System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及建筑能耗预测领域,具体是一种基于改进dbo-lstm的智慧楼宇能耗预测方法。
技术介绍
1、建筑能耗预测方法可以分为三类:模型驱动方法(“白箱”)、数据驱动方法(“黑箱”)和混合驱动方法(“灰箱”)。模型驱动方法基于热力学、传热学定律,建立建筑的物理仿真模型,模拟建筑内部人员的活动过程、设备的运行过程以及建筑内外的传热过程,但是建立初始物理模型的难度和成本依旧较高,导致该方法难以推广应用。数据驱动方法具体可分为统计回归法和机器学习法,这些传统的数据驱动方法并未充分考虑建筑运行数据时间周期性、时滞性等特征,简化处理方式过于粗糙,会导致有效信息的丢失。为了应对传统数据驱动方法在时间维度和空间维度上的不足,部分学者对混合驱动方法进行了深入探究。
2、近年来,随着人工智能技术的快速发展,基于混合驱动的公共建筑能耗预测研究越来越广泛。fan等人使用自编码神经网络对复杂时间序列进行特征提取,并和专家知识法、统计分析法等特征工程方法进行对比,证明基于自编码神经网络的无监督特征工程方法能够提高预测精度。li等人特征提取阶段使用堆叠自编码,在能耗预测阶段使用极端学习机(elm)。章挺飞等人提出了一种基于lstm网络的建筑能耗预测方法,同bp神经网络相比,提高了预测精度。但是能耗数据具有非线性和时间序列的特性,由于lstm内部结构相对较复杂,训练效率在同等算力下较传统rnn低很多,每一个lstm的cell里面都意味着有4个全连接层(mlp),如果lstm的时间跨度很大,并且网络又很深,这个计算量会很大,很耗时;lstm相关
技术实现思路
1、针对现有技术存在的缺陷,本专利技术公开一种基于改进dbo-lstm的智慧楼宇能耗预测方法,挖掘建筑运行数据时序特征,进一步提高能耗预测精度。
2、为了解决所述技术问题,本专利技术采用的技术方案是:
3、1)数据采集:
4、合理地选取变量可直接提高负荷预测的准确性和实用性。本专利技术采用某公共建筑的历史能耗数据,数据按照时间序列排序,包含两年每天每小时的能耗使用情况等数据,运行数据被用于训练、测试各类预测模型。
5、2)特征选择:
6、由于数据高维的特点,对数据标准化后,分析数据之间的相关系数,以此判定各个特征对标签的影响,继而剔除对其影响不大的特征。在对数据进行预处理时,其中原始数据的选择在一定程度上决定了模型的准确性。特征选择方法包括相关性分析和数值灵敏度分析等,但是这些方法都是线性的输入选择方法,而能耗数据则是非线性的。因此,互信息特征选择方法将更加有效,此方法计算输入和输出数据相关性的效率是很高的。
7、互信息(mutual information,mi),表示两个变量x与y之间的相互依赖性。
8、变量x、y之间的互信息i(x;y)定义为:
9、
10、其中,p(x,y)是联合概率密度函数,p(x),p(y)分别为变量x,y的边缘概率密度函数。mi是用来评价一个事件的出现对于另一个事件的出现所贡献的信息量。mi互信息法通过计算所有特征与目标特征的互信息度量,然后进行排序,选取k个mi最高的特征,从而达到特征选择的目的。当变量之间具有某种关联关系,变量之间的随机性越小,互信息就越大。
11、本专利技术中,采用mi互信息法分析原始能耗数据集中各特征与楼宇能耗预测目标之间的相关系数,以此判断各个特征对楼宇能耗预测目标的影响,从而剔除对其影响不大的特征。
12、3)数据归一化处理:
13、将特征向量通过归一化处理得到最终数据作为模型输入,将特征向量转化为(0,1)区间范围的数据,公式为:
14、
15、其中,x*是归一化后的结果,x表示样本集中的原数据,min表示样本集x中的最小数据,max表示样本集x中的最大数据。
16、4)建立改进dbo-lstm模型
17、本专利技术用双隐层lstm模型进行预测,其拟合程度与预测精度不止与模型拓扑结构有关,关键参数的设置对其预测精度也起到决定性的作用。目前,lstm模型重要参数隐藏层神经元数目与学习率难以确定,大多是人为凭借经验,或经过多次实验得出,这种方式具有随机性,导致模型预测性能十分不稳定。因此本专利技术提出改进蜣螂算法优化lstm预测模型,利用改进蜣螂算法对lstm参数进行寻优,即将算法中最优个体位置作为lstm两个隐藏层神经元个数和学习率,建立起最优预测模型。
18、建立改进dbo-lstm模型的具体步骤为:
19、s41)、初始化lstm模型参数优化过程中基本参数,包括蜣螂种群规模、最大迭代次数、限制隐藏层神经元个数和学习率搜索范围,随机初始化蜣螂种群个体运动速度、加速度和时间;蜣螂算法种群规模,包括偷窃蜣螂、小蜣螂、繁殖蜣螂、滚球蜣螂;
20、s42)、对蜣螂算法种群位置基于tent混沌映射初始化,将个体位置设为模型各隐藏层神经元数和学习率;
21、s43)、lstm其他参数设置,其他参数包括lstm隐藏层数、损失函数和优化算法;
22、s44)、对原始数据进行预处理形成新的数据集,并将新的数据集分为训练集和测试集,将训练集和测试集输入lstm模型进行训练和测试;
23、s45)、蜣螂算法的适应度函数为lstm模型的实际标签和预测标签之间的十折交叉验证的均方根误差;
24、s46)、进行迭代,计算蜣螂个体在每一次迭代中的位置并计算适应度值,通过比较确定个体最优历史位置进而确定种群最优位置,利用莱维飞行策略对最优解进行扰动,使蜣螂算法能够跳出局部最优解,从而更准确的确定种群的全局最优位置;
25、s47)、判断是否已经达到最大迭代次数,若是则结束,否则返回步骤s42)继续执行;
26、s48)、返回最优个体位置及其适应度值,将最优个体位置映射成lstm隐含层的神经元个数以及学习率,寻优结束。
27、5)模型训练
28、对提出的改进蜣螂算法优化lstm模型进行训练。设置优化算法的初始参数,droput∈[0,1],batchsize∈[20,300],算法种群规模设置为30,迭代次数设置为300。将80%的数据集作为训练集,剩下的数据作为测试集。然后将数据预处理后得到的特征向量输入lstm模型进行训练。
29、6)验证预测模型准确性
30、将数据集输入到训练好的lstm模型中,对智慧楼宇能耗进行预测。模型预测精度评价指标为均方根误差(rmse本文档来自技高网...
【技术保护点】
1.一种基于改进DBO-LSTM的智慧楼宇能耗预测方法,其特征在于:包括以下步骤:
2.根据权利要求1所述的基于改进DBO-LSTM的智慧楼宇能耗预测方法,其特征在于:步骤S42)中,基于Tent混沌映射初始化蜣螂算法种群位置的具体步骤为:
3.根据权利要求2所述的基于改进DB0-LSTM的智慧楼宇能耗预测方法,其特征在于:α=0.4。
4.根据权利要求1所述的基于改进DB0-LSTM的智慧楼宇能耗预测方法,其特征在于:利用莱维飞行策略对DBO算法最优解进行扰动后,偷窃蜣螂的位置更新公式为:
5.根据权利要求1所述的基于改进DB0-LSTM的智慧楼宇能耗预测方法,其特征在于:LSTM其他参数的具体设置为LSTM隐藏层数为2,损失函数为RMSE,优化算法为Adam。
6.根据权利要求1所述的基于改进DBO-LSTM的智慧楼宇能耗预测方法,其特征在于:步骤S02)中,通过MI互信息法分析原始能耗数据集中各特征与楼宇能耗预测目标之间的相关系数。
7.根据权利要求1所述的基于改进DB0-LSTM的智慧楼宇能耗预测方法
8.根据权利要求7所述的基于改进DB0-LSTM的智慧楼宇能耗预测方法,其特征在于:步骤S44)所述预处理包括特征选择和归一化处理,具体是使用滑动窗口将24小时的15个特征的数据形成360个特征分量,然后使用MI互信息法选择使用滑动窗口法形成的360个特征分量中MI值最大的前60维特征形成新的数据集。
...【技术特征摘要】
1.一种基于改进dbo-lstm的智慧楼宇能耗预测方法,其特征在于:包括以下步骤:
2.根据权利要求1所述的基于改进dbo-lstm的智慧楼宇能耗预测方法,其特征在于:步骤s42)中,基于tent混沌映射初始化蜣螂算法种群位置的具体步骤为:
3.根据权利要求2所述的基于改进db0-lstm的智慧楼宇能耗预测方法,其特征在于:α=0.4。
4.根据权利要求1所述的基于改进db0-lstm的智慧楼宇能耗预测方法,其特征在于:利用莱维飞行策略对dbo算法最优解进行扰动后,偷窃蜣螂的位置更新公式为:
5.根据权利要求1所述的基于改进db0-lstm的智慧楼宇能耗预测方法,其特征在于:lstm其他参数的具体设置为lstm隐藏层数为2,损失函数为rmse,优化算法为adam。
6.根据权利要求1所述的基于改进dbo-lstm...
【专利技术属性】
技术研发人员:袁意丽,侯莹莹,刘恒志,齐伟峰,袁翰林,黄俊花,杨志强,李新丽,
申请(专利权)人:山东电工电气集团数字科技有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。