[发明专利]一种基于SBO优化CNN的高层住宅建筑群热负荷预测方法及系统

权利要求书

1.基于SBO优化CNN的高层住宅建筑群热负荷预测方法，其特征在于，包括以下步骤：

S1、基于高层住宅建筑群，将气象参数和建筑体形参数作为热负荷预测模型的输入量进行分析，并收集历史逐时热负荷数据、对应的逐时气象参数和住宅建筑参数作为原始数据集；采用Lasso回归模型对收集的原始数据集的输入变量进行筛选，选取与热负荷显著相关的影响因素作为模型输入，得到最终数据集；

S2、使用CNN网络构建热负荷预测模型；

S3、利用元启发式优化算法SBO生成的初始种群x₁,x₂,x₃对步骤S2构建的热负荷预测模型的过滤器数量和Dropout层概率进行优化，基于步骤S1得到的最终数据集进行训练和测试，计算系统误差MSE；

S4、以步骤S3中的系统误差MSE作为目标函数，利用元启发式优化算法SBO的全局寻优能力寻找最优个体并返回到热负荷预测模型，构建新的热负荷预测模型；基于步骤S1得到的最终数据集对构建的新热负荷预测模型进行效果评价，完成Lasso-SBO-CNN预测模型建立，根据Lasso-SBO-CNN预测模型得到对应时间段的逐时预测热负荷序列，实现住宅建筑群热负荷预测。

2.根据权利要求1所述的方法，其特征在于，步骤S1中，Lasso回归模型的目标函数为：

其中，n为数据样本量，p为变量的个数，y_i表示因变量y的第i个值，x_ij表示第i个因变量所对应的第j个自变量，β_i表示每个自变量的回归系数，ESS(β)为误差平方和，λI₁(β)代表惩罚项，λ为惩罚项系数。

3.根据权利要求2所述的方法，其特征在于，Lasso回归模型的系数β_i为：

其中，m_j为对ESS(β)做β_j偏导数的负数项，为第j个自变量与对应的因变量和回归系数乘积做差再乘以对应的因变量，h_j(x_i)为第i个因变量所对应的第j个自变量，n_j为第j个自变量对应的因变量与其回归系数的平方和，β_k为每个自变量x_i对应因变量y_i的回归系数。

4.根据权利要求1所述的方法，其特征在于，步骤S1中，气象参数包含：室外干球温度、相对湿度、风速和单位面积太阳辐射量；建筑体形参数包含：建筑体形系数、建筑高度、表面积、墙体面积和窗墙面积比；确定显著相关的输入参数为：干球温度、相对湿度、风速、建筑体形系数、建筑高度和窗墙面积比。

5.根据权利要求1所述的方法，其特征在于，步骤S2中，CNN网络包含输入层、隐藏层和输出层，隐藏层中包含有卷积层，卷积层用于对输入数据进行特征提取，具体计算如下：

其中，G^l为第l+1层卷积的输入，G^l+1表示第l+1层卷积的输出，W^l+1表示第l+1层的卷积核，b为偏差值，L_l+1表示G^l+1的大小，f表示卷积参数，s₀和p分别表示Filter大小和步长。

6.根据权利要求1所述的方法，其特征在于，步骤S3中，系统误差MSE具体为：

其中，y_i,pre为CNN模型测试集的输出值；y_i测试集的样本值；n为测试集的样本数量。