一种商业建筑冷负荷预测方法、系统、设备及介质技术方案

本发明专利技术公开了一种商业建筑冷负荷预测方法、系统、设备及介质，方法包括：利用随机森林算法，对商业建筑冷负荷影响因素数据集进行筛选，确定商业建筑冷负荷的主要影响因素数据；将商业建筑冷负荷的主要影响因素数据，作为预构建的商业建筑冷负荷预测模型的输入，输出得到商业建筑冷负荷预测结果；其中，预构建的商业建筑冷负荷预测模型为经过改进的并行鲸鱼优化算法优化的极限学习机模型；改进的并行鲸鱼优化算法为在并行鲸鱼优化算法中引入混沌序列机制、移民算子和自适应收敛因子；本发明专利技术确保预测模型的输入变量和输出之间具有较高的相关性，且冗余度低；满足对大型商业建筑冷负荷的快速预测，具有较强的泛化能力，预测结果精度较高。果精度较高。果精度较高。

【技术实现步骤摘要】
一种商业建筑冷负荷预测方法、系统、设备及介质


[0001]本专利技术属于空调系统冷负荷预测
，特别涉及一种商业建筑冷负荷预测方法、系统、设备及介质。

技术介绍

[0002]中央空调系统作为大型建筑运行的主要耗能设备，约占建筑总能耗的40％左右，其意味着空调系统的节能对建筑的能效起着重要作用；而快速准确的冷负荷预测是提高空调运行能效、降低城市高峰用电的关键，也为许多能源管理任务奠定了必要基础；其中，所述能源管理任务包括：故障检测和诊断策略、需求侧管理和最优控制。
[0003]针对大型商业建筑，其与其他常规建筑类型不同，大型商业建筑受到人员流动、节假日及室外天气等诸多因素的影响，使其冷负荷呈现动态、不确定等非线性特征，准确和快速预测的难度比较大；目前，神经网络预测模型能够有效的应用于建筑负荷预测；但其主要强调建筑物室外气象参数对空调负荷的影响，缺乏建筑本体特征、人员流动、用电设备散热以及历史负荷等对建筑冷负荷的综合影响性分析，导致预测模型输入变量与输出之间相关性差、冗余度高，无法很好的适用于大型商业建筑冷负荷预测。

