[论文解读] Support Vector Machine in Prediction of Building Energy Demand Using Pseudo Dynamic Approach

Subodh Paudel, Phuong H. Nguyen+4 more|arXiv (Cornell University)|Jul 17, 2015

Building Energy and Comfort Optimization参考文献 19被引用 31

一句话总结

本文提出了一种结合伪动态建模和基于动态时间规整（DTW）的相关日期选择的支持向量机（SVM）模型，以高精度预测建筑能耗。该方法将训练时间从完整数据集的116小时减少至仅8分钟，同时通过捕捉热惯性和人员占用模式的动态变化，提升了预测性能。

ABSTRACT

Building's energy consumption prediction is a major concern in the recent years and many efforts have been achieved in order to improve the energy management of buildings. In particular, the prediction of energy consumption in building is essential for the energy operator to build an optimal operating strategy, which could be integrated to building's energy management system (BEMS). This paper proposes a prediction model for building energy consumption using support vector machine (SVM). Data-driven model, for instance, SVM is very sensitive to the selection of training data. Thus the relevant days data selection method based on Dynamic Time Warping is used to train SVM model. In addition, to encompass thermal inertia of building, pseudo dynamic model is applied since it takes into account information of transition of energy consumption effects and occupancy profile. Relevant days data selection and whole training data model is applied to the case studies of Ecole des Mines de Nantes, France Office building. The results showed that support vector machine based on relevant data selection method is able to predict the energy consumption of building with a high accuracy in compare to whole data training. In addition, relevant data selection method is computationally cheaper (around 8 minute training time) in contrast to whole data training (around 31 hour for weekend and 116 hour for working days) and reveals realistic control implementation for online system as well.

研究动机与目标

• 解决准确短期建筑能耗预测的挑战，以实现最优能源管理。
• 克服SVM等数据驱动模型对训练数据选择的敏感性。
• 通过伪动态方法将热惯性和人员占用动态整合到能耗预测中。
• 开发一种计算高效、支持在线运行的预测系统，适用于实时建筑能源管理系统（BEMS）。

提出的方法

• 采用支持向量机（SVM）作为核心回归模型，用于能耗预测。
• 应用动态时间规整（DTW）识别并选择与目标日期具有相似气象和占用模式的“相关日期”。
• 集成一种伪动态模型，以捕捉能耗和占用模式的时间演变特征。
• 仅使用所选的相关日期进行SVM模型训练，而非整个历史数据集。
• 比较基于相关日期选择方法与完整历史数据训练在模型性能和训练时间上的差异。
• 采用法国南特国立矿业学院办公楼的实际案例数据进行验证与评估。

实验结果

研究问题

• RQ1 基于DTW的相关日期选择能否提升SVM在建筑能耗预测中的准确性？
• RQ2 伪动态建模方法如何增强对热惯性及占用影响的表征？
• RQ3 在使用相关日期与完整训练数据之间，预测精度与计算效率的权衡如何？
• RQ4 所提出的方法能否在实际BEMS应用中实现近实时、在线能耗预测？

主要发现

• 使用DTW选择相关日期训练的SVM模型，其预测精度高于使用完整数据集训练的模型。
• 相关日期方法的训练时间显著降低至约8分钟，而完整数据训练的工作日为116小时，周末为31小时。
• 伪动态模型有效捕捉了延迟的热效应和占用模式的动态过渡，提升了预测结果的真实性。
• 所提出方法实现了计算高效、接近实时的实现，适用于在线建筑能源管理系统。
• 结果表明，基于时间相似性（通过DTW实现）的数据选择，比使用全部历史数据进行SVM训练更为有效。
• 该方法在准确度、速度和实用性之间取得良好平衡，具有在实际BEMS中部署的强潜力。