一种空调冷负荷预测优化方法、系统及设备

本发明属于空调技术领域，特别涉及一种空调冷负荷预测优化方法、系统及设备。

背景技术：

近年来，随着城市化建设的崛起，伴随着建筑能耗的迅速上升，降低建筑能耗对于缓解电网压力发挥着举足轻重的作用；空调的供热系统和供冷系统的能耗占到建筑能耗的30％-40％；提高空调的能源利用率，减少资源的浪费是响应绿色节能发展的重要环节；由于空调冷负荷预测的研究为优化空调的运行效率提供了有效的数据支撑，因此研究建筑能耗机理和规律，建立准确、有效的空调冷负荷预测模型便具有十分重要的现实意义；负荷预测在学术和实际应用方面有着十分广泛的应用价值，吸引了许多研究人员目光，尤其是中短期负荷预测；空调负荷数据在全生命周期中具有弱平稳序列和线性自相关较强的特征，同时它也是非常敏感的，易受到其他随机因素的影响，如日光辐射、室外空气温度及室外风速等。

目前，神经网络预测模型已经能够有效的应用于空调负荷预测中，能够满足实际应用需求；但之前的研究主要是强调室外气相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，并不能很好的适用于大型商业建筑冷负荷预测；极限学习机在模型训练时，由于输入层及隐含层的输入权重和隐含层阈值是随机生成的，网络性能会受到影响，从而会使预测模型泛化能力差，预测结果不稳定。

技术实现要素：

针对现有技术中存在的技术问题，本发明提供了一种空调冷负荷预测优化方法、系统及设备，以解决现有的空调负荷预测中，由于网络输入层及隐含层的输入权重和隐含层阈值采用随机生成，预测模型泛化能力差，预测结果不稳定的技术问题。

为达到上述目的，本发明采用的技术方案为：

本发明提供了一种空调冷负荷预测优化方法，包括以下步骤：

获取空调冷负荷的影响构成要素数据，确定空调冷负荷的主要影响指标数据；

采用空调冷负荷的主要影响指标数据，对极限学习机网络进行训练优化；其中，训练优化过程，采用鲸鱼优化算法对极限学习机的权重参数及阈值参数进行寻优，得到优化后的极限学习机；

采集空调冷负荷主要影响指标数据，输入至优化后的极限学习机中，输出得到空调冷负荷预测优化结果。

进一步的，空调冷负荷的影响构成要素数据包括建筑物室内温度、co2浓度、水平面总辐射、室外空气温度、相对湿度、湿球温度和风速。

进一步的，确定空调冷负荷的主要影响指标数据的过程，具体为：

采用随机森林算法对空调冷负荷的影响构成要素数据进行预处理，得到空调冷负荷的主要影响指标数据。

进一步的，采用随机森林算法对空调冷负荷的影响构成要素数据进行预处理过程，具体如下：

采用单变量选择方式，对空调冷负荷的影响构成要素数据进行选取；将每种空调冷负荷的影响构成要素数据分别与空调冷负荷值建立随机森林模型；以决定系数作为随机森林模型的评价指标；

其中，决定系数为空调冷负荷影响因素对于空调冷负荷值的影响程度；采用5折交叉验证的模型训练方式对随机森林模型进行训练，筛选得到空调冷负荷的主要影响指标数据。

进一步的，采用鲸鱼算法对极限学习机的权重参数及阈值参数进行寻优，具体如下：

设置极限学习机预测精度参数，并确定极限学习机预测精度参数范围；

根据极限学习机预测精度参数范围，设置鲸鱼优化算法影响参数的寻优范围；

利用空调冷负荷的主要影响指标数据及鲸鱼种群信息，得到极限学习机的预测值；并根据极限学习机的预测值，计算所有个体的适应度值，选择当前最优适应度个体，并设置该个体的位置为当前最优；