技术实现思路

[0004]针对现有技术中存在的技术问题，本专利技术提供了一种商业建筑冷负荷预测方法、系统、设备及介质，以解决现有的建筑冷负荷预测中缺乏对建筑冷负荷的综合影响性分析，导致预测模型输入变量与输出之间相关性差、冗余度高，无法很好的适用于大型商业建筑冷负荷预测的技术问题。
[0005]为达到上述目的，本专利技术采用的技术方案为：
[0006]本专利技术提供了一种商业建筑冷负荷预测方法，包括：
[0007]获取商业建筑冷负荷影响因素数据集；
[0008]利用随机森林算法，对所述商业建筑冷负荷影响因素数据集进行筛选，确定商业建筑冷负荷的主要影响因素数据；
[0009]将所述商业建筑冷负荷的主要影响因素数据，作为预构建的商业建筑冷负荷预测模型的输入，输出得到所述商业建筑冷负荷预测结果；
[0010]其中，所述预构建的商业建筑冷负荷预测模型为经过改进的并行鲸鱼优化算法优化的极限学习机模型；所述改进的并行鲸鱼优化算法为在并行鲸鱼优化算法中引入混沌序列机制、移民算子和自适应收敛因子。
[0011]进一步的，所述商业建筑冷负荷的主要影响因素数据，包括建筑物理变量、外部环境扰动变量、内部环境扰动变量及历史负荷；其中，所述建筑物理变量包括体形系数及窗墙比；所述外部环境扰动变量包括建筑物周围风速、太阳辐照度、前一时刻太阳辐照度、室外相对湿度及室外干球温度；内部环境扰动变量包括照明使用数据及室内人员流动数据；所述历史负荷包括前一时刻的冷负荷。
[0012]进一步的，利用随机森林算法，对所述商业建筑冷负荷影响因素数据集进行筛选，确定商业建筑冷负荷的主要影响因素数据的过程，具体如下：
[0013]采用bootstrap抽样方法，从所述商业建筑冷负荷影响因素数据集中随机且有放回地抽取n个子样本集；其中，未被抽取的数据作为袋外数据oob；
[0014]为每个子样本集建立决策树，得到n棵决策树，并得到由n棵决策树组成的森林；
[0015]在每棵树生长的过程中，从所述商业建筑冷负荷影响因素数据集的所有特征变量中，随机选取m个属性；其中，m<M，M为所述商业建筑冷负荷影响因素数据集的所有特征变量的个数；利用方差最小准则，从m个属性中选择最优分裂变量进行内部节点分裂；
[0016]将每棵树不经过剪枝且最大程度生长后，整合得到随机森林模型；
[0017]将所述袋外数据oob中的各影响因素放入所述随机森林模型中，针对某一棵树，通过所述随机森林模型计算得到各袋外数据的预测值；
[0018]计算各袋外数据的预测值与真实值间的均方误差；
[0019]利用所述均方误差减少量表征各影响因素的重要性，所述均方误差的大小降序排列，得到所有影响因素的均方误差序列；根据所述均方误差序列，计算每个影响因素的影响系数；根据每个影响因素的影响系数，确定得到所述商业建筑冷负荷的主要影响因素数据。
[0020]进一步的，所述预构建的商业建筑冷负荷预测模型的构建过程，具体为：利用改进的并行鲸鱼优化算法对极限学习机模型对网络参数进行寻优，得到最优网络参数；将所述最优网络参数带入极限学习机模型中，得到预构建的商业建筑冷负荷预测模型。
[0021]进一步的，利用改进的并行鲸鱼优化算法对极限学习机模型对网络参数进行寻优，得到最优网络参数的过程，具体如下：
[0022]采用随机方式生成初始鲸鱼种群1，采用引入的混沌序列机制生成初始鲸鱼种群2；
[0023]对初始鲸鱼种群1和初始鲸鱼种群2分别独立运行预设代数后，分别计算两个鲸鱼种群内每个个体对应的个体适应度函数值；
[0024]根据两个鲸鱼种群内每个个体对应的个体适应度函数值，分别将两个鲸鱼种群内对个体平均划分为适应度值大段、适应度值中段及适应度值小段；
[0025]采用预设的种群间个体交换规模c％，作为移民算子，在两个鲸鱼种群之间进行个体交换；具体的，取两个鲸鱼种群的适应度值大段个体的c％代替对方鲸鱼种群中的适应度值小段个体的c％；取两个鲸鱼种群的适应度中段个体的c％与对方鲸鱼种群的适应度中段个体的c％进行相互交换；
[0026]采用自适应收敛因子改进策略，对两个鲸鱼种群进行改进；
[0027]将改进后的两个鲸鱼种群，独立运行u次之后，利用新的移民运营商对改进后的两个鲸鱼种群之间进行个体交换；
[0028]设置独立进化代数为m，按照独立操作模式继续进行操作；
[0029]确定是否满足优化终止条件，如果满足，输出优化结果；所述优化结果即为最优网络参数；其中，所述最优网络参数为极限学习机模型中输出层权重。
[0030]进一步的，采用引入的混沌序列机制生成初始鲸鱼种群2的过程，具体如下：
[0031]通过随机方式生成初始鲸鱼种群1，之后利用预设的混沌序列机制，在可行解空间内使所述初始鲸鱼种群1均匀分布，得到所述的初始鲸鱼种群2；
[0032]其中，所述预设的混沌序列机制为：
[0033][0034]其中，X
i
为初始鲸鱼种群1中的第i个鲸鱼个体位置向量；X
i+1
为初始鲸鱼种群2中的第i个鲸鱼个体位置向量。
[0035]进一步的，采用自适应收敛因子改进策略，对两个鲸鱼种群进行改进的过程，具体为：
[0036]采用第一种非线性递减收敛因子，对采用随机方式生成的鲸鱼种群进行改进；
[0037]采用第二种非线性递减收敛因子，对采用混沌序列机制生成的鲸鱼种群进行改进；
[0038]其中，所述第一种非线性递减收敛因子为：
[0039][0040]其中，a1为随机方式产生种群对应的收敛因子，f为收敛因子初始值，t为当前迭代次数，q为收敛因子递减速度调节参数；
[0041]其中，所述第二种非线性递减收敛因子为：
[0042]a2＝f...

