基于Kmeans-SVR的住宅建筑供热负荷预测方法

为提高建筑负荷预测的准确性,方便后续进行建筑能耗优化调整,本文将Kmeans聚类算法与SVR模型相结合构建住宅建筑供热负荷预测模型,并采用冬季采暖工况数据对模型进行验证。结果表明,采用聚类算法对输入特征中相关性较高的特征进行分类,可使负荷预测模型更具针对性;Kmeans-SVR模型的平均绝对百分比误差相比SVR模型降低了62%,均方根误差降低了19%,并且Kmeans-SVR模型预测负荷与实际负荷间的决定系数超过0.9;聚类数目为2时相比聚类数目为3时Kmeans-SVR模型有更好的聚类效果,但预测误差却更大;在供热初期和末期,Kmeans-SVR模型的平均绝对百分比误差在15%上下波动;在供暖中期,Kmeans-SVR模型的平均绝对百分比误差在10%左右,整体预测误差小于SVR模型。Kmeans-SVR模型是一种准确高效的供热负荷预测方法,可以为供热空调运行策略调控提供支持,有助于实现建筑节能减排的目的。