基于可解读机器学习的建筑冷负荷预测模型评估方法

摘要

近年来,建筑自动化系统(BAS)在现代建筑中广泛安装运用.BAS能够对建筑系统进行自动监测及实时控制,同时存储着海量的建筑能耗监测数据.通过使用数据挖掘技术,可以从这些海量数据中提取出有价值的信息,进而运用到建筑能耗分析﹑能耗与负荷预测﹑故障诊断﹑优化控制等多个方面.监督类数据挖掘技术能够很好地提高能耗预测的精度,但由于构建的预测模型多为黑箱模型,其预测逻辑并不能被轻松地解读,这也是限制高精度黑箱预测模型实用性的根本原因.针对这一问题,发展了一套基于可解读机器学习概念的预测模型评估方法.研究首先运用机器学习算法对建筑冷负荷进行高精度建模,其次通过构建局部线性解释模型对预测个体进行解读,同时基于局部解释模型的参数建立了一种信任指数,用于评价复杂黑箱模型的实际表现.本研究的成果可以帮助建筑运维人员更加全面和快速地了解复杂黑箱模型的预测逻辑,同时可以为模型评估提供一种新型指标,有利于提升复杂模型在决策过程中的实际效用.