申请/专利权人：辽宁科技大学

申请日：2023-12-28

公开（公告）日：2024-03-29

公开（公告）号：CN117787746A

主分类号：G06Q10/0637

分类号：G06Q10/0637;G06Q50/06;G06N3/0442;G06N3/006;G06N3/08

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.04.16#实质审查的生效;2024.03.29#公开

摘要：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。

主权项：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：xt+1＝D′×ebl×cos2πl+xbesttD′＝|xbestt-xt|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；xbestt代表目前鲸鱼得到最优解的位置；xt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。

全文数据：

权利要求：

百度查询： 辽宁科技大学 一种基于ICEEMDAN-IDBO-BILSTM的建筑能耗预测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD