CN117291302A - 一种地下建筑内部设备能耗混合模型预测方法 - Google Patents
一种地下建筑内部设备能耗混合模型预测方法 Download PDFInfo
- Publication number
- CN117291302A CN117291302A CN202311244100.4A CN202311244100A CN117291302A CN 117291302 A CN117291302 A CN 117291302A CN 202311244100 A CN202311244100 A CN 202311244100A CN 117291302 A CN117291302 A CN 117291302A
- Authority
- CN
- China
- Prior art keywords
- subgroup
- energy consumption
- model
- algorithm
- parameters
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 71
- 238000005265 energy consumption Methods 0.000 title claims abstract description 61
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 89
- 238000013507 mapping Methods 0.000 claims abstract description 26
- 238000012549 training Methods 0.000 claims description 22
- 230000000739 chaotic effect Effects 0.000 claims description 18
- 238000001514 detection method Methods 0.000 claims description 15
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 claims description 14
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 claims description 14
- 238000013528 artificial neural network Methods 0.000 claims description 13
- 230000003993 interaction Effects 0.000 claims description 13
- 230000005855 radiation Effects 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 10
- 230000015654 memory Effects 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 6
- 238000005286 illumination Methods 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 238000013459 approach Methods 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 5
- 230000036541 health Effects 0.000 claims description 4
- 238000012544 monitoring process Methods 0.000 claims description 4
- 238000005295 random walk Methods 0.000 claims description 4
- 230000002411 adverse Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000006403 short-term memory Effects 0.000 claims description 3
- 241001414834 Ephemeroptera Species 0.000 claims description 2
- 230000007787 long-term memory Effects 0.000 claims description 2
- 238000009826 distribution Methods 0.000 abstract description 9
- 230000002068 genetic effect Effects 0.000 abstract description 9
- 238000005457 optimization Methods 0.000 description 20
- 239000002245 particle Substances 0.000 description 8
- 241000283153 Cetacea Species 0.000 description 6
- 230000008901 benefit Effects 0.000 description 6
- 238000011160 research Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000004378 air conditioning Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000009828 non-uniform distribution Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000009423 ventilation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/0985—Hyperparameter optimisation; Meta-learning; Learning-to-learn
