一种地下建筑内部设备能耗混合模型预测方法

本发明涉及地下建筑内部设备能耗预测及优化，具体涉及一种地下建筑内部设备能耗混合模型预测方法。

背景技术：

1、随着全球气候变化和能源危机的加剧，地下建筑作为一种能源利用率高、环保节能的建筑形式，可以有效地缓解能源短缺和环境污染的问题。然而地下建筑存在着空气流通不畅、通风不良、建设和运行成本较高等问题，预测地下建筑内部设备能耗情况可以帮助人们更好地掌握地下建筑的能源利用情况，优化建筑设计方案，降低建设和运行成本，进一步提高经济效益。

2、综上所述，地下建筑内部设备能耗预测研究的紧迫性和意义是多方面的，基于预测结果制定相应的节能减排政策和技术措施，对提高经济效益、保障公共安全、实现可持续发展具有重要的现实意义。

3、近年来，应用于建筑能耗预测的方法主要有物理模拟和数据驱动两大类。其中物理模拟方法依靠软件工具模拟建筑物的能耗，需要综合考虑建筑物理参数和内部各系统运行参数对建筑能耗的影响。一方面，由于缺少建筑结构精确的参数，导致模型模拟精度较低，难以模拟实际工程场景；另一方面，模拟软件需要研究人员耗费大量的时间和精力学习，使用成本较高。因此基于数据驱动的方法更多地应用于地下建筑内部设备能耗预测中。

4、因此，如何提供一种地下建筑内部设备能耗混合模型预测方法就成了本领域技术人员的长期技术诉求。

技术实现思路

1、为克服背景技术中存在的不足，本发明提供了一种地下建筑内部设备能耗混合模型预测方法，本发明为地下建筑内部设备能耗预测提供了有效的方法支持，能够满足实际工程需要等。

2、为实现如上所述的发明目的，本发明采用如下所述的技术方案：

3、一种地下建筑内部设备能耗混合模型预测方法，所述预测方法具体包括如下步骤：

4、s1、收集对地下建筑内部设备能耗有影响的各项指标，使用平均影响值法(meanimpact value，miv)筛选特征重要性高的变量，得到样本集和模型输入输出参数；

5、s2、采用circle混沌映射的变量定义方法和多子群协同策略对传统蜉蝣算法(mayfly algorithm，ma)进行改进，得到改进的蜉蝣算法(improved mayfly algorithm，ima)；

6、s3、使用改进蜉蝣算法对长短期记忆神经网络(long short term memory，lstm)的超参数进行优化，并对地下建筑内部设备能耗进行预测，得到基于改进lstm的能耗混合预测模型；

7、s4、在验证集上进行测试，计算平均绝对百分比误差(mean absolute percentageerror，mape)和均方根误差(root mean square error，rmse)对模型预测精度进行评价。

8、所述的地下建筑内部设备能耗混合模型预测方法，所述s1步中对地下建筑内部设备能耗有影响的各项指标包括室外干球温度、室外湿球温度、直接太阳辐射量、室外风速、室外风向、室外相对湿度、室内人员流动量以及室内照明时间。

9、所述的地下建筑内部设备能耗混合模型预测方法，所述s1步中使用平均影响值法(miv)筛选特征重要性高的变量包括室外干球温度、直接太阳辐射量、室内人流量、室内照明时间、室外相对湿度、前一时刻的太阳辐射量。

10、所述的地下建筑内部设备能耗混合模型预测方法，所述s1步中平均影响值法(miv)算法的步骤为：

11、s101、将n维输入变量的m个样本构成原始训练集p，得到p＝(p1,p2,...,pm)t，对应的输出为t＝(t1,t2,...,tm)t，建立初始预测模型；

12、s102、将训练集p中每个变量在原有基础上分别加或减10％(每次只改变一个变量，其余变量保持不变)，得到两个新的训练样本p1和p2；

13、

14、s103、将p1和p2分别利用已建立的初始网络进行预测，得到预测序列和

15、s104、求a1和a2差值，即为改变该变量后对输出产生的影响变化值(impact value，iv)，并将iv按训练数取平均，得到该输入变量对于输出的miv；

16、s105、将各变量的miv取平均值后排序，筛选出相对重要的影响因子，消除变量间的信息重叠。

17、所述的地下建筑内部设备能耗混合模型预测方法，所述s2步中改进的蜉蝣算法(ima)的步骤如下：

18、s201、蜉蝣初始化，设置最大迭代次数、种群初始数量以及待优化的参数维度；

19、初始化m组蜉蝣算子的初始值，设xi,j＝(xi,1,xi,2,…,xi,j,…,xm,d)(1≤i≤m,1≤j≤d)为第i个蜉蝣的当前位置，其中xi,j是在解空间内随机生成的初始化数据；

20、circle混沌映射初始化蜉蝣表达式为：

21、

22、其中，m为种群密度，d为解空间维数，xi,j为第i个蜉蝣在第j维空间的分量，bi为当前状态的混沌变量，bi+1为下一个状态的混沌变量，bi∈(0,1)；

23、s202、雄性蜉蝣个体的更新

24、雄性蜉蝣成群的聚集，意味着每只雄性蜉蝣的位置都是根据自己和相邻蜉蝣的经验来调整的，假设xit是时间步长t时蜉蝣i在搜索空间中的当前位置，通过在当前位置上添加速度vit+1来改变位置，表述为：

25、

26、雄性蜉蝣它们会不断地移动，因此，雄性蜉蝣的速度计算如下：

27、

28、其中vijt是蜉蝣i在j维度t时刻的速度，xijt代表t时刻的位置，a1和a2是社会作用正吸引系数，pbest代码蜉蝣历史最佳位置，gbest代表最佳蜉蝣位置，β是蜉蝣的能见度系数，控制蜉蝣的能见范围，d是舞蹈系数，r为[-1,1]之间的随机数，rp代表当前位置与pbest的距离，rg代表当前位置与gbest的笛卡尔距离，距离的计算如下：

29、

30、s203、雌性蜉蝣的更新

31、与雄性不同，雌性蜉蝣不会成群聚集，它们会飞到雄性来繁殖，假设为在时刻t时的蜉蝣i，它的位置更新通过增加速度来更新：

32、

33、鉴于吸引过程是随机的，决定将其建模为一个确定性过程，即根据它们的健康属性，最优雌性应该被最优的雄性吸引，次优雌性应该被次优的雄性吸引，因此，速度的计算如下：

34、

35、其中vijt代表速度，yijt代表蜉蝣的位置，a2是一个正系数，β是一个固定的能见系数，rmf代表雌性蜉蝣距离雄性蜉蝣的位置，fl是一个随机游走系数，当雌性没有被雄性攻击时起作用，r是一个在范围[-1,1]的随机数；

36、s204、多子群协同策略

37、通过子群间信息交互达到共同进化的目的，增强种群多样性，当某个子群陷入局部最优解时，盲目的信息交互会导致不利的信息在其他子群间传播，容易发生过早收敛的情况，因此在多群协同策略中，对子群进化状态的检测尤为重要，算法根据检测结果判断子群是否发生进化停滞现象，然后激活停滞子群重新进化，各子群的最佳蜉蝣sbestj(j＝1,2,…,h其中h是子群的数量)代表j子群的状态，最优子群的sbest表示群体最优值，即sbestj＝gbest，停滞检测计数器通过检测子群的最佳蜉蝣sbest来判断子群的进化状态，若sbestj处于更新停滞的状态，sbestj无法引导该子群继续探索最优解，但该子群内部其他蜉蝣会逐渐趋近sbestj，导致算法陷入局部最优解，为避免此类情况发生，引入停滞计数器θ，当子群停滞次数超过阈值θ时，将通过停滞子群与最优子群的信息交互构建激活样本，当sbestj处于持续更新状态，此类子群无需干预，关闭停滞检测计数器。

38、所述的地下建筑内部设备能耗混合模型预测方法，所述s3步中使用改进蜉蝣算法对长短期记忆神经网络(lstm)的超参数进行优化时，对长短期记忆神经网络(lstm)的参数初始学习率r，正则项系数l2，隐藏层单元数hln和最大训练次数mut进行优化，具体步骤为：

39、s301、circle映射初始化蜉蝣位置及模型参数；

40、s302、计算蜉蝣个体的适应度值，保存适应度较好的蜉蝣个体；

41、s303、根据适应度值更新惯性权重系数；

42、s304、随机划分子群并检测其进化状态；

43、s305、重新计算全体蜉蝣的适应度，并更新蜉蝣的适应度和位置；

44、s306、监测子群状态并更新停滞子群；

45、s307、计算其余蜉蝣适应度并更新个体最优和全局最优；

46、s308、判断是否满足停止条件，如果不满足，重复执行s303-s307；

47、s309、得到最优参数r，l2，hln和mut，作为lstm模型的参数，进而使用lstm对建筑能耗进行预测，得到最终预测值。

48、所述的地下建筑内部设备能耗混合模型预测方法，所述s4步中平均绝对百分比误差mape和均方根误差rmse相应的计算公式如下(n为样本数目)：

49、

50、

51、采用如上所述的技术方案，本发明具有如下所述的优越性：

52、本发明首先针对已有研究模型输入参数的不足，充分考虑建筑外部气象参数和建筑内部设备运行参数共同对地下建筑内部设备能耗的影响；进一步，采用平均影响值法(miv)筛选对地下建筑内部设备能耗影响较大的输入参数，降低相关性较小的参数对模型精度的影响，同时筛选出的各项输入参数具有较高的独立性，避免了输入参数共线性造成的模型解空间不稳定；进一步，circle映射产生的初始种群，相比于随机初始化的种群和原始circle映射的种群分布更加均匀，蜉蝣种群在解空间里的搜索范围更大，增加了群体位置的多样性，对该算法在易陷入局部最优问题上起到较好改善效果，提高了算法的搜索效率；进一步，使用改进蜉蝣算法对lstm超参数进行优化，得到基于lstm的混合预测模型，并与目前较为常用的grnn、遗传算法等预测模型进行对比，本发明具有更高的精度和鲁棒性，本发明为地下建筑内部设备能耗预测提供了有效的方法支持，能够满足实际工程需要等，适合大范围的推广和应用。