[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

说明书

本发明提供了一种基于IALO‑AM‑BiLSTM模型的飞机地面空调能耗预测方法及存储介质，属于能耗预测领域，包括：采集飞机地面空调能耗数据，构成数据集；构造IALO‑AM‑BiLSTM模型，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。通过与其它多种预测方法比较，充分证明该预测方法具有准确度高、适应性强等优点。

技术领域

本发明属于能耗预测领域，具体涉及一种基于IALO-AM-BiLSTM模型的飞机地面空调能耗预测方法及存储介质。

背景技术

近些年来，绿色减排技术被推广，民航局提出建设绿色机场，包括资源节约、运行高效、低碳减排等内容，建设绿色机场离不开对机场设备智慧化、绿色化的研究。在机场运行管理中，地面空调是对飞机客舱进行降温除湿的主要设备，准确预测出其在工作过程中的耗电量对于建设绿色机场具有重要意义。地面空调能耗受多维因素的影响，如何提高预测精度是人们一直关注的问题。为减少使用高污染、高价格的航空煤油，航空公司主要使用地面空调设备替代机载空调对停靠在地面的飞机进行通风、降温和除湿。准确预测飞机地面空调能耗，可以为机场控制能源消耗、合理分配电力资源提供科学的参考，满足高效、节能以及保证客舱热舒适性等需求。

目前，关于地面空调能耗预测的研究主要是利用神经网络建立输入与输出之间的映射关系，假设该映射关系在未知数据集上仍然成立，将未知数据集的输入代入映射关系中，得到的输出即为预测结果。例如使用小波神经网络对飞机地面空调能耗进行预测，利用珊瑚礁和粒子群联合算法优化模型中的超参数；还有基于IPSO-Elman模型的飞机地面空调能耗预测方法。以上关于飞机地面空调能耗预测的研究具有一定价值，但未能有效利用数据中的时间规律，使用的模型也较为简单，在预测精度仍有提升的空间。基于此，人们还提出一种长短时记忆(Long Short-term Memory,LSTM)神经网络，它可对流动的信息进行选择性的添加或删除，LSTM神经网络及其变体是目前在时间序列预测问题研究中应用最广泛最有效的模型之一，还有基于LSTM神经网络的数控机床热误差预测方法，还有使用LSTM神经网络预测电力负荷，以上研究在预测精度上有一定的提升，但忽视了LSTM神经网络的三点不足。首先，LSTM神经网络只能挖掘来自过去的时间序列特征，所以有学者使用两个方向相反的LSTM神经网络组成双向长短时记忆(Bi-directional Long Short-term Memory,BiLSTM)神经网络，并将其应用在时间序列预测领域中。研究表明：与单层LSTM模型相比，BiLSTM神经网络能够对数据进行更多的训练，通过挖掘更多的时间序列特征来提高预测精度。其次，LSTM神经网络无法区分时间序列特征的重要程度，容易遗漏重要特征。针对该问题，众多学者在预测模型中添加注意力机制(AttentionMechanism,AM)来提高预测精度，注意力机制是一种通过赋予特征不同的权重来优化资源分配、改善预测结果的机制。最后，LSTM神经网络的预测精度与超参数的配置有很大的关系，尤其是含有多超参数的模型，只有配置合适的超参数组合才可以充分发挥模型的预测性能。对于搜索范围较大的超参数，手动或暴力调参存在计算成本高、耗费时间长等问题，于是有学者使用群智能优化算法提高超参数寻优的效率，现有文献使用粒子群优化(Particle Swarm Optimization,PSO)算法优化广义回归神经网络(GRNN)的光滑因子，通过仿真实验证明PSO-GRNN模型在预测肺内静态压力值问题上有效，但PSO算法存在调节参数多的问题，会带来新的调参问题；另有文献使用蚁狮优化(Ant Lion Optimizer,ALO)算法优化LSTM神经网络的隐层神经元数量及学习率，并通过预测月度径流证明LSTM-ALO模型具有预测精度高的优点，但该模型仅考虑超参数少的情形，对于超参数数量多、搜索空间复杂的问题，需要更进一步的研究。