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/08—Construction
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Computation (AREA)
- Economics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Primary Health Care (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种地下建筑内部设备能耗混合模型预测方法,本发明采用平均影响值法(MIV)筛选对地下建筑内部设备能耗影响较大的输入参数,降低相关性较小的参数对模型精度的影响,同时筛选出的各项输入参数具有较高的独立性,避免了输入参数共线性造成的模型解空间不稳定;进一步,Circle映射产生的初始种群,相比于随机初始化的种群和原始Circle映射的种群分布更加均匀;进一步,使用改进蜉蝣算法对LSTM超参数进行优化,得到基于LSTM的混合预测模型,并与目前较为常用的GRNN、遗传算法等预测模型进行对比,本发明具有更高的精度和鲁棒性,本发明为地下建筑内部设备能耗预测提供了有效的方法支持,能够满足实际工程需要等。
Description
技术领域
本发明涉及地下建筑内部设备能耗预测及优化技术领域,具体涉及一种地下建筑内部设备能耗混合模型预测方法。
背景技术
随着全球气候变化和能源危机的加剧,地下建筑作为一种能源利用率高、环保节能的建筑形式,可以有效地缓解能源短缺和环境污染的问题。然而地下建筑存在着空气流通不畅、通风不良、建设和运行成本较高等问题,预测地下建筑内部设备能耗情况可以帮助人们更好地掌握地下建筑的能源利用情况,优化建筑设计方案,降低建设和运行成本,进一步提高经济效益。
综上所述,地下建筑内部设备能耗预测研究的紧迫性和意义是多方面的,基于预测结果制定相应的节能减排政策和技术措施,对提高经济效益、保障公共安全、实现可持续发展具有重要的现实意义。
近年来,应用于建筑能耗预测的方法主要有物理模拟和数据驱动两大类。其中物理模拟方法依靠软件工具模拟建筑物的能耗,需要综合考虑建筑物理参数和内部各系统运行参数对建筑能耗的影响。一方面,由于缺少建筑结构精确的参数,导致模型模拟精度较低,难以模拟实际工程场景;另一方面,模拟软件需要研究人员耗费大量的时间和精力学习,使用成本较高。因此基于数据驱动的方法更多地应用于地下建筑内部设备能耗预测中。
因此,如何提供一种地下建筑内部设备能耗混合模型预测方法就成了本领域技术人员的长期技术诉求。
发明内容
为克服背景技术中存在的不足,本发明提供了一种地下建筑内部设备能耗混合模型预测方法,本发明为地下建筑内部设备能耗预测提供了有效的方法支持,能够满足实际工程需要等。
为实现如上所述的发明目的,本发明采用如下所述的技术方案:
一种地下建筑内部设备能耗混合模型预测方法,所述预测方法具体包括如下步骤:
S1、收集对地下建筑内部设备能耗有影响的各项指标,使用平均影响值法(MeanImpact Value,MIV)筛选特征重要性高的变量,得到样本集和模型输入输出参数;
S2、采用Circle混沌映射的变量定义方法和多子群协同策略对传统蜉蝣算法(Mayfly Algorithm,MA)进行改进,得到改进的蜉蝣算法(Improved Mayfly Algorithm,IMA);
S3、使用改进蜉蝣算法对长短期记忆神经网络(Long Short Term Memory,LSTM)的超参数进行优化,并对地下建筑内部设备能耗进行预测,得到基于改进LSTM的能耗混合预测模型;
S4、在验证集上进行测试,计算平均绝对百分比误差(Mean Absolute PercentageError,MAPE)和均方根误差(Root Mean Square Error,RMSE)对模型预测精度进行评价。
所述的地下建筑内部设备能耗混合模型预测方法,所述S1步中对地下建筑内部设备能耗有影响的各项指标包括室外干球温度、室外湿球温度、直接太阳辐射量、室外风速、室外风向、室外相对湿度、室内人员流动量以及室内照明时间。
所述的地下建筑内部设备能耗混合模型预测方法,所述S1步中使用平均影响值法(MIV)筛选特征重要性高的变量包括室外干球温度、直接太阳辐射量、室内人流量、室内照明时间、室外相对湿度、前一时刻的太阳辐射量。
所述的地下建筑内部设备能耗混合模型预测方法,所述S1步中平均影响值法(MIV)算法的步骤为:
S101、将n维输入变量的m个样本构成原始训练集P,得到P=(p1,p2,...,pm)T,对应的输出为T=(t1,t2,...,tm)T,建立初始预测模型;
S102、将训练集P中每个变量在原有基础上分别加或减10%(每次只改变一个变量,其余变量保持不变),得到两个新的训练样本P1和P2;
S103、将P1和P2分别利用已建立的初始网络进行预测,得到预测序列和/>
S104、求A1和A2差值,即为改变该变量后对输出产生的影响变化值(Impact Value,IV),并将IV按训练数取平均,得到该输入变量对于输出的MIV;
S105、将各变量的MIV取平均值后排序,筛选出相对重要的影响因子,消除变量间的信息重叠。
所述的地下建筑内部设备能耗混合模型预测方法,所述S2步中改进的蜉蝣算法(IMA)的步骤如下:
S201、蜉蝣初始化,设置最大迭代次数、种群初始数量以及待优化的参数维度;
初始化M组蜉蝣算子的初始值,设xi,j=(xi,1,xi,2,…,xi,j,…,xM,D)(1≤i≤M,1≤j≤D)为第i个蜉蝣的当前位置,其中xi,j是在解空间内随机生成的初始化数据;
Circle混沌映射初始化蜉蝣表达式为:
其中,M为种群密度,D为解空间维数,xi,j为第i个蜉蝣在第j维空间的分量,bi为当前状态的混沌变量,bi+1为下一个状态的混沌变量,bi∈(0,1);
S202、雄性蜉蝣个体的更新
雄性蜉蝣成群的聚集,意味着每只雄性蜉蝣的位置都是根据自己和相邻蜉蝣的经验来调整的,假设xit是时间步长t时蜉蝣i在搜索空间中的当前位置,通过在当前位置上添加速度vit+1来改变位置,表述为:
雄性蜉蝣它们会不断地移动,因此,雄性蜉蝣的速度计算如下:
其中vij t是蜉蝣i在j维度t时刻的速度,xij t代表t时刻的位置,a1和a2是社会作用正吸引系数,pbest代码蜉蝣历史最佳位置,gbest代表最佳蜉蝣位置,β是蜉蝣的能见度系数,控制蜉蝣的能见范围,d是舞蹈系数,r为[-1,1]之间的随机数,rp代表当前位置与pbest的距离,rg代表当前位置与gbest的笛卡尔距离,距离的计算如下:
S203、雌性蜉蝣的更新
与雄性不同,雌性蜉蝣不会成群聚集,它们会飞到雄性来繁殖,假设为在时刻t时的蜉蝣i,它的位置更新通过增加速度来更新:
鉴于吸引过程是随机的,决定将其建模为一个确定性过程,即根据它们的健康属性,最优雌性应该被最优的雄性吸引,次优雌性应该被次优的雄性吸引,因此,速度的计算如下:
其中vij t代表速度,yij t代表蜉蝣的位置,a2是一个正系数,β是一个固定的能见系数,rmf代表雌性蜉蝣距离雄性蜉蝣的位置,fl是一个随机游走系数,当雌性没有被雄性攻击时起作用,r是一个在范围[-1,1]的随机数;
S204、多子群协同策略
通过子群间信息交互达到共同进化的目的,增强种群多样性,当某个子群陷入局部最优解时,盲目的信息交互会导致不利的信息在其他子群间传播,容易发生过早收敛的情况,因此在多群协同策略中,对子群进化状态的检测尤为重要,算法根据检测结果判断子群是否发生进化停滞现象,然后激活停滞子群重新进化,各子群的最佳蜉蝣sbestj(j=1,2,…,H其中H是子群的数量)代表j子群的状态,最优子群的sbest表示群体最优值,即sbestj=gbest,停滞检测计数器通过检测子群的最佳蜉蝣sbest来判断子群的进化状态,若sbestj处于更新停滞的状态,sbestj无法引导该子群继续探索最优解,但该子群内部其他蜉蝣会逐渐趋近sbestj,导致算法陷入局部最优解,为避免此类情况发生,引入停滞计数器θ,当子群停滞次数超过阈值Θ时,将通过停滞子群与最优子群的信息交互构建激活样本,当sbestj处于持续更新状态,此类子群无需干预,关闭停滞检测计数器。
所述的地下建筑内部设备能耗混合模型预测方法,所述S3步中使用改进蜉蝣算法对长短期记忆神经网络(LSTM)的超参数进行优化时,对长短期记忆神经网络(LSTM)的参数初始学习率r,正则项系数L2,隐藏层单元数HLN和最大训练次数MUT进行优化,具体步骤为:
S301、Circle映射初始化蜉蝣位置及模型参数;
S302、计算蜉蝣个体的适应度值,保存适应度较好的蜉蝣个体;
S303、根据适应度值更新惯性权重系数;
S304、随机划分子群并检测其进化状态;
S305、重新计算全体蜉蝣的适应度,并更新蜉蝣的适应度和位置;
S306、监测子群状态并更新停滞子群;
S307、计算其余蜉蝣适应度并更新个体最优和全局最优;
S308、判断是否满足停止条件,如果不满足,重复执行S303-S307;
S309、得到最优参数r,L2,HLN和MUT,作为LSTM模型的参数,进而使用LSTM对建筑能耗进行预测,得到最终预测值。
所述的地下建筑内部设备能耗混合模型预测方法,所述S4步中平均绝对百分比误差MAPE和均方根误差RMSE相应的计算公式如下(n为样本数目):
采用如上所述的技术方案,本发明具有如下所述的优越性:
本发明首先针对已有研究模型输入参数的不足,充分考虑建筑外部气象参数和建筑内部设备运行参数共同对地下建筑内部设备能耗的影响;进一步,采用平均影响值法(MIV)筛选对地下建筑内部设备能耗影响较大的输入参数,降低相关性较小的参数对模型精度的影响,同时筛选出的各项输入参数具有较高的独立性,避免了输入参数共线性造成的模型解空间不稳定;进一步,Circle映射产生的初始种群,相比于随机初始化的种群和原始Circle映射的种群分布更加均匀,蜉蝣种群在解空间里的搜索范围更大,增加了群体位置的多样性,对该算法在易陷入局部最优问题上起到较好改善效果,提高了算法的搜索效率;进一步,使用改进蜉蝣算法对LSTM超参数进行优化,得到基于LSTM的混合预测模型,并与目前较为常用的GRNN、遗传算法等预测模型进行对比,本发明具有更高的精度和鲁棒性,本发明为地下建筑内部设备能耗预测提供了有效的方法支持,能够满足实际工程需要等,适合大范围的推广和应用。
附图说明
图1为本发明实施例中构建激活样本流程图;
图2为本发明实施例中IMA算法流程图。
具体实施方式
通过下面的实施例可以更详细的解释本发明,本发明并不局限于下面的实施例;
首先需要说明的是,长短期记忆神经网络(Long Short-Term Memory,LSTM)作为循环神经网络(Recurrent Neural Network,RNN)的一种变体,被发掘应用于长序列数据的处理和预测中,可以有效地应用于各类建筑设备能耗预测,满足实际工程应用需求。神经网络预测模型超参数的合理设置对于提高预测精度至关重要,引入有效的群智能优化算法筛选预测模型的最优超参数能够进一步提高模型的非线性映射能力,提高模型预测能力。
本发明以解决现有研究中预测精度不高、迭代时间过长以及容易陷入局部最优解等问题,并将其用于地下建筑内部设备的能耗预测领域。
本发明所述的一种地下建筑内部设备能耗混合模型预测方法,所述预测方法具体包括如下步骤:
S1、收集对地下建筑内部设备能耗有影响的各项指标,使用平均影响值法(MeanImpact Value,MIV)筛选特征重要性高的变量,得到样本集和模型输入输出参数;
具体实施时,对地下建筑内部设备能耗有影响的各项指标包括室外干球温度、室外湿球温度、直接太阳辐射量、室外风速、室外风向、室外相对湿度、室内人员流动量以及室内照明时间;
使用平均影响值法(MIV)筛选特征重要性高的变量包括室外干球温度、直接太阳辐射量、室内人流量、室内照明时间、室外相对湿度、前一时刻的太阳辐射量;
平均影响值法(MIV)算法的步骤为:
S101、将n维输入变量的m个样本构成原始训练集P,得到P=(p1,p2,...,pm)T,对应的输出为T=(t1,t2,...,tm)T,建立初始预测模型;
S102、将训练集P中每个变量在原有基础上分别加或减10%(每次只改变一个变量,其余变量保持不变),得到两个新的训练样本P1和P2;
S103、将P1和P2分别利用已建立的初始网络进行预测,得到预测序列和/>
S104、求A1和A2差值,即为改变该变量后对输出产生的影响变化值(Impact Value,IV),并将IV按训练数取平均,得到该输入变量对于输出的MIV;
S105、将各变量的MIV取平均值后排序,筛选出相对重要的影响因子,消除变量间的信息重叠。
S2、采用Circle混沌映射的变量定义方法和多子群协同策略对传统蜉蝣算法(Mayfly Algorithm,MA)进行改进,得到改进的蜉蝣算法(IMA);
实施时,改进的蜉蝣算法(IMA)的步骤如下(IMA算法流程图如图2所示):
S201、蜉蝣初始化,设置最大迭代次数、种群初始数量以及待优化的参数维度;
初始化M组蜉蝣算子的初始值,设xi,j=(xi,1,xi,2,…,xi,j,…,xM,D)(1≤i≤M,1≤j≤D)为第i个蜉蝣的当前位置,xi,j是在解空间内随机生成的初始化数据;
Circle混沌映射初始化蜉蝣表达式为:
其中,M为种群密度,D为解空间维数,xi,j为第i个蜉蝣在第j维空间的分量,bi为当前状态的混沌变量,bi+1为下一个状态的混沌变量。bi∈(0,1);
需要说明的是,在MA算法中蜉蝣个体在初始化时各个维度的位置是随机生成的,所以会导致初始种群在解空间内分布不均匀、覆盖率不高和个体之间差异较低等问题,对初始化种群使用混沌映射可有效改善这类问题,其原理是利用混沌的不可预测性和非周期性将变量映射到混沌空间,最后将解线性地转化到优化变量空间,由于Circle映射稳定性和混沌值覆盖率较高,本发明采用该映射生成初始种群,使其初始化分布更加均匀;
S202、雄性蜉蝣个体的更新
雄性蜉蝣成群的聚集,意味着每只雄性蜉蝣的位置都是根据自己和相邻蜉蝣的经验来调整的,假设xit是时间步长t时蜉蝣i在搜索空间中的当前位置,通过在当前位置上添加速度vit+1来改变位置,表述为:
雄性蜉蝣它们会不断地移动,因此,雄性蜉蝣的速度计算如下:
其中vij t是蜉蝣i在j维度t时刻的速度,xij t代表t时刻的位置,a1和a2是社会作用正吸引系数,pbest代码蜉蝣历史最佳位置,gbest代表最佳蜉蝣位置,β是蜉蝣的能见度系数,控制蜉蝣的能见范围,d是舞蹈系数,r为[-1,1]之间的随机数,rp代表当前位置与pbest的距离,rg代表当前位置与gbest的笛卡尔距离,距离的计算如下:
S203、雌性蜉蝣的更新
与雄性不同,雌性蜉蝣不会成群聚集,它们会飞到雄性来繁殖,假设为在时刻t时的蜉蝣i,它的位置更新通过增加速度来更新:
鉴于吸引过程是随机的,决定将其建模为一个确定性过程,即根据它们的健康属性,最优雌性应该被最优的雄性吸引,次优雌性应该被次优的雄性吸引,因此,速度的计算如下:
其中vij t代表速度,yij t代表蜉蝣的位置,a2是一个正系数,β是一个固定的能见系数,rmf代表雌性蜉蝣距离雄性蜉蝣的位置,fl是一个随机游走系数,当雌性没有被雄性攻击时起作用,r是一个在范围[-1,1]的随机数;S204、多子群协同策略
通过子群间信息交互达到共同进化的目的,增强种群多样性,当某个子群陷入局部最优解时,盲目的信息交互会导致不利的信息在其他子群间传播,容易发生过早收敛的情况,因此在多群协同策略中,对子群进化状态的检测尤为重要,算法根据检测结果判断子群是否发生进化停滞现象,然后激活停滞子群重新进化,各子群的最佳蜉蝣sbestj(j=1,2,…,H其中H是子群的数量)代表j子群的状态,最优子群的sbest表示群体最优值,即sbestj=gbest,停滞检测计数器通过检测子群的最佳蜉蝣sbest来判断子群的进化状态,若sbestj处于更新停滞的状态,sbestj无法引导该子群继续探索最优解,但该子群内部其他蜉蝣会逐渐趋近sbestj,导致算法陷入局部最优解,为避免此类情况发生,引入停滞计数器θ,当子群停滞次数超过阈值Θ时,将通过停滞子群与最优子群的信息交互构建激活样本,当sbestj处于持续更新状态,此类子群无需干预,关闭停滞检测计数器;(构建激活样本机理如图1所示);
S3、使用改进蜉蝣算法对长短期记忆神经网络(LSTM)的超参数进行优化,并对地下建筑内部设备能耗进行预测,得到基于改进LSTM的能耗混合预测模型;
实施时,使用改进蜉蝣算法对长短期记忆神经网络(LSTM)的超参数进行优化时,对长短期记忆神经网络(LSTM)的参数初始学习率r,正则项系数L2,隐藏层单元数HLN和最大训练次数MUT进行优化,具体步骤为:
S301、Circle映射初始化蜉蝣位置及模型参数;
S302、计算蜉蝣个体的适应度值,保存适应度较好的蜉蝣个体;
S303、根据适应度值更新惯性权重系数;
S304、随机划分子群并检测其进化状态;
S305、重新计算全体蜉蝣的适应度,并更新蜉蝣的适应度和位置;
S306、监测子群状态并更新停滞子群;
S307、计算其余蜉蝣适应度并更新个体最优和全局最优;
S308、判断是否满足停止条件,如果不满足,重复执行S403-S407;
S309、得到最优参数r,L2,HLN和MUT,作为LSTM模型的参数,进而使用LSTM对建筑能耗进行预测,得到最终预测值;
S4、在验证集上进行测试,计算平均绝对百分比误差(Mean Absolute PercentageError,MAPE)和均方根误差(Root Mean Square Error,RMSE)对模型预测精度进行评价;
实施时,平均绝对百分比误差MAPE和均方根误差RMSE相应的计算公式如下(n为样本数目):
作为本发明的某一具体实施例,选择了1288组有效的样本数据,其中的1246组数据用于模型训练,剩余的42组数据用于模型验证,具体实验步骤如下:
S1、收集室外气象参数(采样周期为1h)以及建筑内部运行参数,气象参数包括室外干球温度、湿球温度、外相对湿度、室外风速、风向、单位面积散射太阳辐射等参数,建筑内部运行参数为实测的人流量与照明灯具开关时间。同时,考虑到太阳辐射和地下建筑内部设备能耗具有明显滞后性,将前一时刻的太阳辐射和地下建筑内部设备能耗值也作为模型的输入参数考虑;
进一步,平均影响值法对输入参数进行筛选,具体步骤为:
S101、将n维输入变量的m个样本构成原始训练集P,得到P=(p1,p2,...,pm)T,对应的输出为T=(t1,t2,...,tm)T,建立初始预测模型;
S102、将训练集P中每个变量在原有基础上分别加/减10%(每次只改变一个变量,其余变量保持不变),得到两个新的训练样本P1和P2;
S103、将P1和P2分别利用已建立的初始网络进行预测,得到预测序列和/>
S104、求A1和A2差值,即为改变该变量后对输出产生的影响变化值(Impact Value,IV),并将IV按训练数取平均,得到该输入变量对于输出的MIV;
S105、将各变量的MIV取平均值后排序,筛选出相对重要的影响因子,消除变量间的信息重叠。
S2、采用Circle混沌映射的变量定义方法和多子群协同策略对传统蜉蝣算法进行改进,算法步骤为:
S201、蜉蝣初始化,设置最大迭代次数、种群初始数量以及待优化的参数维度;实施时,蜉蝣初始化过程中,采用对种群规模、最大迭代次数、待优化的参数上下界、待优化变量的维度以及收敛因子的衰减指数的初值进行设定。
在MA算法中蜉蝣个体在初始化时各个维度的位置是随机生成的,所以会导致初始种群在解空间内分布不均匀、覆盖率不高和个体之间差异较低等问题,对初始化种群使用混沌映射可有效改善这类问题,其原理是利用混沌的不可预测性和非周期性将变量映射到混沌空间,最后将解线性地转化到优化变量空间,由于Circle映射稳定性和混沌值覆盖率较高,本文采用该映射生成初始种群,使其初始化分布更加均匀;针对Circle映射混沌值分布不均匀问题,本发明将Circle映射公式部分参数进行改进,使其混沌值分布更加均匀。Circle混沌映射表达式为:
改进后的Circle映射产生的初始种群,相比于随机初始化的种群和原始Circle映射的种群分布更加均匀,蜉蝣种群在解空间里的搜索范围更大,增加了群体位置的多样性,对该算法在易陷入局部最优问题上起到较好改善效果,提高了算法的搜索效率。
S202、雄性蜉蝣个体的更新
雄性蜉蝣成群的聚集,意味着每只雄性蜉蝣的位置都是根据自己和相邻蜉蝣的经验来调整的。假设xit是时间步长t时蜉蝣i在搜索空间中的当前位置,通过在当前位置上添加速度vit+1来改变位置。这可以表述为:
雄性蜉蝣它们会不断地移动。因此,雄性蜉蝣的速度计算如下:
其中vij t是蜉蝣i在j维度t时刻的速度。xij t代表t时刻的位置。a1和a2是社会作用正吸引系数。pbest代码蜉蝣历史最佳位置。gbest代表最佳蜉蝣位置。β是蜉蝣的能见度系数,控制蜉蝣的能见范围。d是舞蹈系数,r为[-1,1]之间的随机数。rp代表当前位置与pbest的距离。rg代表当前位置与gbest的笛卡尔距离。距离的计算如下:
S203、雌性蜉蝣的更新
与雄性不同,雌性蜉蝣不会成群聚集。它们会飞到雄性来繁殖。假设为在时刻t时的蜉蝣i,它的位置更新通过增加速度来更新:
鉴于吸引过程是随机的,决定将其建模为一个确定性过程。也就是说,根据它们的健康属性,最优雌性应该被最优的雄性吸引,次优雌性应该被次优的雄性吸引。因此,速度的计算如下:
其中vij t代表速度。yij t代表蜉蝣的位置。a2是一个正系数。β是一个固定的能见系数。rmf代表雌性蜉蝣距离雄性蜉蝣的位置。fl是一个随机游走系数,当雌性没有被雄性攻击时起作用。r是一个在范围[-1,1]的随机数。
S204、多子群协同策略。
为进一步提高算法的收敛速度和收敛精度,避免算法陷入局部最优解,增强算法的全局搜索能力,本文引入多子群协同策略,即将整个蜉蝣种群分成4个子群,每个子群的最佳蜉蝣sbest用来反映该子群的进化状态,若sbest能根据迭代次数的增加逐步趋近最优解,则该子群将独立进化,无需与其他子群通讯。引入停滞检测器,若子群出现进化停滞现象,则通过多群之间的信息交互,生成激活样本,促使停滞子群继续寻优,另外,为了避免子群过早聚集导致算法早熟收敛的问题,引入了子群排斥机制。具体流程如图1所示。
多子群协同策略是通过子群间信息交互达到共同进化的目的,增强种群多样性,当某个子群陷入局部最优解时,盲目的信息交互会导致不利的信息在其他子群间传播,容易发生过早收敛的情况。因此在多群协同策略中,对子群进化状态的检测尤为重要,算法可根据检测结果判断子群是否发生进化停滞现象,然后激活停滞子群重新进化,各子群的最佳蜉蝣sbestj(j=1,2,…,H其中H是子群的数量)代表j子群的状态,最优子群的sbest表示群体最优值,即sbestj=gbest,停滞检测计数器通过检测子群的最佳蜉蝣sbest来判断子群的进化状态,若sbestj处于更新停滞的状态,sbestj无法引导该子群继续探索最优解,但该子群内部其他蜉蝣会逐渐趋近sbestj,导致算法陷入局部最优解。为避免此类情况发生,引入停滞计数器θ,当子群停滞次数超过阈值Θ时,将通过停滞子群与最优子群的信息交互构建激活样本,当sbestj处于持续更新状态,此类子群无需干预,关闭停滞检测计数器。
S3、使用改进的蜉蝣算法对LSTM的参数r,L2,HLN和MUT进行优化,具体步骤为:
S301、Circle映射初始化蜉蝣位置及模型参数,本实施例的参数设置见表1:
表1MIV-IMA-LSTM参数设置
S302、计算蜉蝣个体的适应度值,保存适应度较好的蜉蝣个体;
S303、根据适应度值更新惯性权重系数;
S304、随机划分子群并检测其进化状态;
S305、重新计算全体蜉蝣的适应度,并更新蜉蝣的适应度和位置;
S306、监测子群状态并更新停滞子群;
S37、计算其余蜉蝣适应度并更新个体最优和全局最优;
S308、判断是否满足停止条件,如果不满足,重复执行S303-S307;
S309、得到最优参数r,L2,HLN和MUT,作为LSTM模型的参数,进而使用LSTM对建筑能耗进行预测,得到最终预测值。
S4、在验证集上进行测试,计算平均绝对百分比误差(Mean Absolute PercentageError,MAPE)和均方根误差(Root Mean Square Error,RMSE)对模型预测精度进行评价。
实验结果:
本实施例首先和IMA-LSTM预测模型对比,以验证MIV算法提取输入参数对预测模型准确度的影响,使用MIV算法筛选主要参数后,预测模型的精度有所提升。
实施例使用LSTM和PSO-LSTM模型与MIV-IMA-LSTM模型对比。
实施例中各预测结果如表2所示,其中MIV-IMA-LSTM的MAPE和RMSE分别为0.4319%和4.8511,相较于未使用MIV算法的IMA-LSTM模型,混合预测模型的MAPE和RMSE分别降低了79.25%和77.62%;
同时,相较于LSTM和PSO-LSTM预测模型,混合预测模型的MAPE和RMSE分别降低了86.78%、79.25%和85.85%、77.62%。
在四个预测模型中,MIV-IMA-LSTM模型的运行时间也是最短的,鲁棒性更强,可以更为精确对地下建筑内部设备能耗进行预测。
表2各预测模型预测结果
