[發明專利]一種商業建筑冷負荷預測方法、系統、設備及介質

在審

• 申請號: 202211064210.8
• 申請日: 2022-08-31
• 公開（公告）號: CN115409266A
• 公開（公告）日: 2022-11-29
• 發明（設計）人: 于軍琪;田喆;趙安軍;高之坤;薛志璐
• 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;G06N3/00;G06Q50/06
• 代理公司: 西安通大專利代理有限責任公司 61200
• 代理人: 陳翠蘭

1.一種商業建筑冷負荷預測方法，其特征在于，包括：

獲取商業建筑冷負荷影響因素數據集；

利用隨機森林算法，對所述商業建筑冷負荷影響因素數據集進行篩選，確定商業建筑冷負荷的主要影響因素數據；

將所述商業建筑冷負荷的主要影響因素數據，作為預構建的商業建筑冷負荷預測模型的輸入，輸出得到所述商業建筑冷負荷預測結果；

其中，所述預構建的商業建筑冷負荷預測模型為經過改進的并行鯨魚優化算法優化的極限學習機模型；所述改進的并行鯨魚優化算法為在并行鯨魚優化算法中引入混沌序列機制、移民算子和自適應收斂因子。

2.根據權利要求1所述的一種商業建筑冷負荷預測方法，其特征在于，所述商業建筑冷負荷的主要影響因素數據，包括建筑物理變量、外部環境擾動變量、內部環境擾動變量及歷史負荷；其中，所述建筑物理變量包括體形系數及窗墻比；所述外部環境擾動變量包括建筑物周圍風速、太陽輻照度、前一時刻太陽輻照度、室外相對濕度及室外干球溫度；內部環境擾動變量包括照明使用數據及室內人員流動數據；所述歷史負荷包括前一時刻的冷負荷。

3.根據權利要求1所述的一種商業建筑冷負荷預測方法，其特征在于，利用隨機森林算法，對所述商業建筑冷負荷影響因素數據集進行篩選，確定商業建筑冷負荷的主要影響因素數據的過程，具體如下：

采用bootstrap抽樣方法，從所述商業建筑冷負荷影響因素數據集中隨機且有放回地抽取n個子樣本集；其中，未被抽取的數據作為袋外數據oob；

為每個子樣本集建立決策樹，得到n棵決策樹，并得到由n棵決策樹組成的森林；

在每棵樹生長的過程中，從所述商業建筑冷負荷影響因素數據集的所有特征變量中，隨機選取m個屬性；其中，mM，M為所述商業建筑冷負荷影響因素數據集的所有特征變量的個數；利用方差最小準則，從m個屬性中選擇最優分裂變量進行內部節點分裂；

將每棵樹不經過剪枝且最大程度生長后，整合得到隨機森林模型；

將所述袋外數據oob中的各影響因素放入所述隨機森林模型中，針對某一棵樹，通過所述隨機森林模型計算得到各袋外數據的預測值；

計算各袋外數據的預測值與真實值間的均方誤差；

利用所述均方誤差減少量表征各影響因素的重要性，所述均方誤差的大小降序排列，得到所有影響因素的均方誤差序列；根據所述均方誤差序列，計算每個影響因素的影響系數；根據每個影響因素的影響系數，確定得到所述商業建筑冷負荷的主要影響因素數據。

4.根據權利要求1所述的一種商業建筑冷負荷預測方法，其特征在于，所述預構建的商業建筑冷負荷預測模型的構建過程，具體為：利用改進的并行鯨魚優化算法對極限學習機模型對網絡參數進行尋優，得到最優網絡參數；將所述最優網絡參數帶入極限學習機模型中，得到預構建的商業建筑冷負荷預測模型。

5.根據權利要求4所述的一種商業建筑冷負荷預測方法，其特征在于，利用改進的并行鯨魚優化算法對極限學習機模型對網絡參數進行尋優，得到最優網絡參數的過程，具體如下：

采用隨機方式生成初始鯨魚種群1，采用引入的混沌序列機制生成初始鯨魚種群2；

對初始鯨魚種群1和初始鯨魚種群2分別獨立運行預設代數后，分別計算兩個鯨魚種群內每個個體對應的個體適應度函數值；

根據兩個鯨魚種群內每個個體對應的個體適應度函數值，分別將兩個鯨魚種群內對個體平均劃分為適應度值大段、適應度值中段及適應度值小段；

采用預設的種群間個體交換規模c％，作為移民算子，在兩個鯨魚種群之間進行個體交換；具體的，取兩個鯨魚種群的適應度值大段個體的c％代替對方鯨魚種群中的適應度值小段個體的c％；取兩個鯨魚種群的適應度中段個體的c％與對方鯨魚種群的適應度中段個體的c％進行相互交換；

采用自適應收斂因子改進策略，對兩個鯨魚種群進行改進；

將改進后的兩個鯨魚種群，獨立運行u次之后，利用新的移民運營商對改進后的兩個鯨魚種群之間進行個體交換；

設置獨立進化代數為m，按照獨立操作模式繼續進行操作；

確定是否滿足優化終止條件，如果滿足，輸出優化結果；所述優化結果即為最優網絡參數；其中，所述最優網絡參數為極限學習機模型中輸出層權重。