利用鲸鱼优化算法的收缩包围机制、螺旋更新位置机制及探索机制，对个体位置进行迭代更新；

每次迭代更新后，将优化后的预测精度参数传递至极限学习机；

判断迭代循环次数是否达到预设值，若是，则停止对预测精度参数的寻优，得到极限学习机的最优权重参数及阈值参数；若非，则继续迭代更新。

进一步的，极限学习机预测精度参数包括输入权值参数及隐藏层阈值参数；其中，将输入权值参数设置为[-1,1]范围内的随机数；隐藏层阈值参数设置为[0,1]范围内的随机数。

进一步的，鲸鱼优化算法影响参数包括种群规模、最大迭代次数及鲸鱼种群位置的上限与下限；鲸鱼优化算法的适应度函数为均方误差。

进一步的，利用鲸鱼优化算法的收缩包围机制、螺旋更新位置机制及探索机制，对个体位置进行迭代更新过程；

若当前迭代次数t<最大迭代次数tmax，则对输入权值与隐藏层阈值进行更新；

当随机变量p<0.5时，若系数向量|a|≥1，鲸鱼将会放弃猎物并重新进行搜寻；若系数向量|a|<1，鲸鱼将进攻猎物；

当随机变量p≥0.5时，对个体位置进行螺旋更新。

本发明还提供了一种空调冷负荷预测优化系统，包括影响指标数据模块、模型优化模块及输出模块；

影响指标数据模块，用于获取空调冷负荷的影响构成要素数据，确定空调冷负荷的主要影响指标数据；

模型优化模块，用于采用空调冷负荷的主要影响指标数据，对极限学习机网络进行训练优化；其中，训练优化过程，采用鲸鱼优化算法对极限学习机的权重参数及阈值参数进行寻优，得到优化后的极限学习机；

输出模块，用于采集空调冷负荷主要影响指标数据，输入至优化后的极限学习机中，输出得到空调冷负荷预测优化结果。

本发明还提供了一种空调冷负荷预测优化设备，包括存储器、处理器及存储在所述存储器中并可在所述处理器中运行的可执行指令；所述处理器执行所述可执行指令时实现所述的空调冷负荷预测优化方法。

与现有技术相比，本发明的有益效果为：

本发明提供了一种空调冷负荷预测优化方法及系统，通过确定空调冷负荷的主要影响指标数据，采用主要影响指标数据对极限学习机进行训练优化，降低了改进极限学习机输入变量的维度，提高了收敛速度，节约了运算成本；同时，将鲸鱼优化算法与极限学习机结合，降低了极限学习机空调冷负荷预测的均方误差，有效提升了预测性能。

进一步的，采用随机森林算法对影响空调冷负荷构成要素的重要程度进行评估，确定影响空调冷负荷的主要影响指标，更好地实现了对特征数据的预筛选，提高了模型的预测精度，同时降低了改进极限学习机输入变量的维度，提高了收敛速度，节约了运算成本。

进一步的，引入鲸鱼算法对极限学习机权值和阈值进行优化，解决了极限学习机在空调冷负荷预测参数最优选择问题；将鲸鱼优化算法与极限学习机算法有机结合，构建基于随机森林与改进极限学习机预测模型，降低极限学习机空调冷负荷预测的均方误差，使预测的性能得到了有效地提升。

本发明提供了一种空调冷负荷预测优化方法及系统，利用极限学习机与鲸鱼优化算法的有机结合，以优化极限学习机相关参数的方式提高极限学习机的预测效果；考虑到冷负荷数据集的繁杂和预测指标对预测效果的影响程度，采用随机森林算法对数据集的特征指标进行评估和筛选，有效地避免了过多的无用特征数据对预测效果的影响；采用本发明进行空调冷负荷预测，分别与支持向量机、卷积神经网络、改进前极限学习机三个预测模型进行实验对比，采用本发明进行空调冷负荷预测模型，在相同空调冷负荷数据集下，本发明的均方误差较小，平均绝对误差较小，取得了很好的预测效果。

附图说明

图1为实施例中的空调冷负荷预测优化流程示意图；

图2为实施例中的随机森林算法流程图；

图3为实施例中的极限学习机网络结构框图；

图4为实施例中的大型商业建筑1参数影响系数图；

图5为实施例中的大型商业建筑2参数影响系数图；

图6为实施例中的大型商业建筑1冷负荷预测结果对比图；

图7为实施例中的大型商业建筑2冷负荷预测结果对比图；

图8为实施例中的预测模型的预测精度对比图表。

具体实施方式

为了使本发明所解决的技术问题，技术方案及有益效果更加清楚明白，以下具体实施例，对本发明进行进一步的详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本发明提供了一种空调冷负荷预测优化方法，包括以下步骤：

步骤1、获取空调冷负荷的影响构成要素数据；其中，空调冷负荷的影响构成要素数据包括建筑物室内温度、co2浓度、水平面总辐射、室外空气温度、相对湿度、湿球温度和风速；采用随机森林算法对空调冷负荷的影响构成要素数据进行预处理，得到空调冷负荷的主要影响指标数据。

采用随机森林算法对空调冷负荷的影响构成要素数据进行预处理过程，具体如下：

采用单变量选择方式，对空调冷负荷的影响构成要素数据进行选取；将每种空调冷负荷的影响构成要素数据分别与空调冷负荷值建立随机森林模型；以决定系数作为随机森林模型的评价指标；其中，决定系数为空调冷负荷影响因素对于空调冷负荷值的影响程度；采用5折交叉验证的模型训练方式对随机森林模型进行训练，筛选得到空调冷负荷的主要影响指标数据。

步骤2、采用空调冷负荷的主要影响指标数据，对极限学习机网络进行训练优化；其中，训练优化过程，采用鲸鱼优化算法对极限学习机的权重参数及阈值参数进行寻优，得到优化后的极限学习机；具体过程如下：

设置极限学习机预测精度参数，并确定极限学习机预测精度参数范围；其中，极限学习机预测精度参数包括输入权值参数及隐藏层阈值参数；其中，将输入权值参数设置为-1到1范围内的随机数；隐藏层阈值参数设置为0到1范围内的随机数。

根据极限学习机预测精度参数范围，设置鲸鱼优化算法影响参数的寻优范围；鲸鱼优化算法影响参数包括种群规模、最大迭代次数及鲸鱼种群位置的上限与下限；鲸鱼优化算法的适应度函数为均方误差。

利用空调冷负荷的主要影响指标数据及鲸鱼种群信息，得到极限学习机的预测值；并根据极限学习机的预测值，计算所有个体的适应度值，选择当前最优适应度个体，并设置该个体的位置为当前最优；

利用鲸鱼优化算法的收缩包围机制、螺旋更新位置机制及探索机制，对个体位置进行迭代更新；

每次迭代更新后，将优化后的预测精度参数传递至极限学习机；

判断迭代循环次数是否达到预设值，若是，则停止对预测精度参数的寻优，得到极限学习机的最优权重参数及阈值参数；若非，则继续迭代更新；本发明中，利用鲸鱼优化算法的收缩包围机制、螺旋更新位置机制及探索机制，对个体位置进行迭代更新过程，若t<tmax，则对输入权值与隐藏层阈值进行更新；当随机变量p<0.5时，若系数向量|a|≥1，鲸鱼将会放弃猎物并重新进行搜寻；若系数向量|a|<1，鲸鱼将进攻猎物；当随机变量p≥0.5时，对个体位置进行螺旋更新。

步骤3、采集空调冷负荷主要影响指标数据，输入至优化后的极限学习机中，输出得到空调冷负荷预测优化结果。

本发明还提供了一种空调冷负荷预测优化系统，包括影响指标数据模块、模型优化模块及输出模块；影响指标数据模块，用于获取空调冷负荷的影响构成要素数据，确定空调冷负荷的主要影响指标数据；模型优化模块，用于采用空调冷负荷的主要影响指标数据，对极限学习机网络进行训练优化；其中，训练优化过程，采用鲸鱼优化算法对极限学习机的权重参数及阈值参数进行寻优，得到优化后的极限学习机；输出模块，用于采集空调冷负荷主要影响指标数据，输入至优化后的极限学习机中，输出得到空调冷负荷预测优化结果。

本发明还提供了一种空调冷负荷预测优化设备，包括处理器、存储器及存储在所述存储器中并可在所述处理器上运行的计算机程序。所述处理器所述处理器执行所述计算机程序时实现上述空调冷负荷预测优化方法中的步骤。或者，所述处理器执行所述计算机程序时实现上述空调冷负荷预测优化设备中各模块的功能。

示例性的，所述计算机程序可以被分割成一个或多个模块，所述一个或者多个模块被存储在所述存储器中，并由所述处理器执行，以完成本发明。所述一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述空调冷负荷预测优化设备中的执行过程。例如，所述计算机程序可以被分割成影响指标数据模块、模型优化模块及输出模块，各模块具体功能如下：影响指标数据模块，用于获取空调冷负荷的影响构成要素数据，确定空调冷负荷的主要影响指标数据；

模型优化模块，用于采用空调冷负荷的主要影响指标数据，对极限学习机网络进行训练优化；其中，训练优化过程，采用鲸鱼优化算法对极限学习机的权重参数及阈值参数进行寻优，得到优化后的极限学习机；

输出模块，用于采集空调冷负荷主要影响指标数据，输入至优化后的极限学习机中，输出得到空调冷负荷预测优化结果。

所述的空调冷负荷预测优化设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述空调冷负荷预测优化设备可包括，但不仅限于，处理器、存储器。

本领域技术人员可以理解，上述为空调冷负荷预测优化设备的示例，并不构成对空调冷负荷预测优化设备的限定，可以包括更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述空调冷负荷预测优化设备还可以包括输入输出设备、网络接入设备及总线等。

所称处理器可以是中央处理单元(centralprocessingunit，cpu)，还可以是其他通用处理器、数字信号处理器(digitalsignalprocessor，dsp)、专用集成电路(applicationspecificintegratedcircuit，asic)、现成可编程门阵列(field-programmablegatearray，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述空调冷负荷预测优化设备的控制中心，利用各种接口和线路连接整个空调冷负荷预测优化设备的各个部分。

所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述空调冷负荷预测优化设备的各种功能。

所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(smartmediacard,smc)，安全数字(securedigital,sd)卡，闪存卡(flashcard)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。

所述空调冷负荷预测优化设备集成的模块如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。

基于这样的理解，本发明实现上述空调冷负荷预测优化方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述空调冷负荷预测优化方法的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。

所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、电载波信号、电信信号以及软件分发介质等。

需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。

实施例

如附图1所示，以某市两个大型商业建筑为研究对象，本实施例提供了一种空调冷负荷预测优化方法，包括以下步骤：

步骤1、获取空调冷负荷的构成要素数据；其中，空调冷负荷的构成要素包括建筑物室内温度、co2浓度、水平面总辐射、室外空气温度、相对湿度、湿球温度和风速。

步骤2、采用随机森林算法对空调冷负荷的影响构成要素数据进行预处理，得到空调冷负荷的主要影响指标数据；其中，采用随机森林算法对空调冷负荷的影响构成要求进行预处理过程，采用单变量选择的方式，对空调冷负荷影响因素数据进行选取，将每种空调冷负荷影响因素数据与空调冷负荷值建立随机森林模型；以决定系数作为随机森林模型的评价指标；其中，决定系数为空调冷负荷影响因素对于空调冷负荷值的影响程度；采用5折交叉验证的模型训练方式，筛选预测的特征数据，得到空调冷负荷的主要影响指标数据。

如附图2所示，采用随机森林算法对空调冷负荷的构成要素进行预处理过程，具体包括以下步骤：

步骤21、获取空调冷负荷的影响构成要素数据，构建初始训练集；从初始训练集中运用boostrap方法，随机且有放回的抽取n个新的子样本集；并根据该n个子样本集建立n棵分类回归树。

步骤22、设每个子样本集的特征维数为m，并设定一个常数m，且m≤m；在每棵分类回归树的每个节点选取m个特征；计算每个特征包含的信息量，从m个特征中选择最有分类能力的一个特征进行节点分裂。

步骤23、使每棵分类回归树在最大程度上进行声场，且无剪枝过程。

步骤24、将所有分类回归树整合成为一个随机森林；当处理分类问题时，会根据某种分类结果数最多决定最终输出；当使用随机森林建立回归预测时，最终结果由所有树输出的平均值确定。

本实施例中，决定系数的计算公式如下所示：

其中，r为决定系数，yi为原始数据中响应变量的真实值，y^*为真实值的平均值，fi为响应变量的预测值，n为响应变量的个数，i为第i个响应变量。

本实施例中，在选择特征的过程，运用了5折交叉验证的模型训练方式；其是将整体初始训练集分解成5份子样本集，交替地把其中4份作为训练集、1份作为测试集来训练模型，最后对5次训练的输出决定系数，并取平均值；能够提升模型的稳定性，增加特征选择结果的可信度；对决定系数对应的空调冷负荷的影响构成要素数据按大小排序，获取空调冷负荷的主要影响指标数据。

步骤3、采用空调冷负荷的主要影响指标数据，对极限学习机网络进行训练优化；其中，训练优化过程，采用鲸鱼优化算法对极限学习机的权重参数及阈值参数进行寻优，得到优化后的极限学习机；采用鲸鱼优化算法进行寻优过程，具体包括以下步骤：

步骤31、设置极限学习机预测精度参数，并确定极限学习机预测精度参数范围；极限学习机预测精度参数包括输入权值参数及隐藏层阈值参数；其中，将输入权值参数设置为-1到1范围内的随机数；隐藏层阈值参数设置为0到1范围内的随机数。

步骤32、根据极限学习机预测精度参数范围，设置鲸鱼优化算法影响参数的寻优范围；鲸鱼优化算法影响参数包括种群规模、最大迭代次数及鲸鱼种群位置的上限与下限；鲸鱼优化算法的适应度函数为均方误差。

利用空调冷负荷的主要影响指标数据及鲸鱼种群信息，得到极限学习机的预测值；并根据极限学习机的预测值，计算所有个体的适应度值，选择当前最优适应度个体，并设置该个体的位置为当前最优。

由于极限学习机的输入权值与隐藏层阈值有随机选取的特性，为了在模型建立的过程中找到最优的参数；本实施例中，选择使用鲸鱼优化算法迭代寻优以上两种参数，且将均方误差(mean-squareerror)设置为优化算法的适应度函数；适应度函数值越小时说明预测值就会越精确，得到的极限学习机的输入权值和隐藏层阈值也就越优；均方误差计算公式如下：

其中，yij为真实值，yj为测试样本的预测值，j为测试样本序号。

步骤34、利用鲸鱼优化算法的收缩包围机制、螺旋更新位置机制及探索机制，对个体位置进行迭代更新；其中，若当前迭代次数t<最大迭代次数tmax，则对输入权值与隐藏层阈值进行更新；当随机变量p<0.5时，若系数向量|a|≥1，鲸鱼将会放弃猎物并重新进行搜寻；若系数向量|a|<1，鲸鱼将进攻猎物；当随机变量p≥0.5时，对个体位置进行螺旋更新。

步骤35、每次迭代更新后，将优化后的预测精度参数传递至极限学习机。

步骤36、判断迭代循环次数是否达到预设值，若是，则停止对预测精度参数的寻优，得到极限学习机的最优权重参数及预制参数；若非，则继续迭代更新。

极限学习机在人工智能领域得到了广泛应用，其实对传统前馈神经网络的改进，能够通过一步计算求得输出权值；同时，可以随机生成从输入层到隐藏层的连接权重和隐藏层的阈值，且设置完后无需再调整；与此同时，因为隐含层和输出层之间的连接权值不需要迭代调整，而是通过解方程组的方式一次性确定，所以比起传统的机器学习算法运算速度更快。

如附图3所示，附图3中给出了实施例中的极限学习机网络结构框图，包括输入层、单个隐藏层及输出层；假设输入层、隐藏层及输出层分别用于n、l及m个节点；在n个样本集(xi,yi)中，xi＝[x1i,x2i,…,xni]，yi＝[y1i,y2i,…,ymi],其中i＝1,2,…,n，则训练样本的输入矩阵为x＝[x1,x2,…,xn]，输出矩阵为y＝[y1,y2,…,yn]，隐含层的激活函数为f(x)。

极限学习机的数学模型如下式所示，

上式可以简化为：

hβ＝y

其中，βi为第i个隐藏层节点至输出神经元的输出权重，wi为输入神经元至第i个隐藏层节点的输入权重，bi为第i个隐藏层节点的阈值，yj为第j个训练样本的输出值，h是极限学习机的隐藏层输出矩阵；其中，极限学习机的隐藏层输出矩阵的表达式为：

在极限学习机中，由于输入权重wi和隐藏层的阈值bi会被随机给定且固定不变，当确定激活函数f(x)与神经网络结构时，隐藏层的输出矩阵h就被唯一确定，可以通过求解线性方程组的最小二乘解得出输出权值：

其中，h⁺为隐藏层的输出矩阵h的moore-penrose广义逆矩阵。

鲸鱼优化算法是澳大利亚学者seyedalimirjalili于2016年提出的一种新的元启发式算法；在发现猎物后，座头鲸先潜入猎物的底部，然后沿着圆圈形路径形成独特的气泡；与此同时，座头鲸从上游到达海面，通过气泡将猎物围在较小的范围内吞食；鲸鱼优化算法的工作分为以下三个部分：收缩包围、气泡网狩猎和搜索猎物。

在收缩包围阶段，座头鲸首先会对猎物进行环绕式包围，该过程可用以下方程描述：

d＝|cx*(t)-x(t)|

x(t+1)＝x*(t)-ad

其中，t为当前迭代的次数，x*(t)为当前鲸鱼的最优位置向量，x(t)为当前鲸鱼的位置向量，x(t+1)迭代后下一次的目标位置向量；a、c分别为系数向量，定义如下式：

a＝2ar-a；c＝2r

其中，r为区间[0,1]内的随机向量，a值由2线性减小至0。

在开发阶段，实现了收缩包围机制和螺旋更新位置机制两个过程，其数学模型如下：

收缩包围机制：在该过程中，a是在[a,-a]之间的某随机数，其值随迭代过程由2减小至0。

螺旋更新位置机制：在该机制中，座头鲸以螺旋状运动方式接近猎物，该过程的模拟方程如下式所示：

x(t+1)＝de^blcos(2πl)+x*(t)

式中，d＝|cx*(t)-x(t)|为鲸鱼与当前最优位置间的距离，常数b用于表征螺旋线的形状，l是一个在[-1,1]中的随机数。

座头鲸在进行捕猎时，各按照50％的概率实施以上两种捕食策略：

其中，p代表[0,1]之间的随机变量，a值被设定为会随着鲸鱼靠近猎物而减小。

若|a|<1，鲸鱼将进攻猎物；若|a|>1，鲸鱼将会放弃猎物并重新进行搜寻。

在探索阶段，设定随机值|a|≥1，该阶段的数学模型如下：

d＝|cxrand-x(t)|

x(t+1)＝xrand-ad

其中，xrand为所在种群中的随机代理位置向量。

极限学习机训练优化过程如下：

采集该大型商业建筑空调冷负荷影响构成要素数据，利用随机森林算法，选择处该大型商业建筑空调冷负荷相关性高的参数作为优化后的极限学习机的输入变量；同时，为了避免数据间的量纲不同对实验模型的误差影响，对数据样本进行归一化处理。

设置独立运行次数u，在极限学习机的输入权重和隐藏层阈值范围内随机初始化鲸鱼种群1，结合混沌序列方式初始化鲸鱼种群2。

分别计算两个鲸鱼种群的输出层权值矩阵。

计算两个鲸鱼种群个体适应度值，并分别记录两个鲸鱼种群最优个体x*。针对两个鲸鱼种群，分别计算收敛因子，更新向量系数a；鲸鱼个体在包围圈内进行食物搜索；再分别更新两种群最优个体x*。

两个鲸鱼种群独立运行u次后，采用新的移民算子进行两个鲸鱼种群个体交换。设置独立进化代数m，按照独立运行方式继续执行进化操作。判断是否满足终止条件，如果满足，计算出优化后的输出层权值，并用测试集样本数据对预测效果进行评价；否则，返回到个体交换步骤，继续执行。

步骤4、采集空调冷负荷主要影响指标数据，输入至优化后的极限学习机中，输出得到空调冷负荷预测优化结果。

试验结果：

本实施例，以某市公共建筑能耗监测平台采集得到的建筑冷负荷相关数据进行预测模型学习和测试。

如附图4-5所示，附图4-5中给出了大型商业建筑1及大型商业建筑2的参数影响系数图，从附图4-5中可以看出13种大型商业建筑冷负荷相关参数对冷负荷数值有着不同的影响系数，其东向窗墙比和西向窗墙比相差很小，但东向窗墙比影响系数明显要高于西向；而大型商业建筑2的东向窗墙比和北向窗墙比完全一致，但东向窗墙比影响系数仍高于北向。另外，从附图4-5中给可以看出，前一时刻负荷，室外干球温度，房间人员流动情况，窗墙比，室外相对湿度，前一时刻太阳辐照度等相关参数对冷负荷有着较高的影响比例，风俗，照明使用情况，太阳辐照度等参数影响较小。

如附图6-7所示，附图6-7中给出了大型商业建筑预测结果图对比情况，从附图6-7中可以看出相较于支持向量机grnn、卷积神经网络rf-grnn、改进前极限学习机pwoa-elm三种预测模型及本实施例所述的rf-pwoa-elm得到的两个商业建筑冷负荷预测值与真实值的差距最小，部分值几乎完全重合，拟合效果更佳。

同时，为了验证模型预测效果，选取均方根误差(rootmeansquareerror,rmse)，平均绝对百分误差(meanabsolutepercentageerror,mape)作为模型预测精度的主要评价指标，公式如下：

如附图8所示，附图8中给出了本实施例中的预测精度对比图，从附图8中可以看出对于大型商业建筑1和大型商业建筑2，rf-pwoa-elm预测模型的rmse和mape分别为2.8735、0.2％和4.7721、0.45％，相较于其他方法均最小；另外从附图8中可以看出，rf-pwoa-elm预测模型的rmse、mape两种评价指标相较于pwoa-elm，分别下降了5.621、0.88％和12.267和1.29％，rf-grnn预测模型的两种评价指标相较于grnn，分别下降了19.7248、3.05％和12.508、1.04％，可以得出，随机森林能够很好的对冷负荷相关参数进行降维处理，其选择的输入参数能够更好地建立预测模型，有效地增加模型预测精度。

上述实施例仅仅是能够实现本发明技术方案的实施方式之一，本发明所要求保护的范围并不仅仅受本实施例的限制，还包括在本发明所公开的技术范围内，任何熟悉本技术领域的技术人员所容易想到的变化、替换及其他实施方式。