[發明專利]一種基于SBO優化CNN的高層住宅建筑群熱負荷預測方法及系統

在審

• 申請號: 202110302870.4
• 申請日: 2021-03-22
• 公開（公告）號: CN112926795A
• 公開（公告）日: 2021-06-08
• 發明（設計）人: 趙安軍;席江濤;于軍琪;米璐
• 申請（專利權）人: 西安建筑科技大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06;G06N3/04;G06N3/08
• 代理公司: 西安通大專利代理有限責任公司 61200
• 代理人: 高博

1.基于SBO優化CNN的高層住宅建筑群熱負荷預測方法，其特征在于，包括以下步驟：

S1、基于高層住宅建筑群，將氣象參數和建筑體形參數作為熱負荷預測模型的輸入量進行分析，并收集歷史逐時熱負荷數據、對應的逐時氣象參數和住宅建筑參數作為原始數據集；采用Lasso回歸模型對收集的原始數據集的輸入變量進行篩選，選取與熱負荷顯著相關的影響因素作為模型輸入，得到最終數據集；

S2、使用CNN網絡構建熱負荷預測模型；

S3、利用元啟發式優化算法SBO生成的初始種群x₁,x₂,x₃對步驟S2構建的熱負荷預測模型的過濾器數量和Dropout層概率進行優化，基于步驟S1得到的最終數據集進行訓練和測試，計算系統誤差MSE；

S4、以步驟S3中的系統誤差MSE作為目標函數，利用元啟發式優化算法SBO的全局尋優能力尋找最優個體并返回到熱負荷預測模型，構建新的熱負荷預測模型；基于步驟S1得到的最終數據集對構建的新熱負荷預測模型進行效果評價，完成Lasso-SBO-CNN預測模型建立，根據Lasso-SBO-CNN預測模型得到對應時間段的逐時預測熱負荷序列，實現住宅建筑群熱負荷預測。

2.根據權利要求1所述的方法，其特征在于，步驟S1中，Lasso回歸模型的目標函數為：

其中，n為數據樣本量，p為變量的個數，y_i表示因變量y的第i個值，x_ij表示第i個因變量所對應的第j個自變量，β_i表示每個自變量的回歸系數，ESS(β)為誤差平方和，λI₁(β)代表懲罰項，λ為懲罰項系數。

3.根據權利要求2所述的方法，其特征在于，Lasso回歸模型的系數β_i為：

其中，m_j為對ESS(β)做β_j偏導數的負數項，為第j個自變量與對應的因變量和回歸系數乘積做差再乘以對應的因變量，h_j(x_i)為第i個因變量所對應的第j個自變量，n_j為第j個自變量對應的因變量與其回歸系數的平方和，β_k為每個自變量x_i對應因變量y_i的回歸系數。

4.根據權利要求1所述的方法，其特征在于，步驟S1中，氣象參數包含：室外干球溫度、相對濕度、風速和單位面積太陽輻射量；建筑體形參數包含：建筑體形系數、建筑高度、表面積、墻體面積和窗墻面積比；確定顯著相關的輸入參數為：干球溫度、相對濕度、風速、建筑體形系數、建筑高度和窗墻面積比。

5.根據權利要求1所述的方法，其特征在于，步驟S2中，CNN網絡包含輸入層、隱藏層和輸出層，隱藏層中包含有卷積層，卷積層用于對輸入數據進行特征提取，具體計算如下：

其中，G^l為第l+1層卷積的輸入，G^l+1表示第l+1層卷積的輸出，W^l+1表示第l+1層的卷積核，b為偏差值，L_l+1表示G^l+1的大小，f表示卷積參數，s₀和p分別表示Filter大小和步長。

6.根據權利要求1所述的方法，其特征在于，步驟S3中，系統誤差MSE具體為：

其中，y_i,pre為CNN模型測試集的輸出值；y_i測試集的樣本值；n為測試集的樣本數量。