基于氣象因子及機(jī)器學(xué)習(xí)回歸算法的夏季空調(diào)負(fù)荷預(yù)測(cè)

doi:10.3969/2019jms.0018

首頁 > 過刊瀏覽>2019年第39卷第4期 >548-555. DOI:10.3969/2019jms.0018

基于氣象因子及機(jī)器學(xué)習(xí)回歸算法的夏季空調(diào)負(fù)荷預(yù)測(cè)
DOI:
                        10.3969/2019jms.0018
                    
CSTR:
                        
                    
作者:
                        
                        
                    
作者單位:
作者簡(jiǎn)介:
通訊作者:
中圖分類號(hào):TP391.41
基金項(xiàng)目:國(guó)家自然科學(xué)基金青年基金資助項(xiàng)目（41805036）；中國(guó)氣象局2017年決策氣象服務(wù)專項(xiàng)；江蘇省氣象局科研面上項(xiàng)目（KM201708）

Summer air-conditioning load forecasting in Nanjing based on meteorologicalfactors and machine learning regression algorithm

Author:

Affiliation:

Fund Project:

摘要

圖/表

訪問統(tǒng)計(jì)

參考文獻(xiàn)

相似文獻(xiàn)

引證文獻(xiàn)

資源附件

文章評(píng)論

摘要:

氣溫、氣壓、相對(duì)濕度等氣象因子對(duì)夏季用電負(fù)荷的影響非常顯著。為了定量研究氣象因子導(dǎo)致用電負(fù)荷的變化，本文將夏季用電負(fù)荷與當(dāng)年4月及9月用電平均值之差定義為夏季空調(diào)負(fù)荷，并利用2014年1月到2016年12月南京市逐時(shí)氣溫、氣壓、相對(duì)濕度、水汽壓、降雨量、風(fēng)速、露點(diǎn)溫度等氣象資料，以及逐日逐時(shí)用電負(fù)荷數(shù)據(jù)資料，采用多元線性、K近鄰法，決策樹，bagging回歸、隨機(jī)森林等5種機(jī)器學(xué)習(xí)回歸算法進(jìn)行建模，并對(duì)其分別進(jìn)行參數(shù)調(diào)優(yōu)工作，進(jìn)而得到空調(diào)負(fù)荷預(yù)測(cè)結(jié)果。結(jié)果表明：多元線性回歸方法是5種回歸算法里效果最差的一種，但通過增加特征量的種類和樣本數(shù)，可以提高預(yù)測(cè)精度；隨機(jī)森林回歸算法是5種回歸算法里效果最好的一種，較多元線性回歸算法減小誤差達(dá)44%，并且較好描述了空調(diào)負(fù)荷高值區(qū)的極端情況并減少了對(duì)于訓(xùn)練數(shù)據(jù)的過擬合現(xiàn)象。

Abstract:

The meteorological factors such as temperature, air pressure and relative humidity have a significant impact on summer electricity load. In order to quantitatively study the change of electricity load caused by meteorological factors, the summer air-conditioning load is defined as the difference between the summer electricity load and the average electricity consumption in April and September of the year. The meteorological data in Nanjing from January 2014 to December 2016, consisting of the hourly temperature, air pressure, relative humidity, water vapor pressure, rainfall, wind speed, dew temperature, and the hourly daily electricity load data, are used to forecast air conditioning load by using five machine regression algorithms including multivariate linear, K-Nearest neighbor, decision tree, bagging regression and random forest for modeling and optimizing the parameters, respectively. The results show that the multiple linear regression method performs worst among the five machine regression algorithms, but increasing the number of parameters' types and samples can improve the forecast accuracy. Random forest regression algorithm is the most effective method of the five machine regression algorithms, which reduces the error rate by 44% compared with the multiple linear regression, better describes the extreme conditions of high air-conditioning load and reduces the overfitting phenomenon of the training data.

參考文獻(xiàn)

相似文獻(xiàn)

引證文獻(xiàn)

引用本文

田心如,蔡凝昊,張志薇.基于氣象因子及機(jī)器學(xué)習(xí)回歸算法的夏季空調(diào)負(fù)荷預(yù)測(cè).氣象科學(xué),2019,39(4):548-555 TIAN Xinru, CAI Ninghao, ZHANG Zhiwei. Summer air-conditioning load forecasting in Nanjing based on meteorologicalfactors and machine learning regression algorithm. Journal of the Meteorological Sciences,2019,39(4):548-555

復(fù)制

文章指標(biāo)

點(diǎn)擊次數(shù):
下載次數(shù):
HTML閱讀次數(shù):
引用次數(shù):

歷史

收稿日期:2018-10-25
最后修改日期:2019-01-23
錄用日期:
在線發(fā)布日期: 2019-08-31
出版日期:

文章二維碼

您是第位訪問者
氣象科學(xué) ® 2026 版權(quán)所有
技術(shù)支持：北京勤云科技發(fā)展有限公司

抽查舔水白紧大视频,冲喜娘子超甜哒激情五月,亚洲黄色图片偷拍网站,亚洲三级黄片免费播放,91在线观看喷潮红桃,日韩精品在线观看一区二区,久久久久久久久久久久黄色片子,日产精品99久久久久久久久,欧洲亚洲另类图片小说

引用本文

分享

相關(guān)視頻

文章指標(biāo)

歷史

文章二維碼

抽查舔水白紧大视频,冲喜娘子超甜哒 激情五月,亚洲黄色图片偷拍网站,亚洲三级黄片免费播放,91在线观看喷潮红桃,日韩精品在线观看一区二区,久久久久久久久久久久黄色片子,日产精品99久久久久久久久,欧洲亚洲另类图片小说

引用本文

分享

相關(guān)視頻

文章指標(biāo)

歷史

文章二維碼

抽查舔水白紧大视频,冲喜娘子超甜哒激情五月,亚洲黄色图片偷拍网站,亚洲三级黄片免费播放,91在线观看喷潮红桃,日韩精品在线观看一区二区,久久久久久久久久久久黄色片子,日产精品99久久久久久久久,欧洲亚洲另类图片小说