本技术涉及一种基于机器学习的建筑能耗预测方法及装置,其中,方法包括:步骤S1:获取基准建筑能耗模型,其中,基准建筑能耗模型基于现有的标准规范并参考典型办公建筑案例建立,用于基于各关键参数的取值得到逐月能源消耗;步骤S2:采用拉丁超立方抽样方法对各关键参数进行采样得到多个第一样本,基于基准建筑能耗模型根据各第一样本得到对应的逐月能源消耗,并将各第一样本和对应的逐月能源消耗组合,生成第二样本;步骤S3:利用第二样本训练建筑能耗预测模型;步骤S4:基于训练好的建筑能耗预测模型进行能耗预测。与现有技术相比,本发明具有在提高建筑能耗预测准确率的同时,减小计算量等优点。
背景技术
随着经济快速发展和城市化进程的不断推进,建筑行业能源消耗持续增加,建筑节能已成为应对气候变化的关键问题。建筑能耗能够有效反映和代表建筑物的运行状况,对其进行准确的分析与评估是建筑节能改造和智慧能源管理的切实需要。
目前,建筑能耗预测方法主要分为两大类:物理仿真方法和数据驱动方法。物理仿真方法基于热力学原理对建筑能源使用情况进行模拟,能够较为精确考虑建筑的运行使用情况,因此能耗仿真结果较为准确。然而,物理仿真方法操作较为复杂,依赖大量详细的建筑信息,且模型校准过程需要用户具备较高的专业知识。另一方面,数据驱动方法利用历史能耗数据和机器学习算法来揭示输入和输出变量之间潜在的线性或非线性关系,具有计算成本低、预测速度快等优势。数据驱动法对非专业人员十分友好,但对数据量要求较高,容易出现模型过拟合问题,影响预测结果的准确性。
实现思路