基于加权残差聚类的建筑负荷预测区间估计

提出基于加权残差聚类的建筑负荷预测区间估计方法,旨在对建筑负荷预测模型的不确定性进行定量评估.使用Shapley additive explanations方法量化负荷预测模型的每个输入对输出的贡献程度.基于得到的贡献程度对模型输入进行加权聚类,获得不同聚类簇中的模型历史残差分布.根据不同聚类簇中的残差分布估计模型的预测区间.在深圳某办公建筑1 a的冷负荷数据集上进行验证.结果表明,与传统不对输入进行加权的方法相比,该方法可以显著提高预测区间的估计精度.期望得到的预测区间与该方法得到的预测区间的平均覆盖误差为1.87%,而传统方法的平均覆盖误差为2.27%.该方法可以用于估计任何数据驱动的建筑负荷预测模型的不确定性,从而为优化控制和故障诊断提供更可靠的负荷预测模型.

DVC中基于残差子带分组的自适应噪声模型估计

为提高噪声模型的估计精度,改善系统率失真性能,文中提出了一种基于残差子带分组聚类的自适应噪声模型估计方法.首先根据频率高低对残差子带进行分组,然后由组内子带残差样本生成特征矢量,进而利用改进的模糊c-均值聚类算法对当前解码子带进行聚类,最后计算出每类残差系数的噪声参数.实验结果表明,相比于相邻子带聚类-方差估计算法,文中所提算法能够更加准确地匹配残差分布特征,率失真性能平均提升0.60 d B,且解码时间平均节省40.59%.