Feature Engineering Approach to Building Load Prediction: A Case Study for Commercial Building Chiller Plant Optimization in Tropical Weather

📄 arXiv: 2502.15780v1 📥 PDF

作者: Zhan Wang, Chen Weidong, Huang Zhifeng, Md Raisul Islam, Chua Kian Jon

分类: eess.SY, cs.AI, cs.LG

发布日期: 2025-02-17

💡 一句话要点

针对热带商业建筑冷水机组优化，提出基于特征工程的负荷预测方法。

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 冷负荷预测 特征工程 K-means聚类 神经网络 卡尔曼滤波 模型预测控制 遗传算法 热能存储

📋 核心要点

  1. 传统负荷预测方法在处理复杂气象数据时，通常直接使用原始数值，忽略了数据间的潜在关系，导致预测精度受限。
  2. 该论文提出一种结合神经网络、卡尔曼滤波和K-means聚类的冷负荷预测模型，通过特征工程提升预测精度。
  3. 实验结果表明，该模型在实际商业建筑数据上实现了46.5%的预测精度提升，并提出了节能潜力。
  4. 通过遗传算法优化冷水机组排序策略，可节省13.8%的能源，集成热能存储可降低资本和运营成本。

📝 摘要（中文）

在高湿度热带国家，空调能耗可占建筑总能耗的60%。对于采用集中式系统的商业建筑，冷水机组的效率至关重要。模型预测控制通过基于精确负荷预测的动态调整，为优化运行提供有效策略。人工神经网络擅长对非线性系统建模，但易因其复杂性而过拟合。有效的特征工程可以缓解此问题。虽然气象数据对负荷预测至关重要，但通常仅作为原始数值输入，缺乏高级处理。聚类特征是一种可以降低模型复杂性并提高预测准确性的技术。尽管之前的研究探索了用于负荷预测的聚类算法，但没有研究将其应用于多维气象数据，存在研究空白。本研究提出了一种结合神经网络、卡尔曼滤波和K-means聚类的冷负荷预测模型。应用于新加坡中央商务区商业摩天大楼的真实数据，该模型实现了46.5%的预测精度提升。通过预测负荷的遗传算法优化，还开发了一种最佳的冷水机组排序策略，可能节省13.8%的能源。最后，该研究评估了将热能存储集成到冷水机组设计中，表明资本和运营成本分别可能降低26%和13%。

🔬 方法详解

问题定义：论文旨在解决热带地区商业建筑冷水机组的冷却负荷预测问题。现有方法，特别是直接使用原始气象数据的神经网络模型，容易过拟合，预测精度不高，无法有效支持模型预测控制（MPC）策略的实施。现有方法缺乏对多维气象数据的有效特征工程手段，无法充分挖掘数据中的信息。

核心思路：论文的核心思路是通过特征工程，特别是K-means聚类，对多维气象数据进行预处理，提取更具代表性的特征，降低模型的复杂性，从而提高神经网络模型的预测精度。同时，结合卡尔曼滤波来进一步平滑预测结果，提升鲁棒性。此外，利用遗传算法优化冷水机组的运行策略，并评估热能存储的集成潜力。

技术框架：整体框架包括以下几个主要阶段：1) 数据收集与预处理：收集商业建筑的冷却负荷数据和多维气象数据。2) 特征工程：使用K-means聚类算法对气象数据进行聚类，生成新的特征。3) 负荷预测模型构建：构建基于神经网络的负荷预测模型，输入包括原始气象数据、聚类后的特征以及历史负荷数据。4) 卡尔曼滤波：使用卡尔曼滤波对神经网络的预测结果进行平滑处理。5) 优化与评估：利用遗传算法优化冷水机组的运行策略，并评估热能存储的集成潜力。

关键创新：该论文的关键创新在于将K-means聚类算法应用于多维气象数据的特征工程，这在冷负荷预测领域是一个新的尝试。与直接使用原始气象数据相比，聚类后的特征能够更好地捕捉气象数据的内在结构，降低模型的复杂性，提高预测精度。此外，结合卡尔曼滤波进一步提升了预测的鲁棒性。

关键设计：K-means聚类的簇数量需要根据具体数据进行调整，以达到最佳的特征提取效果。神经网络模型的结构（层数、神经元数量）需要根据数据量和模型复杂度进行权衡，避免过拟合或欠拟合。卡尔曼滤波器的参数（过程噪声和测量噪声）需要根据实际情况进行调整，以达到最佳的平滑效果。遗传算法的参数（种群大小、交叉概率、变异概率）需要根据优化问题的复杂程度进行调整。

📊 实验亮点

该模型在新加坡中央商务区商业摩天大楼的真实数据上进行了验证，实现了46.5%的预测精度提升。通过遗传算法优化冷水机组排序策略，可节省13.8%的能源。评估结果表明，集成热能存储可降低资本和运营成本分别达26%和13%。

🎯 应用场景

该研究成果可应用于商业建筑、工业设施等需要精确冷却负荷预测的场景，尤其是在高湿度热带地区。通过提高冷水机组的运行效率，降低能源消耗，减少碳排放，具有显著的经济和环境效益。该方法也可推广到其他类型的负荷预测问题，例如电力负荷预测、供热负荷预测等。

📄 摘要（原文）

In tropical countries with high humidity, air conditioning can account for up to 60% of a building's energy use. For commercial buildings with centralized systems, the efficiency of the chiller plant is vital, and model predictive control provides an effective strategy for optimizing operations through dynamic adjustments based on accurate load predictions. Artificial neural networks are effective for modelling nonlinear systems but are prone to overfitting due to their complexity. Effective feature engineering can mitigate this issue. While weather data are crucial for load prediction, they are often used as raw numerical inputs without advanced processing. Clustering features is a technique that can reduce model complexity and enhance prediction accuracy. Although previous studies have explored clustering algorithms for load prediction, none have applied them to multidimensional weather data, revealing a research gap. This study presents a cooling load prediction model that combines a neural network with Kalman filtering and K-means clustering. Applied to real world data from a commercial skyscraper in Singapore's central business district, the model achieved a 46.5% improvement in prediction accuracy. An optimal chiller sequencing strategy was also developed through genetic algorithm optimization of the predictive load, potentially saving 13.8% in energy. Finally, the study evaluated the integration of thermal energy storage into the chiller plant design, demonstrating potential reductions in capital and operational costs of 26% and 13%, respectively.