基于机器学习的建筑能耗SVM 模型降阶分析与研究

赵绍东

(天津市轻工与食品工程机械装备集成设计与在线监控重点实验室，天津科技大学机械工程学院，天津 300222)

根据节能和绿色环保要求，需要对独栋建筑实际产生的能耗情况进行预测.进行预测时可以在给定的条件下随机选择多种形式各异的特征样本用于模型训练，这些特征包括取暖能耗、天气变化、制冷能耗、独栋建筑自身的能源分布、通气排风等.

机器学习的目的是将现实问题模型化，使计算机模拟或者无限地接近于人类的学习行为，并且能够在现有的既定条件下精确地给出机器学习效果.对现实问题的真实模型的逼近程度往往取决于所选取的数据样本的科学性和合理性，因此在选取分类函数和分类器的时候，尽量选取贴近于真实模型的、精简的、具有代表性的准确数据[1-2].由于影响建筑能耗数值大小的因素种类非常繁多，如建筑形式与围护结构、电器设备系统、气象条件、室内环境需求等，因此对建筑能耗数据样本的选取和计算复杂度变得异常困难，无形中增加了分类函数的复杂度和VC 维度(Vapnik-Chervonenkis dimension).正因如此，借助于支持向量机(SVM)算法对样本的维数处理和模型降阶的强大优势和特性，解决建筑能耗数据文本特征子集和模型训练等问题.

1 建筑能耗特征选择算法

特征选择(feature selection，FS)在机器学习研究领域一直被研究人员所青睐，受到了极大的关注.特征选择的目的是为了更好地选择出最有用的特征集，并且为相关……