实施例为进一步验证IMA算法对LSTM的寻优能力,分别使用基本MA算法、粒子群优化算法(Particle Swarm Optimization,PSO)、鲸鱼优化算法(Whale OptimizationAlgorithm,WOA)和遗传算法(Genetic Algorithm,GA)对LSTM参数进行优化。
实施例为进一步验证IMA算法对LSTM的寻优能力,分别使用基本MA算法、粒子群优化算法(Particle Swarm Optimization,PSO)、鲸鱼优化算法(Whale OptimizationAlgorithm,WOA)和遗传算法(Genetic Algorithm,GA)对LSTM参数进行优化。
各算法的种群规模均为30,最大迭代次数为20,PSO算法中参数c1=1.5,c2=1.7,粒子速度Vmax=5,GA算法中交叉概率Pc=0.4,变异概率Pm=0.05。
分别将不同优化模型应用于冷负荷预测,模型输入参数为步骤S1得到的输入参数,预测结果如表3所示。
表3不同优化算法对比结果
由表3可知,对比其他优化算法,IMA-LSTM模型可以更快找到最优的模型参数,且预测精度较高,误差波动也较为平稳。以各算法的运行时间,作为模型复杂度指标。
可以看出,IMA-LSTM可以更快达到全局最优,且整体适应度(MSE)以及迭代平稳度都明显优于其他算法。
同时,IMA算法运行时间最短,在时间复杂度上具有显著优势,具有较好的性能表现。
实施例中采用缩小训练样本的策略来验证模型的泛化能力。
将原始数据按月份分为3个子集,分别使用6月前27天,7月、8月前28天的数据预测每个月最后3天的逐时冷负荷。
在MIV-IMA-LSTM和MIV-GRNN模型上分别进行验证,实验结果如表4所示。
MIV-IMA-LSTM模型在6月,7月和8月预测结果的MAPE和RMSE远小于同种实验条件下MIV-GRNN的预测结果。
可以看出即使在缩小训练样本后,本发明提出的MIV-IMA-LSTM模型的预测精度仍显著优于MIV-GRNN模型。MIV-IMA-LSTM模型预测每个月份的误差都小于MIV-GRNN模型,且误差整体波动范围较小,预测模型具有良好的稳定性,可以为地下建筑内部设备能耗预测提供可靠准确的数据支持。
表4不同月份模型预测结果
综上所述,本发明提出的混合预测方法具有良好的预测精度和时间复杂度,能够满足实际工程需求,可以为空调系统提供可靠且稳定的数据支持和运行指导。以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
本发明中所涉及的MIV-IMA-LSTM地下建筑内部设备能耗混合模型预测方法,相比于LSTM和PSO-LSTM模型,其中MIV-IMA-LSTM的MAPE和RMSE分别为0.4319%和4.8511,相较于未使用MIV算法的IMA-LSTM模型,混合预测模型的MAPE和RMSE分别降低了79.25%和77.62%;
同时,相较于LSTM和PSO-LSTM预测模型,混合预测模型的MAPE和RMSE分别降低了86.78%、79.25%和85.85%、77.62%。
在四个预测模型中,MIV-IMA-LSTM模型的运行时间也是最短的,鲁棒性更强,可以更为精确对地下建筑内部设备能耗进行预测。
为进一步验证IMA算法对LSTM的寻优能力,分别使用基本MA算法、粒子群优化算法(Particle Swarm Optimization,PSO)、鲸鱼优化算法(Whale Optimization Algorithm,WOA)和遗传算法(Genetic Algorithm,GA)对LSTM参数进行优化。
各算法的种群规模均为30,最大迭代次数为20,PSO算法中参数c1=1.5,c2=1.7,粒子速度Vmax=5,GA算法中交叉概率Pc=0.4,变异概率Pm=0.05。
对比其他优化算法,MIV-IMA-LSTM模型可以更快找到最优的模型参数,且预测精度较高,误差波动也较为平稳。以各算法的运行时间,作为模型复杂度指标。
可以看出,MIV-IMA-LSTM可以更快达到全局最优,且整体适应度(MSE)以及迭代平稳度都明显优于其他算法。
同时,IMA算法运行时间最短,在时间复杂度上具有显著优势,具有较好的性能表现。
与现有技术相比,本发明的有益效果为:
本发明提供了一种具有更佳性能的地下建筑内部设备能耗混合预测方法,针对已有研究模型输入参数的不足,充分考虑建筑外部气象参数和建筑内部设备运行参数共同对地下建筑内部设备能耗的影响。
进一步的,采用平均影响值法(MIV)筛选对地下建筑内部设备能耗影响较大的输入参数,降低相关性较小的参数对模型精度的影响。同时筛选出的各项输入参数具有较高的独立性,避免了输入参数共线性造成的模型解空间不稳定;
进一步的,Circle映射产生的初始种群,相比于随机初始化的种群和原始Circle映射的种群分布更加均匀,蜉蝣种群在解空间里的搜索范围更大,增加了群体位置的多样性,对该算法在易陷入局部最优问题上起到较好改善效果,提高了算法的搜索效率。通过15个经典测试参数对改进策略进行验证,结果均表明改进的蜉蝣算法迭代次数短,寻优结果更加精确;
进一步的,使用改进蜉蝣算法对LSTM超参数进行优化,得到基于LSTM的混合预测模型,并与目前较为常用的GRNN、遗传算法等预测模型进行对比,本发明提出的混合预测模型具有更高的精度和鲁棒性。
本发明未详述部分为现有技术。
为了公开本发明的发明目的而在本文中选用的实施例,当前认为是适宜的,但是,应了解的是,本发明旨在包括一切属于本构思和发明范围内的实施例的所有变化和改进。
Claims (7)
1.一种地下建筑内部设备能耗混合模型预测方法,其特征是:所述预测方法具体包括如下步骤:
S1、收集对地下建筑内部设备能耗有影响的各项指标,使用平均影响值法(MeanImpact Value,MIV)筛选特征重要性高的变量,得到样本集和模型输入输出参数;
S2、采用Circle混沌映射的变量定义方法和多子群协同策略对传统蜉蝣算法(MayflyAlgorithm,MA)进行改进,得到改进的蜉蝣算法(Improved Mayfly Algorithm,IMA);
S3、使用改进蜉蝣算法对长短期记忆神经网络(Long Short Term Memory,LSTM)的超参数进行优化,并对地下建筑内部设备能耗进行预测,得到基于改进LSTM的能耗混合预测模型;
S4、在验证集上进行测试,计算平均绝对百分比误差(Mean Absolute PercentageError,MAPE)和均方根误差(Root Mean Square Error,RMSE)对模型预测精度进行评价。
