基于PCA与RBF的建筑能耗预测建模

由于建筑能耗因子间存在非线性和高度冗余特性，传统预测方法很难消除数据之间冗余和捕捉非线性特征，导致预测精度较低。为了提高建筑能耗预测精度，提出一种将主成分分析（ principal component analysis， PCA）和径向基函数（radial basic function， RBF）神经网络相结合的建筑能耗预测方法（PCA－RBF）。利用PCA消除建筑能耗高维变量数据的相关性，并按累积贡献率提取主成分，将主成分作为RBF神经网络的输入进行训练学习。通过PCA避免了模型过多的输入导致的训练耗时长及预测精度较低的不足。通过将PCA－RBF模型方法应用于某办公建筑能耗的预测中，并与RBF神经网络及BP神经网络模型相比，实验结果表明PCA－RBF模型方法能有效提高建筑能耗预测精度。