[发明专利]基于IALO-AM-BiLSTM模型的飞机地面空调能耗预测方法及存储介质

权利要求书

1.一种基于IALO-AM-BiLSTM模型的飞机地面空调能耗预测方法，其特征在于，包括以下步骤：

采集飞机地面空调能耗数据，构成数据集；

构造IALO-AM-BiLSTM模型，所述IALO-AM-BiLSTM模型包括AM-BiLSTM初始预测模型和IALO超参数优化算法两个部分；

利用AM-BiLSTM初始预测模型的BiLSTM神经网络挖掘数据集的双向时间序列特征，然后通过注意力机制AM对双向时间序列特征赋予不同的权重；

使用IALO超参数算法寻找AM-BiLSTM初始预测模型中使预测部分结果最优的超参数组合，其中IALO超参数算法的适应度值为AM-BiLSTM模型预测结果的均方误差；

使用最优的超参数组合配置AM-BiLSTM最终预测模型的超参数；

利用AM-BiLSTM最终预测模型预测地面空调工作的耗电量。

2.根据权利要求1所述的基于IALO-AM-BiLSTM模型的飞机地面空调能耗预测方法，其特征在于，所述飞机地面空调能耗数据包括地面空调工作前客舱的初始温度和初始湿度，工作完成后客舱的最终温度和最终湿度以及全过程的耗电量。

3.根据权利要求1所述的基于IALO-AM-BiLSTM模型的飞机地面空调能耗预测方法，其特征在于，所述AM-BiLSTM初始预测模型和AM-BiLSTM最终预测模型均包括输入层、BiLSTM层、Dropout层、Dense层、AM层和输出层。

4.根据权利要求1所述的基于IALO-AM-BiLSTM模型的飞机地面空调能耗预测方法，其特征在于，所述IALO超参数优化算法包括两种改进机制：

(1)随机游走空间缩小机制，改进后的数学表达式如下式所示；

式中：ω为收缩因子，t为当前迭代次数，T为最大迭代次数，rand为0-1之间的随机数；

(2)蚂蚁位置更新机制，根据迭代次数非线性动态调整普通蚁狮权重系数β，如下式所示；

式中：β为普通蚁狮权重系数，β_max为普通蚁狮权重系数的最大值，β_min为普通蚁狮权重系数的最小值，t为当前迭代次数，T为最大迭代次数；

为第t次迭代时第i个蚂蚁的位置；为蚂蚁在第t次迭代的普通蚁狮周围随机游走；为蚂蚁在第t次迭代的精英蚁狮周围随机游走。

5.根据权利要求1所述的基于IALO-AM-BiLSTM模型的飞机地面空调能耗预测方法，其特征在于，所述AM-BiLSTM初始预测模型或AM-BiLSTM最终预测模型包括：

(1)输入层：将每个时刻的环境数据作为模型的输入，t时刻的输入如下式所示：

X_t＝[pre-temp_t,post-temp_t,pre-humidity_t,post-humidity_t]

式中：X_t为t时刻的输入序列，pre-temp_t为t时刻地面空调工作前客舱的初始温度；post-temp_t为t时刻地面空调工作完成后客舱的最终温度；pre-humidity_t为t时刻地面空调工作前客舱的初始湿度；post-humidity_t为t时刻地面空调工作完成后客舱的最终湿度；

(2)BiLSTM层：利用两个方向相反的LSTM神经网络对t时刻的输入序列X_t进行计算，将其输出y_t视为地面空调能耗数据的双向时间序列特征；

(3)Dropout层：对地面空调能耗数据的双向时间序列特征按抛弃率进行随机抛弃；

(4)Dense层：将Dropout层的输出在Dense层进行非线性变换；

(5)AM层：将Dense层的输出隐藏状态视为AM层的输入，并计算t时刻AM层的输出s_t；

(6)输出层：使用全连接层对AM层输出进行降维计算，其激活函数为sigmoid函数，最终输出结果Y即为预测时刻地面空调工作的耗电量。