【技术保护点】

【技术特征摘要】
1.一种商业建筑冷负荷预测方法，其特征在于，包括：获取商业建筑冷负荷影响因素数据集；利用随机森林算法，对所述商业建筑冷负荷影响因素数据集进行筛选，确定商业建筑冷负荷的主要影响因素数据；将所述商业建筑冷负荷的主要影响因素数据，作为预构建的商业建筑冷负荷预测模型的输入，输出得到所述商业建筑冷负荷预测结果；其中，所述预构建的商业建筑冷负荷预测模型为经过改进的并行鲸鱼优化算法优化的极限学习机模型；所述改进的并行鲸鱼优化算法为在并行鲸鱼优化算法中引入混沌序列机制、移民算子和自适应收敛因子。2.根据权利要求1所述的一种商业建筑冷负荷预测方法，其特征在于，所述商业建筑冷负荷的主要影响因素数据，包括建筑物理变量、外部环境扰动变量、内部环境扰动变量及历史负荷；其中，所述建筑物理变量包括体形系数及窗墙比；所述外部环境扰动变量包括建筑物周围风速、太阳辐照度、前一时刻太阳辐照度、室外相对湿度及室外干球温度；内部环境扰动变量包括照明使用数据及室内人员流动数据；所述历史负荷包括前一时刻的冷负荷。3.根据权利要求1所述的一种商业建筑冷负荷预测方法，其特征在于，利用随机森林算法，对所述商业建筑冷负荷影响因素数据集进行筛选，确定商业建筑冷负荷的主要影响因素数据的过程，具体如下：采用bootstrap抽样方法，从所述商业建筑冷负荷影响因素数据集中随机且有放回地抽取n个子样本集；其中，未被抽取的数据作为袋外数据oob；为每个子样本集建立决策树，得到n棵决策树，并得到由n棵决策树组成的森林；在每棵树生长的过程中，从所述商业建筑冷负荷影响因素数据集的所有特征变量中，随机选取m个属性；其中，m<M，M为所述商业建筑冷负荷影响因素数据集的所有特征变量的个数；利用方差最小准则，从m个属性中选择最优分裂变量进行内部节点分裂；将每棵树不经过剪枝且最大程度生长后，整合得到随机森林模型；将所述袋外数据oob中的各影响因素放入所述随机森林模型中，针对某一棵树，通过所述随机森林模型计算得到各袋外数据的预测值；计算各袋外数据的预测值与真实值间的均方误差；利用所述均方误差减少量表征各影响因素的重要性，所述均方误差的大小降序排列，得到所有影响因素的均方误差序列；根据所述均方误差序列，计算每个影响因素的影响系数；根据每个影响因素的影响系数，确定得到所述商业建筑冷负荷的主要影响因素数据。4.根据权利要求1所述的一种商业建筑冷负荷预测方法，其特征在于，所述预构建的商业建筑冷负荷预测模型的构建过程，具体为：利用改进的并行鲸鱼优化算法对极限学习机模型对网络参数进行寻优，得到最优网络参数；将所述最优网络参数带入极限学习机模型中，得到预构建的商业建筑冷负荷预测模型。5.根据权利要求4所述的一种商业建筑冷负荷预测方法，其特征在于，利用改进的并行鲸鱼优化算法对极限学习机模型对网络参数进行寻优，得到最优网络参数的过程，具体如下：采用随机方式生成初始鲸鱼种群1，采用引入的混沌序列机制生成初始鲸鱼种群2；对初始鲸鱼种群1和初始鲸鱼种群2分别独立运行预设代数后，分别计算两个鲸鱼种群
内每个个体对应的个体适应度函数值；根据两个鲸鱼种群内每个个体对应的个体适应度函数值，分...

【专利技术属性】
技术研发人员：于军琪，田喆，赵安军，高之坤，薛志璐，
申请(专利权)人：西安建筑科技大学，
类型：发明
国别省市：