能評估的重要基礎， 也是建筑節能優化設計的主要依據[1]. 建筑能耗系統是由多因素組成的復雜系統， 單體建筑能耗與圍護結構傳熱系數、 窗墻比、 體形系數、 遮陽系數、 室外溫度及設備啟停等因素之間存在復雜的非線性關系， 且各因素之間存在很強的相關性， 使得建立建筑能耗精確預測模型面臨極大的困難.

人……