2.根据权利要求1所述的地下建筑内部设备能耗混合模型预测方法,其特征是:所述S1步中对地下建筑内部设备能耗有影响的各项指标包括室外干球温度、室外湿球温度、直接太阳辐射量、室外风速、室外风向、室外相对湿度、室内人员流动量以及室内照明时间。
3.根据权利要求1所述的地下建筑内部设备能耗混合模型预测方法,其特征是:所述S1步中使用平均影响值法(MIV)筛选特征重要性高的变量包括室外干球温度、直接太阳辐射量、室内人流量、室内照明时间、室外相对湿度、前一时刻的太阳辐射量。
4.根据权利要求1所述的地下建筑内部设备能耗混合模型预测方法,其特征是:所述S1步中平均影响值法(MIV)算法的步骤为:
S101、将n维输入变量的m个样本构成原始训练集P,得到P=(p1,p2,...,pm)T,对应的输出为T=(t1,t2,...,tm)T,建立初始预测模型;
S102、将训练集P中每个变量在原有基础上分别加或减10%(每次只改变一个变量,其余变量保持不变),得到两个新的训练样本P1和P2;
S103、将P1和P2分别利用已建立的初始网络进行预测,得到预测序列和/>
S104、求A1和A2差值,即为改变该变量后对输出产生的影响变化值(Impact Value,IV),并将IV按训练数取平均,得到该输入变量对于输出的MIV;
S105、将各变量的MIV取平均值后排序,筛选出相对重要的影响因子,消除变量间的信息重叠。
5.根据权利要求1所述的地下建筑内部设备能耗混合模型预测方法,其特征是:所述S2步中改进的蜉蝣算法(IMA)的步骤如下:
S201、蜉蝣初始化,设置最大迭代次数、种群初始数量以及待优化的参数维度;
初始化M组蜉蝣算子的初始值,设xi,j=(xi,1,xi,2,…,xi,j,…,xM,D)(1≤i≤M,1≤j≤D)为第i个蜉蝣的当前位置,其中xi,j是在解空间内随机生成的初始化数据;
Circle混沌映射初始化蜉蝣表达式为:
其中,M为种群密度,D为解空间维数,xi,j为第i个蜉蝣在第j维空间的分量,bi为当前状态的混沌变量,bi+1为下一个状态的混沌变量,bi∈(0,1);
S202、雄性蜉蝣个体的更新
雄性蜉蝣成群的聚集,意味着每只雄性蜉蝣的位置都是根据自己和相邻蜉蝣的经验来调整的,假设xit是时间步长t时蜉蝣i在搜索空间中的当前位置,通过在当前位置上添加速度vit+1来改变位置,表述为:
雄性蜉蝣它们会不断地移动,因此,雄性蜉蝣的速度计算如下:
其中vij t是蜉蝣i在j维度t时刻的速度,xij t代表t时刻的位置,a1和a2是社会作用正吸引系数,pbest代码蜉蝣历史最佳位置,gbest代表最佳蜉蝣位置,β是蜉蝣的能见度系数,控制蜉蝣的能见范围,d是舞蹈系数,r为[-1,1]之间的随机数,rp代表当前位置与pbest的距离,rg代表当前位置与gbest的笛卡尔距离,距离的计算如下:
S203、雌性蜉蝣的更新
与雄性不同,雌性蜉蝣不会成群聚集,它们会飞到雄性来繁殖,假设yi t为在时刻t时的蜉蝣i,它的位置更新通过增加速度来更新:
鉴于吸引过程是随机的,决定将其建模为一个确定性过程,即根据它们的健康属性,最优雌性应该被最优的雄性吸引,次优雌性应该被次优的雄性吸引,因此,速度的计算如下:
其中vij t代表速度,yij t代表蜉蝣的位置,a2是一个正系数,β是一个固定的能见系数,rmf代表雌性蜉蝣距离雄性蜉蝣的位置,fl是一个随机游走系数,当雌性没有被雄性攻击时起作用,r是一个在范围[-1,1]的随机数;
S204、多子群协同策略
通过子群间信息交互达到共同进化的目的,增强种群多样性,当某个子群陷入局部最优解时,盲目的信息交互会导致不利的信息在其他子群间传播,容易发生过早收敛的情况,因此在多群协同策略中,对子群进化状态的检测尤为重要,算法根据检测结果判断子群是否发生进化停滞现象,然后激活停滞子群重新进化,各子群的最佳蜉蝣sbestj(j=1,2,…,H其中H是子群的数量)代表j子群的状态,最优子群的sbest表示群体最优值,即sbestj=gbest,停滞检测计数器通过检测子群的最佳蜉蝣sbest来判断子群的进化状态,若sbestj处于更新停滞的状态,sbestj无法引导该子群继续探索最优解,但该子群内部其他蜉蝣会逐渐趋近sbestj,导致算法陷入局部最优解,为避免此类情况发生,引入停滞计数器θ,当子群停滞次数超过阈值Θ时,将通过停滞子群与最优子群的信息交互构建激活样本,当sbestj处于持续更新状态,此类子群无需干预,关闭停滞检测计数器。
6.根据权利要求1所述的地下建筑内部设备能耗混合模型预测方法,其特征是:所述S3步中使用改进蜉蝣算法对长短期记忆神经网络(LSTM)的超参数进行优化时,对长短期记忆神经网络(LSTM)的参数初始学习率r,正则项系数L2,隐藏层单元数HLN和最大训练次数MUT进行优化,具体步骤为:
S301、Circle映射初始化蜉蝣位置及模型参数;
S302、计算蜉蝣个体的适应度值,保存适应度较好的蜉蝣个体;
S303、根据适应度值更新惯性权重系数;
S304、随机划分子群并检测其进化状态;
S305、重新计算全体蜉蝣的适应度,并更新蜉蝣的适应度和位置;
S306、监测子群状态并更新停滞子群;
S307、计算其余蜉蝣适应度并更新个体最优和全局最优;
S308、判断是否满足停止条件,如果不满足,重复执行S303-S307;
S309、得到最优参数r,L2,HLN和MUT,作为LSTM模型的参数,进而使用LSTM对建筑能耗进行预测,得到最终预测值。
7.根据权利要求1所述的地下建筑内部设备能耗混合模型预测方法,其特征是:所述S4步中平均绝对百分比误差MAPE和均方根误差RMSE相应的计算公式如下(n为样本数目):
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311244100.4A CN117291302A (zh) | 2023-09-26 | 2023-09-26 | 一种地下建筑内部设备能耗混合模型预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311244100.4A CN117291302A (zh) | 2023-09-26 | 2023-09-26 | 一种地下建筑内部设备能耗混合模型预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117291302A true CN117291302A (zh) | 2023-12-26 |
Family
ID=89251276
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311244100.4A Pending CN117291302A (zh) | 2023-09-26 | 2023-09-26 | 一种地下建筑内部设备能耗混合模型预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117291302A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117873904A (zh) * | 2024-03-07 | 2024-04-12 | 之江实验室 | 基于t-分布鲸鱼优化算法生成浮点数测试激励方法和装置 |
-
2023
- 2023-09-26 CN CN202311244100.4A patent/CN117291302A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117873904A (zh) * | 2024-03-07 | 2024-04-12 | 之江实验室 | 基于t-分布鲸鱼优化算法生成浮点数测试激励方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Tian et al. | Predictive model of energy consumption for office building by using improved GWO-BP | |
Parhizkar et al. | Evaluation and improvement of energy consumption prediction models using principal component analysis based feature reduction | |
CN107704875A (zh) | 基于改进ihcmac神经网络的建筑负荷预测方法和装置 | |
CN107909220A (zh) | 一种电采暖负荷预测方法 | |
Han et al. | Energy saving of buildings for reducing carbon dioxide emissions using novel dendrite net integrated adaptive mean square gradient | |
CN110956329B (zh) | 基于分布式光伏与电动汽车时空分布的负荷预测方法 | |
Gui et al. | The methodology of standard building selection for residential buildings in hot summer and cold winter zone of China based on architectural typology | |
Guo et al. | Prediction of heating and cooling loads based on light gradient boosting machine algorithms | |
CN112415924A (zh) | 一种空调系统节能优化方法及系统 | |
CN110222883A (zh) | 基于风驱动优化bp神经网络的电力系统负荷预测方法 | |
CN117291302A (zh) | 一种地下建筑内部设备能耗混合模型预测方法 | |
CN106650784A (zh) | 一种基于特征聚类比较的光伏电站功率预测方法及装置 | |
CN114692265A (zh) | 一种基于深度强化学习的零碳建筑优化设计方法 | |
Lin et al. | Application of multi-objective genetic algorithm based simulation for cost-effective building energy efficiency design and thermal comfort improvement | |
CN111310257A (zh) | 一种bim环境下的区域建筑能耗预测方法 | |
CN112149890A (zh) | 基于用户用能标签的综合能源负荷预测方法及系统 | |
CN115374995A (zh) | 一种分布式光伏、小风电场站功率预测方法 | |
CN116629428A (zh) | 一种基于特征选择和SSA-BiLSTM的建筑能耗预测方法 | |
Lei et al. | An evolutionary deep learning model based on EWKM, random forest algorithm, SSA and BiLSTM for building energy consumption prediction | |
Yong et al. | Short-term building load forecasting based on similar day selection and LSTM network | |
Fang et al. | Optimization of Air Conditioning Energy Consumption Based on Indoor Comfort Degree | |
CN115660338A (zh) | 一种西南边跨境区域的典型建筑冷热电负荷模型构建方法 | |
Di et al. | An energy saving effect evaluation of nano thermal insulation coating for building exterior wall | |
CN109919513B (zh) | 一种基于寒地装配式民居建筑物的物理环境评价方法 | |
CN114707422A (zh) | 一种基于负荷预测的智能电力缉查方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |