CN117787746A - 一种基于iceemdan-idbo-bilstm的建筑能耗预测方法 - Google Patents
一种基于iceemdan-idbo-bilstm的建筑能耗预测方法 Download PDFInfo
- Publication number
- CN117787746A CN117787746A CN202311840837.2A CN202311840837A CN117787746A CN 117787746 A CN117787746 A CN 117787746A CN 202311840837 A CN202311840837 A CN 202311840837A CN 117787746 A CN117787746 A CN 117787746A
- Authority
- CN
- China
- Prior art keywords
- energy consumption
- building energy
- bilstm
- idbo
- follows
- 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.)
- Granted
Links
- 238000005265 energy consumption Methods 0.000 title claims abstract description 121
- 238000000034 method Methods 0.000 title claims abstract description 101
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 73
- 238000012549 training Methods 0.000 claims abstract description 20
- 238000012360 testing method Methods 0.000 claims abstract description 15
- 238000010606 normalization Methods 0.000 claims abstract description 7
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 210000003608 fece Anatomy 0.000 claims description 82
- 241000254173 Coleoptera Species 0.000 claims description 80
- 230000006870 function Effects 0.000 claims description 63
- 238000000354 decomposition reaction Methods 0.000 claims description 33
- 230000008569 process Effects 0.000 claims description 28
- 241000283153 Cetacea Species 0.000 claims description 25
- 238000005457 optimization Methods 0.000 claims description 24
- 230000000739 chaotic effect Effects 0.000 claims description 20
- 230000002431 foraging effect Effects 0.000 claims description 16
- 238000013507 mapping Methods 0.000 claims description 16
- 230000019637 foraging behavior Effects 0.000 claims description 12
- 238000005096 rolling process Methods 0.000 claims description 12
- 238000013528 artificial neural network Methods 0.000 claims description 11
- 230000006399 behavior Effects 0.000 claims description 11
- 239000013598 vector Substances 0.000 claims description 8
- 238000009395 breeding Methods 0.000 claims description 6
- 230000001488 breeding effect Effects 0.000 claims description 6
- 230000015654 memory Effects 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 4
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 3
- 238000012545 processing Methods 0.000 description 6
- 241001229848 Aphodius granarius Species 0.000 description 4
- 230000002457 bidirectional effect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 210000004027 cell Anatomy 0.000 description 3
- 230000008034 disappearance Effects 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 238000004880 explosion Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000012804 iterative process Methods 0.000 description 3
- 230000007787 long-term memory Effects 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000002441 reversible effect Effects 0.000 description 3
- 230000006403 short-term memory Effects 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000004888 barrier function Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000001629 suppression Effects 0.000 description 2
- 102100029469 WD repeat and HMG-box DNA-binding protein 1 Human genes 0.000 description 1
- 101710097421 WD repeat and HMG-box DNA-binding protein 1 Proteins 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000004634 feeding behavior Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000017448 oviposition Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 229940119265 sepp Drugs 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于ICEEMDAN‑IDBO‑BILSTM的建筑能耗预测方法。该方法包括：获取建筑能耗数据集并对其预处理；将预处理后的数据集划分为训练集和测试集；使用ICEEMDAN对预处理后的数据集分解，得到n个本征模态函数分量IMFn和一个残差分量RES；搭建BILSTM建筑能耗预测模型；将训练集对应的每个本征模态函数IMF和对应的残差分量RES输入到预测模型训练；训练中使用IDBO算法对预测模型优化；保存最优模型；将测试集对应的每个本征模态函数IMF和对应的残差分量RES输入到最优模型；对反归一化后的每个本征模态函数IMF和对应的残差分量RES预测结果叠加重构，得到测试集建筑能耗预测结果。本发明使用全新的ICEEMDAN‑IDBO‑BILSTM架构实现对建筑能耗的预测，能够有效降低建筑能耗模型的预测误差，提高模型的预测性能。
Description
技术领域
本发明涉及建筑能耗预测的技术领域，具体而言，涉及一种基于ICEEMDAN-IDBO-BILSTM的建筑能耗预测方法、计算机装置和计算机可读存储介质。
背景技术
建筑能耗预测在建筑能源系统中起着至关重要的作用。为实现精准的建筑能耗预测工作，近些年来，研究者们提出了各种各样的方法，但是每种方法也都具有相应的各种不同的缺陷。
相关技术中，专利号CN202310026452.6，记载的一种基于异常用能值处理和时序分解的建筑能耗预测方法，该方法运用自适应噪声完全经验模态分解(CEEMDAN)方法对建筑能耗数据进行分解成多个本征模态函数(IMF)，利用随机森林(RF)，门控循环单元(GRU)模型分别对每个IMF分量进行预测，最后将每个分量的预测结果进行叠加重构，得到最后的预测结果。但是，在建筑能耗预测序列分解方面，该方法采用了CEEMDAN方法对数据进行分解，CEEMDAN方法是在经验模态分解(EMD)基础上改进得到的，其有效克服了EMD分解后的分量存在模态堆叠的现象，但是CEEMDAN方法在分解过程中直接添加了高斯白噪声，导致分解得到的分量中仍有大量的噪声以及存在伪模态，此时将分解结果代入预测模型时，模型会对含有噪声的序列进行学习，对模型的预测精度造成一定的影响。
相关技术中，专利号CN202310717371.0，记载的一种基于LSTM的办公建筑能耗短期预测优化方法及系统，该方法对获取的建筑能耗数据，经过基于多维变量的数据预处理之后，使用LSTM模型对能耗数据进行预测，通过不断更新调整LSTM模型参数，得到最优训练模型，输出结果。该方法虽然有效解决了传统的数据驱动方法对数据简化处理过于粗糙，导致难以实现准确的能耗预测的问题。但是其在预测模型方面，LSTM是循环神经网络(RNN)的改进，在RNN的基础上引入了门控机制，该门控机制即包括遗忘门，输入门和输出门，解决了RNN的梯度消失与梯度爆炸的问题，提高了处理长序列的数据的能力。但LSTM只能考虑输入序列的单向信息，只能从前向后进行传播训练，这种方式在处理具有长序列数据时，不能最大化利用序列所包含的有用信息，导致数据的利用率低，会对模型的预测精度造成一定影响；并且在预测模型参数调整方面，通过不断手动更新调整模型参数，确定最优的模型参数，需要大量的时间成本，而且无法保证寻优参数即为最佳，会导致模型欠拟合或过拟合现象的发生，从而对模型的预测精度造成影响。
相关技术中，专利号CN202310697648.8，记载的一种基于VMD与DBO-LSTM-AT的变压器顶层油温预测方法，该方法使用VMD对油温序列进行分解成多个IMF，利用DBO优化的LSTM-AT模型分别对每个IMF分量进行预测，最后将每个分量的预测结果进行叠加重构，得到最后预测结果。该方法以真实数据对模型进行量化，结果表明该模型精度较高，可以为变压器顶层油温预测问题提供参考。但是在预测模型方面，使用了DBO对LSTM的参数进行寻优，解决了手动选择参数造成的模型预测精度不佳的问题，但原始DBO算法仍旧存在一些缺点：首先，其在处理较复杂的高维度问题时，常表现出收敛速度较慢，导致迭代次数过多，需要大量的时间成本；其次，其可能存在局部搜索能力较弱的问题，容易陷入局部最优解，导致非最优的参数输入模型，对模型的预测精度造成一定影响。
因此，亟需一种更为可靠的、预测精度更高的建筑能耗预测方法，去解决上述相关技术中存在的上述技术问题。
发明内容
本发明旨在至少解决现有技术或相关技术中存在的技术问题之一。
为此，本发明的目的在于提出一种基于ICEEMDAN-IDBO-BILSTM的建筑能耗预测方法。
为了实现上述目的，本发明的技术方案，提供了一种基于ICEEMDAN-IDBO-BILSTM的建筑能耗预测方法，包括：步骤S1：获取建筑能耗数据集，并对所述建筑能耗数据集进行预处理；步骤S2：按照预设比例将预处理后的所述建筑能耗数据集划分为训练集和测试集；其中，所述建筑能耗数据集包含有标签的数据集；步骤S3：使用ICEEMDAN对预处理后的所述建筑能耗数据集进行分解，得到n个本征模态函数分量IMFn和一个对应的残差分量RES；步骤S4：搭建BILSTM建筑能耗预测模型；步骤S5：将所述训练集对应的每个本征模态函数IMF和对应的残差分量RES输入到所述BILSTM建筑能耗预测模型进行训练；在训练过程中，使用改进后的蜣螂优化算法对所述BILSTM建筑能耗预测模型进行优化，以优化所述BILSTM建筑能耗预测模型的参数；所述参数包括隐含层单元数、正则化系数和学习率；将最终优化后的参数输入到所述BILSTM建筑能耗预测模型中，并将此时的BILSTM建筑能耗预测模型定义为最优模型；保存所述最优模型；其中，所述改进后的蜣螂优化算法简称为IDBO算法；步骤S6：将所述测试集对应的每个本征模态函数IMF和对应的残差分量RES输入到所述最优模型进行预测，并对每个本征模态函数IMF和对应的残差分量RES的预测结果进行反归一化；步骤S7：对进行反归一化后的每个本征模态函数IMF和对应的残差分量RES的预测结果进行叠加重构，得到所述测试集的建筑能耗预测结果；
其中，步骤S5中的所述IDBO算法为改进的DBO算法，所述DBO算法模拟了蜣螂的滚球，繁殖，觅食和偷窃这四种阶段的生活习性；所述IDBO算法包括：采用在种群初始化阶段引入Bernoulli混沌映射；将动态螺旋因子r引入螺旋搜索策略，得到改进后的可变动态螺旋搜索策略，采用所述改进后的可变动态螺旋搜索策略更新蜣螂繁殖行为时的个体位置；以及采用最优值引导策略，更新蜣螂觅食行为时的个体位置；
其中，所述螺旋搜索策略是受到鲸鱼优化算法中鲸群围捕猎物的启发，鲸鱼围捕猎物阶段的公式如下：
x(t+1)＝D′×ebl×cos(2πl)+xbest(t)
D′＝|xbest(t)-x(t)|
式中，b是定义螺旋搜索形状的常数；l是[-1,1]之间的随机数；D′代表鲸鱼当前搜索个体与全局最优解的距离；xbest(t)代表目前鲸鱼得到最优解的位置；x(t)代表鲸鱼当前位置；
其中，所述动态螺旋搜索因子r的公式如下：
式中，k为螺旋更新系数；t代表当前迭代次数；tmax代表最大迭代次数。
优选地，所述步骤S3，具体包括：步骤S3.1：将高斯白噪声ωi(t)加入到经过预处理后的建筑能耗数据集x(t)中，构造出n个可控噪声序列
所述n个可控噪声序列的表达式如下：
通过所述n个可控噪声序列的表达式，得到第一个序列/>所述第一个序列/>的表达式如下：
式(1)和式(2)中，ζ(.)代表信噪比；E(.)代表由EMD分解白噪声ωt(t)产生的第n个本征模态函数IMF分量；rn(t)代表第n个残差分量；
步骤S3.2：计算得到第n个残差分量rn(t)；所述第n个残差分量rn(t)的表达式如下：
通过所述第n个残差分量rn(t)的表达式，得到第一个残差分量r1(t)；所述第一个残差分量r1(t)的表达式如下：
式(4)中，<…>为计算局部均值的计算符；
步骤S3.3：计算得到第n个本征模态函数分量IMFn；所述第n个本征模态函数分量IMFn的表达式如下：
通过所述第n个本征模态函数分量IMFn的表达式，得到第一个本征模态函数分量IMF1；所述第一个本征模态函数分量IMF1的表达式如下：
IMF1＝x(t)-r1(t) (6)
步骤S3.4：重复步骤S3.1，得出第二个可控噪声序列所述第二个可控噪声序列/>的表达式如下：
步骤S3.5：重复步骤S3.2，得出第二个残差分量r2(t)；所述第二个残差分量r2(t)的表达式如下：
r2(t)＝<r1(t)+ζ1E2(ωi(t))〉 (8)
步骤S3.6：重复步骤S3.3，得出第二个本征模态函数分量IMF2；所述第二个本征模态函数分量IMF2的表达式如下：
IMF2＝r1(t)-r2(t) (9)
步骤S3.7：执行n＝n+1，并重复步骤S3.1、步骤S3.2和步骤S3.3，直到满足迭代终止条件；其中，使用柯西收敛准则限制两个相邻的本征模态函数IMF之间的标准差；所述标准差记为σ；所述σ的表达式如下：
式(10)中，当σ小于某一预设值时，迭代终止；
步骤S3.8：输出所有得到的本征模态函数分量IMFn和最后的残差分量RES，以实现ICEEMDAN分解结束。
优选地，所述在种群初始化阶段引入Bernoulli混沌映射，具体包括：利用Bernoulli混沌映射公式初始化蜣螂种群个体位置，生成新的混沌序列，以避免所述改进后的蜣螂优化算法后续出现局部最优值的情况，提高所述改进后的蜣螂优化算法的全局搜索能力；所述Bernoulli混沌映射公式如下：
式中，β代表映射参数，β∈(0,1)；n∈N+；Z是一个随机变量序列；n表示迭代的次数；Zn+1是下一次迭代的值，它取决于上一代的Zn和常数β。优选地，采用所述改进后的可变动态螺旋搜索策略更新蜣螂繁殖行为时的个体位置的表达式如下：
式中，表示当前局部最优位置；Lb*和Ub*分别表示产卵的下界和上界；/>是第t次迭代时第i个繁育球的位置信息；b1和b2表示两个大小为1×D的独立随机向量；
Lb*和Ub*的边界条件的表达式如下：
式中，Lb*和Ub*分别表示产卵的下界和上界；R＝1-t/Tmax，Tmax表示最大迭代次数；Lb和Ub表示待优化问题的下界与上界。
优选地，所述采用最优值引导策略，更新蜣螂觅食行为时的个体位置，具体包括：通过引入当前最优值来引导候选解的生成，得到优化后的蜣螂觅食行为更新公式；所述优化后的蜣螂觅食行为更新公式如下：
式中，Lbb和Ubb分别表示最佳觅食区域的下界与上界；λ表示一个与时间相关的动态调整项，用于控制蜣螂在觅食阶段的搜索行为，引导候选解的生成；C1和C2为两个随机数；
λ的计算公式如下：
Ldb和Ubb的边界条件如下：
式中，表示全局最佳位置；/>t代表当前迭代次数，tmax表示最大迭代次数；Lb和Ub表示待优化问题的下界与上界。优选地，使用IDBO算法对所述BILSTM建筑能耗预测模型进行优化，具体包括：
(1)定义目标函数；以均方误差为目标函数，所述均方误差的表达式如下：
其中，表示预测值，yi表示实际值，N表示输出样本数；
(2)对IDBO-BILSTM模型的参数进行初始化；所述对IDBO-BILSTM模型的参数进行初始化，具体包括：设定IDBO的种群规模；初始化蜣螂的个体位置；分别确定所述BILSTM模型建筑能耗预测模型的隐含层单元数、学习率和正则化系数的上限和下限；设定迭代次数的最大值；(3)计算每个蜣螂位置的目标函数值，得到最优解；(4)第一次迭代后，再次计算不同蜣螂个体的适应度值，并更新所有蜣螂的位置信息；(5)根据种群当前状态，更新当前最优解和所述当前最优解的适应度值；判断当前迭代次数是否达到迭代次数的最大值或者判断当前的最优解是否满足收敛条件；若判断结果为是，则输出此时经IDBO算法优化后的BILSTM参数值，若判断结果为否，则返回步骤(3)；(6)得到经IDBO算法优化后的BILSTM参数值，以使得将所述经IDBO算法优化后的BILSTM参数值输入到所述BILSTM建筑能耗预测模型中。
优选地，所述BILSTM建筑能耗预测模型为双向长短期记忆神经网络。
优选地，对所述建筑能耗数据集进行预处理，具体包括：对所述建筑能耗数据集中离群的数据值进行剔除；采用线性插值法对所述建筑能耗数据集中的剔除值和缺失值进行填补。
本发明的有益效果：
(1)为了解决CEEMDAN方法，在分解过程中直接添加了高斯白噪声，导致分解得到的分量中仍有大量的噪声以及存在伪模态，预测模型会对含有噪声的序列进行学习，降低预测精度的问题，本发明使用改进的自适应噪声完全经验模态分解(ICEEMDAN)对建筑能耗序列进行分解，不同于CEEMDAN在分解过程中直接添加白噪声，ICEEMDAN在分解过程中引入了更有效的自适应噪声处理机制，通过加入白噪声经EMD分解后的n个本征模态函数分量IMFn，增强了对噪声的抑制能力，提高了分解的准确性和稳定性，从而提高模型的预测精度。
(2)为了解决LSTM模型只能考虑输入序列的单向信息，只能从前向后进行传播训练，在处理长序列数据时，不能最大化利用序列所包含的有用信息，数据的利用率低，模型预测精度较低的问题，本发明使用双向长短期记忆神经网络(BILSTM)模型进行预测，同时考虑输入序列的正向和反向信息，更好地捕捉序列数据中的双向依赖关系，从而提高模型的预测精度。
(3)为了解决手动调试寻找预测模型最优参数，时间成本较高，无法保证寻优参数即为最佳，以及原始DBO算法可能存在收敛速度较慢，容易陷入局部最优的问题，本发明采用在种群初始化阶段引入Bernoulli混沌映射，以及将动态螺旋因子r引入螺旋搜索策略，得到改进后的可变动态螺旋搜索策略，采用改进后的可变动态螺旋搜索策略更新蜣螂繁殖行为时的个体位置，以及采用最优值引导策略，更新蜣螂觅食行为时的个体位置，即本发明使用上述三种策略改进的DBO算法，(即本发明所述的IDBO算法)来优化BILSTM的参数，提高了现有的DBO算法的收敛速度和全局搜索能力，准确地对BILSTM的参数进行寻优，节约了时间成本，提高了模型的预测精度。
本发明的附加方面和优点将在下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
图1示出了本发明的一个实施例的基于ICEEMDAN-IDBO-BILSTM的建筑能耗预测方法的示意流程图；
图2示出了本发明的一个实施例的使用ICEEMDAN对建筑能耗数据集进行分解的示意流程图；
图3示出了本发明的一个实施例的使用IDBO算法对BILSTM建筑能耗预测模型进行优化的示意流程图；
图4示出了本发明的一个实施例的LSTM网络的功能结构示意图；
图5示出了本发明的一个实施例的BILSTM网络的功能结构示意图；
图6示出了本发明的一个实施例的使用ICEEMDAN对表1中的Building1的建筑能耗数据集进行分解的分解结果信号图；
图7a示出了本发明的一个实施例的对表1中的Building1的建筑能耗数据集使用本发明的ICEEMDAN-IDBO-BILSTM预测模型和未使用本发明的基于其他预测模型的预测结果对比示意图；
图7b示出了本发明的一个实施例的表1中的Building1的后十个能耗的局部放大的预测结果对比图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互结合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不限于下面公开的具体实施例的限制。
图1示出了本发明的一个实施例的基于ICEEMDAN-IDBO-BILSTM的建筑能耗预测方法的示意流程图。如图1所示，该建筑能耗预测方法，包括：
步骤S1：获取建筑能耗数据集，并对建筑能耗数据集进行预处理；
步骤S2：按照预设比例将预处理后的建筑能耗数据集划分为训练集和测试集；
步骤S3：使用ICEEMDAN对预处理后的建筑能耗数据集进行分解，得到n个本征模态函数分量IMFn和一个对应的残差分量RES；
步骤S4：搭建BILSTM建筑能耗预测模型；
步骤S5：将训练集对应的每个本征模态函数IMF和对应的残差分量RES输入到BILSTM建筑能耗预测模型进行训练；在训练过程中，使用改进后的蜣螂优化算法对BILSTM建筑能耗预测模型进行优化，以优化BILSTM建筑能耗预测模型的参数；保存最优模型；
步骤S6：将测试集对应的每个本征模态函数IMF和对应的残差分量RES输入到最优模型进行预测，并对每个本征模态函数IMF和对应的残差分量RES的预测结果进行反归一化；
步骤S7：对进行反归一化后的每个本征模态函数IMF和对应的残差分量RES的预测结果进行叠加重构，得到测试集的建筑能耗预测结果。
在本实施例中，建筑能耗数据集包含有标签的数据集；BILSTM建筑能耗预测模型的参数包括隐含层单元数、正则化系数和学习率；将最终优化后的参数输入到BILSTM建筑能耗预测模型中，并将此时的BILSTM建筑能耗预测模型定义为最优模型；改进后的蜣螂优化算法简称为IDBO算法。
在本实施例中，步骤S5中的IDBO算法为改进的DBO算法，DBO算法模拟了蜣螂的滚球，繁殖，觅食和偷窃这四种阶段的生活习性；IDBO算法包括：采用在种群初始化阶段引入Bernoulli混沌映射；将动态螺旋因子r引入螺旋搜索策略，得到改进后的可变动态螺旋搜索策略，采用改进后的可变动态螺旋搜索策略更新蜣螂繁殖行为时的个体位置；以及采用最优值引导策略，更新蜣螂觅食行为时的个体位置；
其中，螺旋搜索策略是受到鲸鱼优化算法中鲸群围捕猎物的启发，鲸鱼围捕猎物阶段的公式如下：
x(t+1)＝D′×ebl×cos(2πl)+xbest(t)
D′＝|xbest(t)-x(t)|
式中，b是定义螺旋搜索形状的常数；l是[-1,1]之间的随机数；D′代表鲸鱼当前搜索个体与全局最优解的距离；xbest(t)代表目前鲸鱼得到最优解的位置；x(t)代表鲸鱼当前位置；
其中，动态螺旋搜索因子r的公式如下：
式中，k为螺旋更新系数；t代表当前迭代次数；tmax代表最大迭代次数。
具体实施例中，螺旋更新系数k设置为5。
具体实施例中，按照8:2的比例将预处理后的建筑能耗数据集划分为训练集和测试集。
在本实施例中，本发明提供的基于ICEEMDAN-IDBO-BILSTM的建筑能耗预测方法，实际上是分为两部分，第一部分是分解模型ICEEMDAN，第二部分是预测模型IDBO-BILSTM。由于建筑能耗数据序列受到多种因素影响，该建筑能耗序列可以看作为一个非线性且夹杂大量噪声的信号，通过分解这种方式将不平稳的分量分解成多个较为平稳的分量，以提高预测模型IDBO-BILSTM的预测精度。其中，ICEEMDAN实现的就是将建筑能耗序列分解成多个本征模态函数(IMF)和一个残差分量(res)，整个过程中原始序列＝IMF1+IMF2+IMF3+…+IMFn+res。预测模型IDBO-BILSTM的作用就是使用IDBO算法给BILSTM的参数进行寻优，找到一个预测精度最佳参数设置。所以整个分解+预测的流程就是分解成多个分量，对每个分量用IDBO-BILSTM模型进行预测，再把每个分量的预测结果叠加重构得到最终预测结果。
进一步地，介绍下DBO算法。Xue J等人于2022年首次提出了Dung beetleoptimizer(DBO)算法。作为一种新颖的智能算法，DBO算法模拟了蜣螂的滚球，繁殖，觅食和偷窃这四种阶段的生活习性，因此原始的蜣螂优化算法(DBO算法)包括以上四个优化过程。
(1)滚球阶段：滚球方式分为无障碍模式和障碍模式。无障碍模式：蜣螂以太阳光作为运动的导航，使蜣螂在搜索空间中沿着指定的方向完成粪球的滚动。假定光源强度也会影响蜣螂的滚动路径，在无障碍滚动过程中，蜣螂的位置更新公式如下：
式中，t表示当前迭代次数；表示第i只蜣螂在第t次迭代时的位置信息；α是一个自然系数，赋值为-1或1，1表示无偏差，-1表示偏离原来的方向；k表示偏转系数，取值范围为(0,0.2]；b是一个常数，取值范围为(0,1)；/>表示全局最差的蜣螂位置，用于模拟光强度的变化。
障碍模式：当蜣螂在滚动过程中遇到障碍物无法前进时，它会通过跳舞来重新获得一个新的滚动方向。使用正切函数模拟蜣螂的跳舞行为，确定一个新的滚动方向。在有障碍滚动过程中，蜣螂的位置更新公式如下：
式中，θ为偏转角，取值范围为[0,π]；当θ＝0,π/2或π时，蜣螂的位置不进行更新。
(2)繁殖阶段：为了给后代提供生存条件，雌性蜣螂通常会选择安全的地方进行产卵。卵球位置的边界条件如下：
式中，表示当前局部最优位置；Lb*和Ub*分别表示产卵的下界和上界；R＝1-t/Tmax，Tmax表示最大迭代次数；Lb和Ub表示优化问题的下界与上界。雌性蜣螂产卵区域的边界范围随着迭代次数动态调整。
确定了产卵区域后，雌性蜣螂在每次迭代中只产一个卵球。产卵区域的边界范围随着R值动态变化，因此，在迭代过程中卵球的位置也是动态变化的，卵球的位置变化如下式：
式中，是第t次迭代时第i个繁育球的位置信息；b1和b2表示两个大小为1×D的独立随机向量，D表示优化问题的维数。
(3)觅食阶段：当小蜣螂长成成虫时，会从地下爬出寻找食物。觅食区域随着迭代过程也在不断更新，定义如下式：
式中，表示全局最佳位置；Lbb和Ubb分别表示最佳觅食区域的下界与上界；
根据繁殖位置更新的原理，小蜣螂的觅食位置更新如下：
式中，表示第i只小蜣螂在第t次迭代时的位置信息；C1表示服从正态分布的随机数；C2表示属于(0,1)的随机向量。
(4)偷窃阶段：在蜣螂群体中，有一部分会偷窃其他蜣螂的粪球，称之为小偷蜣螂。更新公式如下：
式中，表示第i只小偷蜣螂在第t次迭代时的位置信息；g是服从正态分布的大小为1×D的随机向量；S表示一个常量。
在本实施例中，为了解决CEEMDAN方法，在分解过程中直接添加了高斯白噪声，导致分解得到的分量中仍有大量的噪声以及存在伪模态，预测模型会对含有噪声的序列进行学习，降低预测精度的问题，本发明使用改进的自适应噪声完全经验模态分解(ICEEMDAN)对建筑能耗序列进行分解，不同于CEEMDAN在分解过程中直接添加白噪声，ICEEMDAN在分解过程中引入了更有效的自适应噪声处理机制，通过加入白噪声经EMD分解后的n个本征模态函数分量IMFn，增强了对噪声的抑制能力，提高了分解的准确性和稳定性，从而提高模型的预测精度。
在本实施例中，为了解决LSTM模型只能考虑输入序列的单向信息，只能从前向后进行传播训练，在处理长序列数据时，不能最大化利用序列所包含的有用信息，数据的利用率低，模型预测精度较低的问题，本发明使用双向长短期记忆神经网络(BILSTM)模型进行预测，同时考虑输入序列的正向和反向信息，更好地捕捉序列数据中的双向依赖关系，从而提高模型的预测精度。
在本实施例中，为了解决手动调试寻找预测模型最优参数，时间成本较高，无法保证寻优参数即为最佳，以及原始DBO算法可能存在收敛速度较慢，容易陷入局部最优的问题，本发明采用在种群初始化阶段引入Bernoulli混沌映射，以及将动态螺旋因子r引入螺旋搜索策略，得到改进后的可变动态螺旋搜索策略，采用改进后的可变动态螺旋搜索策略更新蜣螂繁殖行为时的个体位置，以及采用最优值引导策略，更新蜣螂觅食行为时的个体位置，即本发明使用上述三种策略改进的DBO算法，(即本发明所述的IDBO算法)来优化BILSTM的参数，提高了现有的DBO算法的收敛速度和全局搜索能力，准确地对BILSTM的参数进行寻优，节约了时间成本，提高了模型的预测精度。
图2示出了本发明的一个实施例的使用ICEEMDAN对建筑能耗数据集进行分解的示意流程图。如图2所示，使用ICEEMDAN对建筑能耗数据集进行分解的步骤，包括：在原始信号中添加白噪声；使用EMD方法计算局部均值；根据局部均值计算残差分量；将原始信号与残差分量做差得到模态分量；判断残差分量能否继续被分解；若判断结果为是，则对残差分量添加白噪声，返回使用EMD方法计算局部均值的步骤；若判断结果为否，则输出残差分量。
具体地，使用ICEEMDAN对预处理后的建筑能耗数据集进行分解的步骤包括：
步骤S3.1：将高斯白噪声ωi(t)加入到经过预处理后的建筑能耗数据集x(t)中，构造出n个可控噪声序列
所述n个可控噪声序列的表达式如下：
通过所述n个可控噪声序列的表达式，得到第一个序列/>所述第一个序列/>的表达式如下：
式(1)和式(2)中，ζ(.)代表信噪比；E(.)代表由EMD分解白噪声ωi(t)产生的第n个本征模态函数IMF分量；rn(t)代表第n个残差分量；
步骤S3.2：计算得到第n个残差分量rn(t)；所述第n个残差分量rn(t)的表达式如下：
通过所述第n个残差分量rn(t)的表达式，得到第一个残差分量r1(t)；所述第一个残差分量r1(t)的表达式如下：
式(4)中，<…>为计算局部均值的计算符；
步骤S3.3：计算得到第n个本征模态函数分量IMFn；所述第n个本征模态函数分量IMFn的表达式如下：
通过所述第n个本征模态函数分量IMFn的表达式，得到第一个本征模态函数分量IMF1；所述第一个本征模态函数分量IMF1的表达式如下：
IMF1＝x(t)-r1(t)(6)
步骤S3.4：重复步骤S3.1，得出第二个可控噪声序列所述第二个可控噪声序列/>的表达式如下：
步骤S3.5：重复步骤S3.2，得出第二个残差分量r2(t)；所述第二个残差分量r2(t)的表达式如下：
步骤S3.6：重复步骤S3.3，得出第二个本征模态函数分量IMF2；所述第二个本征模态函数分量IMF2的表达式如下：
IMF2＝r1(t)-r2(t)(9)
步骤S3.7：执行n＝n+1，并重复步骤S3.1、步骤S3.2和步骤S3.3，直到满足迭代终止条件；其中，使用柯西收敛准则限制两个相邻的本征模态函数IMF之间的标准差；所述标准差记为σ；所述σ的表达式如下：
式(10)中，当σ小于某一预设值时，迭代终止；
步骤S3.8：输出所有得到的本征模态函数分量IMFn和最后的残差分量RES，以实现ICEEMDAN分解结束。
在本发明的一个实施例中，所述在种群初始化阶段引入Bernoulli混沌映射，具体包括：利用Bernoulli混沌映射公式初始化蜣螂种群个体位置，生成新的混沌序列，以避免所述改进后的蜣螂优化算法后续出现局部最优值的情况，提高所述改进后的蜣螂优化算法的全局搜索能力；所述Bernoulli混沌映射公式如下：
式中，β代表映射参数，β∈(0,1)；n∈N+；Z是一个随机变量序列；n表示迭代的次数；Zn+1是下一次迭代的值，它取决于上一代的Zn和常数β。
在本实施例中，原始的蜣螂优化算法(DBO算法)在种群初始化阶段采用的是随机生成的方式，导致种群中蜣螂个体的位置分布不均匀，造成全局搜索能力较弱，容易陷入局部最优的问题。因此本发明提出在种群初始化阶段引入Bernoulli混沌映射，以提高种群初始解的多样性。Bernoulli混沌映射常被用来产生混沌序列，其具有非线性、遍历性、随机性等特征，在优化过程中替代随机数初始化种群，会影响算法的整个过程，同时能获得比随机数更好的寻优效果。
在本发明的一个实施例中，映射参数β为0.5。
在本发明的一个实施例中，采用所述改进后的可变动态螺旋搜索策略更新蜣螂繁殖行为时的个体位置的表达式如下：
式中，表示当前局部最优位置；Lb*和Ub*分别表示产卵的下界和上界；/>是第t次迭代时第i个繁育球的位置信息；b1和b2表示两个大小为1×D的独立随机向量；
Lb*和Ub*的边界条件的表达式如下：
式中，Lb*和Ub*分别表示产卵的下界和上界；R＝1-t/Tmax，Tmax表示最大迭代次数；Lb和Ub表示待优化问题的下界与上界。
在本实施例中，由于原始的蜣螂优化算法(DBO算法)中按照当前确定的产卵区域内繁殖雏球，会使种群在短时间内快速收敛，导致种群的多样性降低，容易使算法陷入局部最优的情况。由于鲸鱼算法在迭代过程中，个体鲸鱼会使用螺旋搜索策略来更新与猎物的位置，因此本发明受到鲸鱼优化算法中鲸群围捕猎物的启发，想采用螺旋搜索策略更新蜣螂繁殖行为时的个体位置，这不仅保证了算法的收敛性，而且可以增加个体的多样性。其中，鲸鱼围捕猎物阶段的公式如下：
x(t+1)＝D′×ebl×cos(2πl)+xbest(t)
D′＝|xbest(t)-x(t)|
式中，b是定义螺旋搜索形状的常数；l是[-1,1]之间的随机数；D′代表鲸鱼当前搜索个体与全局最优解的距离；xbest(t)代表目前鲸鱼得到最优解的位置；x(t)代表鲸鱼当前位置。
但是由于该螺旋搜索策略中螺旋参数b为一个常数，这使得搜索时只能按照固定的螺旋线搜索，寻优方式过于单一，易于陷入局部最优解。针对这一问题本发明引入了随迭代次数变化的动态螺旋搜索形状的参数r公式，使其可以动态调整搜索时的螺旋形状，增强了算法的全局搜索能力。其中，所述动态螺旋搜索因子r的公式如下：
式中，k为螺旋更新系数；t代表当前迭代次数；tmax代表最大迭代次数。
在本发明的一个实施例中，所述采用最优值引导策略，更新蜣螂觅食行为时的个体位置，具体包括：通过引入当前最优值来引导候选解的生成，得到优化后的蜣螂觅食行为更新公式；所述优化后的蜣螂觅食行为更新公式如下：
式中，Lbb和Ubb分别表示最佳觅食区域的下界与上界；λ表示一个与时间相关的动态调整项，用于控制蜣螂在觅食阶段的搜索行为，引导候选解的生成；C1和C2为两个随机数；
λ的计算公式如下：
Ldb和Ubb的边界条件如下：
式中，表示全局最佳位置；/>t代表当前迭代次数，tmax表示最大迭代次数；Lb和Ub表示待优化问题的下界与上界。
在本实施例中，在原始的蜣螂算法(DBO算法)的觅食阶段，候选解的生成受到两个随机数C1和C2的影响，这使得生成更好候选解和更差候选解的概率相等。本发明通过引入当前最优值来引导候选解的生成，得到优化后的蜣螂觅食行为更新公式。
在本发明的一个实施例中，如图3所示，使用IDBO算法对所述BILSTM建筑能耗预测模型进行优化，具体包括：(1)定义目标函数；以均方误差为目标函数，所述均方误差的表达式如下：
其中，表示预测值，yi表示实际值，N表示输出样本数；
(2)对IDBO-BILSTM模型的参数进行初始化；所述对IDBO-BILSTM模型的参数进行初始化，具体包括：设定IDBO的种群规模；初始化蜣螂的个体位置；分别确定所述BILSTM模型建筑能耗预测模型的隐含层单元数、学习率和正则化系数的上限和下限；设定迭代次数的最大值；(3)计算每个蜣螂位置的目标函数值，得到最优解；(4)第一次迭代后，再次计算不同蜣螂个体的适应度值，并更新所有蜣螂的位置信息；(5)根据种群当前状态，更新当前最优解和所述当前最优解的适应度值；判断当前迭代次数是否达到迭代次数的最大值或者判断当前的最优解是否满足收敛条件(即判断是否满足迭代停止条件)；若判断结果为是，则输出此时经IDBO算法优化后的BILSTM参数值，若判断结果为否，则返回步骤(3)；(6)得到经IDBO算法优化后的BILSTM参数值，以使得将所述经IDBO算法优化后的BILSTM参数值输入到所述BILSTM建筑能耗预测模型中，以供所述BILSTM建筑能耗预测模型进行预测。
在本实施例中，要用IDBO算法优化BILSTM建筑能耗预测模型的参数。参数的设置将对预测模型的结果具有直接影响。传统的都是使用试错法，不断地换模型的参数，看看哪组参数最可靠，这种传统的试错法的效率较低。本发明引入智能优化算法是解决预测模型中超参数设置问题的有效解决方案，可以大大提高预测模型的预测效率及准确性。
在本发明的一个实施例中，BILSTM建筑能耗预测模型为双向长短期记忆神经网络。
在本实施例中，BILSTM建筑能耗预测模型为双向长短期记忆神经网络，可以前向后向同时学习。下面具体阐述下双向长短期记忆神经网络(即BILSTM网络)的由来。BILSTM网络是LSTM网络的改进版本。LSTM网络由Sepp Hochreiter提出，是递归神经网络(RNN)的改进。与传统的神经网络相比，RNN通过引入循环结构，使其在处理时间序列方面展现出了更好的性能。但是，当时间间隔较长时，仍可能发生梯度爆炸或梯度消失的问题。LSTM在RNN的基础上增加了门控神经单元，即输入门(it)，遗忘门(ft)和输出门(ot)。图4展示了LSTM网络功能。遗忘门使用sigmoid函数过滤记忆信息和前一时刻的输入信息，缓解了递归神经网络(RNN)存在的梯度爆炸和梯度消失问题。同时，遗忘门的存在可以有选择地保留来自于先前时间步的重要信息，同时丢弃不相关的信息，这个特性对于LSTM在序列数据中保持长期依赖关系的能力至关重要。LSTM的具体工作过程如下：
遗忘门表示如下：
ft＝σ(Wf*[ht-1,xt]+bf)
输入门表示如下：
it＝σ(Wi*[ht-1,xt]+bi
当前单元格状态为
gt＝tanh(Wc*[ht-1,xt]+bc)
存储单元的状态值如下：
ct＝ft*Ct-1+it*gt
输出门表示如下：
ot＝σ(Wo*[ht-1,xt]+bo)
隐藏层的定义如下：
ht＝ot*tanh(ct)
上述式中，σ(sigmiod)和tanh(双曲正切)是非线性激活函数，分别将值保持在[0,1]和[-1,1]范围内；Wf，Wi，Wc，Wo是递归权重矩阵；bf，bi，bc，bo是偏置向量；
进一步地，BILSTM包含两个LSTM单元，第一个是向前的，第二个是向后的。相比传统的LSTM，BILSTM可以同时处理时间序列前后两个方向的能耗数据。前向LSTM使用过去的能源消耗来预测未来的能源消耗，而后向LSTM使用未来的能源消耗来拟合过去的能源消耗，更好地捕捉能耗数据的信息特征。图5展示了BILSTM的结构。BILSTM结构中的后向LSTM计算类似于前向LSTM，BILSTM的具体过程如下：
hf＝f(wf1*xt+wf2*ht-1)
hb＝f(wb1*xt+wb2*ht+1)
式中，hf是正向LSTM网络的输出；hb是反向LSTM网络的输出；wf1，wf2，wb1，wb2代表递归权重矩阵；隐含层最终的输出如下表示：
yt＝σ(Wyh*hf+by)
式中，yt表示隐含层的最终输出；Wyh代表隐含层输出权重矩阵；by代表偏置向量。
在本发明的一个实施例中，对建筑能耗数据集进行预处理，具体包括：对建筑能耗数据集中离群的数据值进行剔除；采用线性插值法对所述建筑能耗数据集中的剔除值和缺失值进行填补。
下面分别使用LSTM预测模型、BILSTM预测模型、DBO-BILSTM预测模型、IDBO-BILSTM预测模型、CEEMDAN-IDBO-BILSTM预测模型和ICEEMDAN-IDBO-BILSTM预测模型在三栋建筑(即表1中的Building1、Building2和Building3)上做测试，并采用平均绝对误差(MAE)，均方根误差(RMSE)和平均绝对误差百分比误差(MAPE)来比较不同模型的性能。
其中，平均绝对误差(MAE)，均方根误差(RMSE)和平均绝对误差百分比误差(MAPE)的表达式分别如下：
式中，表示预测值，yi表示实际值，N表示输出样本数。
上述指标越小，对应的模型的预测性能越好。使用LSTM预测模型、BILSTM预测模型、DBO-BILSTM预测模型、IDBO-BILSTM预测模型、CEEMDAN-IDBO-BILSTM预测模型和ICEEMDAN-IDBO-BILSTM预测模型在三栋建筑上做测试，得出各个预测模型的预测精度的对比表如表1所示。
表1各个预测模型的预测精度的对比表
使用ICEEMDAN对表1中的Building1建筑能耗数据集进行分解的分解结果信号图如图6所示。该Building1建筑能耗数据集可以看作为一个非线性且夹杂大量噪声的信号，通过分解这种方式将不平稳的分量分解成多个较为平稳的分量，以提高预测模型IDBO-BILSTM的预测精度。
由表1、图7a和图7b可知，本发明使用全新的ICEEMDAN-IDBO-BILSTM预测模型实现对建筑能耗的预测，ICEEMDAN-IDBO-BILSTM预测模型的预测性能是上述各个预测模型中最好的。因此，本发明的基于ICEEMDAN-IDBO-BILSTM的建筑能耗预测方法，能够有效降低建筑能耗模型的预测误差，提高模型的预测性能。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。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。
Claims (8)
1.一种基于ICEEMDAN-IDBO-BILSTM的建筑能耗预测方法，其特征在于，包括：
步骤S1：获取建筑能耗数据集，并对所述建筑能耗数据集进行预处理；
步骤S2：按照预设比例将预处理后的所述建筑能耗数据集划分为训练集和测试集；其中，所述建筑能耗数据集包含有标签的数据集；
步骤S3：使用ICEEMDAN对预处理后的所述建筑能耗数据集进行分解，得到n个本征模态函数分量IMFn和一个对应的残差分量RES；
步骤S4：搭建BILSTM建筑能耗预测模型；
步骤S5：将所述训练集对应的每个本征模态函数IMF和对应的残差分量RES输入到所述BILSTM建筑能耗预测模型进行训练；在训练过程中，使用改进后的蜣螂优化算法对所述BILSTM建筑能耗预测模型进行优化，以优化所述BILSTM建筑能耗预测模型的参数；所述参数包括隐含层单元数、正则化系数和学习率；将最终优化后的参数输入到所述BILSTM建筑能耗预测模型中，并将此时的BILSTM建筑能耗预测模型定义为最优模型；保存所述最优模型；其中，所述改进后的蜣螂优化算法简称为IDBO算法；
步骤S6：将所述测试集对应的每个本征模态函数IMF和对应的残差分量RES输入到所述最优模型进行预测，并对每个本征模态函数IMF和对应的残差分量RES的预测结果进行反归一化；
步骤S7：对进行反归一化后的每个本征模态函数IMF和对应的残差分量RES的预测结果进行叠加重构，得到所述测试集的建筑能耗预测结果；
其中，步骤S5中的所述IDBO算法为改进的DBO算法，所述DBO算法模拟了蜣螂的滚球，繁殖，觅食和偷窃这四种阶段的生活习性；所述IDBO算法包括：采用在种群初始化阶段引入Bernoulli混沌映射；将动态螺旋因子r引入螺旋搜索策略，得到改进后的可变动态螺旋搜索策略，采用所述改进后的可变动态螺旋搜索策略更新蜣螂繁殖行为时的个体位置；以及采用最优值引导策略，更新蜣螂觅食行为时的个体位置；
其中，所述螺旋搜索策略是受到鲸鱼优化算法中鲸群围捕猎物的启发，鲸鱼围捕猎物阶段的公式如下：
x(t+1)＝D′×ebl×cos(2πl)+xbest(t)
D′＝|xbest(t)-x(t)|
式中，b是定义螺旋搜索形状的常数；l是[-1，1]之间的随机数；D′代表鲸鱼当前搜索个体与全局最优解的距离；xbest(t)代表目前鲸鱼得到最优解的位置；x(t)代表鲸鱼当前位置；
其中，所述动态螺旋搜索因子r的公式如下：
式中，k为螺旋更新系数；t代表当前迭代次数；tmax代表最大迭代次数。
2.根据权利要求1所述的基于ICEEMDAN-IDBO-BILSTM的建筑能耗预测方法，其特征在于，所述步骤S3，具体包括：
步骤S3.1：将高斯白噪声ωi(t)加入到经过预处理后的建筑能耗数据集x(t)中，构造出n个可控噪声序列
所述n个可控噪声序列的表达式如下：
通过所述n个可控噪声序列的表达式，得到第一个序列/>所述第一个序列的表达式如下：
式(1)和式(2)中，ζ(.)代表信噪比；E(.)代表由EMD分解白噪声ωi(t)产生的第n个本征模态函数IMF分量；rn(t)代表第n个残差分量；
步骤S3.2：计算得到第n个残差分量rn(t)；所述第n个残差分量rn(t)的表达式如下：
通过所述第n个残差分量rn(t)的表达式，得到第一个残差分量r1(t)；所述第一个残差分量r1(t)的表达式如下：
式(4)中，<...>为计算局部均值的计算符；
步骤S3.3：计算得到第n个本征模态函数分量IMFn；所述第n个本征模态函数分量IMFn的表达式如下：
通过所述第n个本征模态函数分量IMFn的表达式，得到第一个本征模态函数分量IMF1；所述第一个本征模态函数分量IMF1的表达式如下：
IMF1＝x(t)-r1(t) (6)
步骤S3.4：重复步骤S3.1，得出第二个可控噪声序列所述第二个可控噪声序列的表达式如下：
步骤S3.5：重复步骤S3.2，得出第二个残差分量r2(t)；所述第二个残差分量r2(t)的表达式如下：
r2(t)＝<r1(t)+ζ1E2(ωi(t))> (8)
步骤S3.6：重复步骤S3.3，得出第二个本征模态函数分量IMF2；所述第二个本征模态函数分量IMF2的表达式如下：
IMF2＝r1(t)-r2(t) (9)
步骤S3.7：执行n＝n+1，并重复步骤S3.1、步骤S3.2和步骤S3.3，直到满足迭代终止条件；其中，使用柯西收敛准则限制两个相邻的本征模态函数IMF之间的标准差；所述标准差记为σ；所述σ的表达式如下：
式(10)中，当σ小于某一预设值时，迭代终止；
步骤S3.8：输出所有得到的本征模态函数分量IMFn和最后的残差分量RES，以实现ICEEMDAN分解结束。
3.根据权利要求1所述的基于ICEEMDAN-IDBO-BILSTM的建筑能耗预测方法，其特征在于，所述在种群初始化阶段引入Bernoulli混沌映射，具体包括：
利用Bernoulli混沌映射公式初始化蜣螂种群个体位置，生成新的混沌序列，以避免所述改进后的蜣螂优化算法后续出现局部最优值的情况，提高所述改进后的蜣螂优化算法的全局搜索能力；所述Bernoulli混沌映射公式如下：
式中，β代表映射参数，β∈(0，1)；n∈N+；Z是一个随机变量序列；n表示迭代的次数；Zn+1是下一次迭代的值，它取决于上一代的Zn和常数β。
4.根据权利要求1所述的基于ICEEMDAN-IDBO-BILSTM的建筑能耗预测方法，其特征在于，采用所述改进后的可变动态螺旋搜索策略更新蜣螂繁殖行为时的个体位置的表达式如下：
式中，表示当前局部最优位置；Lb*和Ub*分别表示产卵的下界和上界；/>是第t次迭代时第i个繁育球的位置信息；b1和b2表示两个大小为1×D的独立随机向量；
Lb*和Ub*的边界条件的表达式如下：
式中，Lb*和Ub*分别表示产卵的下界和上界；R＝1-t/Tmax，Tmax表示最大迭代次数；Lb和Ub表示待优化问题的下界与上界。
5.根据权利要求1所述的基于ICEEMDAN-IDBO-BILSTM的建筑能耗预测方法，其特征在于，所述采用最优值引导策略，更新蜣螂觅食行为时的个体位置，具体包括：
通过引入当前最优值来引导候选解的生成，得到优化后的蜣螂觅食行为更新公式；所述优化后的蜣螂觅食行为更新公式如下：
式中，Lbb和Ubb分别表示最佳觅食区域的下界与上界；λ表示一个与时间相关的动态调整项，用于控制蜣螂在觅食阶段的搜索行为，引导候选解的生成；C1和C2为两个随机数；
λ的计算公式如下：
Lbb和Ubb的边界条件如下：
式中，表示全局最佳位置；/>t代表当前迭代次数，tmax表示最大迭代次数；Lb和Ub表示待优化问题的下界与上界。
6.根据权利要求1所述的基于ICEEMDAN-IDBO-BILSTM的建筑能耗预测方法，其特征在于，使用IDBO算法对所述BILSTM建筑能耗预测模型进行优化，具体包括：
(1)定义目标函数；以均方误差为目标函数，所述均方误差的表达式如下：
其中，表示预测值，yi表示实际值，N表示输出样本数；
(2)对IDBO-BILSTM模型的参数进行初始化；所述对IDBO-BILSTM模型的参数进行初始化，具体包括：设定IDBO的种群规模；初始化蜣螂的个体位置；分别确定所述BILSTM模型建筑能耗预测模型的隐含层单元数、学习率和正则化系数的上限和下限；设定迭代次数的最大值；
(3)计算每个蜣螂位置的目标函数值，得到最优解；
(4)第一次迭代后，再次计算不同蜣螂个体的适应度值，并更新所有蜣螂的位置信息；
(5)根据种群当前状态，更新当前最优解和所述当前最优解的适应度值；判断当前迭代次数是否达到迭代次数的最大值或者判断当前的最优解是否满足收敛条件；若判断结果为是，则输出此时经IDBO算法优化后的BILSTM参数值，若判断结果为否，则返回步骤(3)；
(6)得到经IDBO算法优化后的BILSTM参数值，以使得将所述经IDBO算法优化后的BILSTM参数值输入到所述BILSTM建筑能耗预测模型中。
7.根据权利要求1所述的基于ICEEMDAN-IDBO-BILSTM的建筑能耗预测方法，其特征在于，所述BILSTM建筑能耗预测模型为双向长短期记忆神经网络。
8.根据权利要求1至4中任一项所述的基于ICEEMDAN-IDBO-BILSTM的建筑能耗预测方法，其特征在于，对所述建筑能耗数据集进行预处理，具体包括：
对所述建筑能耗数据集中离群的数据值进行剔除；
采用线性插值法对所述建筑能耗数据集中的剔除值和缺失值进行填补。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311840837.2A CN117787746B (zh) | 2023-12-28 | 2023-12-28 | 一种基于iceemdan-idbo-bilstm的建筑能耗预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311840837.2A CN117787746B (zh) | 2023-12-28 | 2023-12-28 | 一种基于iceemdan-idbo-bilstm的建筑能耗预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117787746A true CN117787746A (zh) | 2024-03-29 |
| CN117787746B CN117787746B (zh) | 2024-05-28 |
Family
ID=90383096
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311840837.2A Active CN117787746B (zh) | 2023-12-28 | 2023-12-28 | 一种基于iceemdan-idbo-bilstm的建筑能耗预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117787746B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118314462A (zh) * | 2024-04-29 | 2024-07-09 | 山东农业大学 | 一种农作物间作模式中多病害检测方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20220197233A1 (en) * | 2020-12-18 | 2022-06-23 | Wuhan University | Wind power prediction method and system for optimizing deep transformer network |
| CN114925924A (zh) * | 2022-05-30 | 2022-08-19 | 扬州大学 | 基于改进bp神经网络的城市轨道交通客流短时预测方法 |
| CN116562908A (zh) * | 2023-05-05 | 2023-08-08 | 佛山科学技术学院 | 一种基于双层vmd分解和ssa-lstm的电价预测方法 |
| CN117132132A (zh) * | 2023-09-06 | 2023-11-28 | 大连民族大学 | 基于气象数据的光伏发电功率预测方法 |
-
2023
- 2023-12-28 CN CN202311840837.2A patent/CN117787746B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20220197233A1 (en) * | 2020-12-18 | 2022-06-23 | Wuhan University | Wind power prediction method and system for optimizing deep transformer network |
| CN114925924A (zh) * | 2022-05-30 | 2022-08-19 | 扬州大学 | 基于改进bp神经网络的城市轨道交通客流短时预测方法 |
| CN116562908A (zh) * | 2023-05-05 | 2023-08-08 | 佛山科学技术学院 | 一种基于双层vmd分解和ssa-lstm的电价预测方法 |
| CN117132132A (zh) * | 2023-09-06 | 2023-11-28 | 大连民族大学 | 基于气象数据的光伏发电功率预测方法 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118314462A (zh) * | 2024-04-29 | 2024-07-09 | 山东农业大学 | 一种农作物间作模式中多病害检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117787746B (zh) | 2024-05-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Huisman et al. | A survey of deep meta-learning | |
| Wu et al. | Hyperparameter optimization for machine learning models based on Bayesian optimization | |
| CN117787746B (zh) | 一种基于iceemdan-idbo-bilstm的建筑能耗预测方法 | |
| CN108898213B (zh) | 一种面向深度神经网络的自适应激活函数参数调节方法 | |
| CN109871977A (zh) | 基于离散小波变换和优化最小支持向量机的负荷预测方法 | |
| CN111768028B (zh) | 一种基于深度强化学习的gwlf模型参数调节方法 | |
| CN115511177A (zh) | 基于ingo-swgmn混合模型的超短期风速预测方法 | |
| CN114548591A (zh) | 一种基于混合深度学习模型和Stacking的时序数据预测方法及系统 | |
| Donini et al. | Marthe: Scheduling the learning rate via online hypergradients | |
| Liu et al. | Learning to learn evolutionary algorithm: A learnable differential evolution | |
| CN117217374A (zh) | 基于dbo-elm的短期风电功率预测方法 | |
| CN113537365A (zh) | 一种基于信息熵动态赋权的多任务学习自适应平衡方法 | |
| CN110188621A (zh) | 一种基于ssf-il-cnn的三维人脸表情识别方法 | |
| CN117709393A (zh) | 一种短期电力负荷预测方法 | |
| CN117876735A (zh) | 一种基于残差卷积网络的水生生物类别电子标注方法 | |
| CN117523359A (zh) | 一种基于强化学习的图像比对识别方法及设备 | |
| CN116681154A (zh) | 一种基于emd-ao-delm的光伏功率计算方法 | |
| CN116720311A (zh) | 一种飞行器抗毁伤能力评估方法和装置 | |
| WO2022242471A1 (en) | Neural network configuration parameter training and deployment method and apparatus for coping with device mismatch | |
| Espinós Longa et al. | Swarm Intelligence in Cooperative Environments: Introducing the N-Step Dynamic Tree Search Algorithm | |
| CN109636609A (zh) | 基于双向长短时记忆模型的股票推荐方法及系统 | |
| Guan et al. | Reduce the difficulty of incremental learning with self-supervised learning | |
| Morales | Deep Reinforcement Learning | |
| CN114912368A (zh) | 结合梯度算法和演化算法对神经网络模型进行优化的方法 | |
| CN117937421B (zh) | 一种基于相似度重组的光伏发电功率预测方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |