[发明专利]一种基于特征选择和SSA-BiLSTM的建筑能耗预测方法

说明书

本发明公开了一种基于特征选择和SSA‑BiLSTM的建筑能耗预测方法，包括以下步骤，步骤一：进行用于特征选择的建筑能耗影响因子数据实测和能耗数据的收集；步骤二：利用MATLAB软件对能耗数据的影响因子进行熵加权k‑means聚类分析；步骤三：根据影响因子聚类结果，采用随机森林进行特征选择，消除冗余的影响因子；步骤四：构建麻雀搜索算法优化后的BiLSTM神经网络预测模型，将有效的建筑能耗影响因子作为BiLSTM神经网络的输入参数，建筑能耗作为输出，采用麻雀搜索算法进行参数寻优，进行建筑能耗预测。本发明解决了传统建筑能耗预测方法中准确性不强和普适性不足的问题，为建筑能耗的预测提供了一种新的方法。

技术领域

本发明属于建筑能耗异常检测技术领域，具体涉及一种基于特征选择和SSA-BiLSTM的建筑能耗预测方法

背景技术

国际能源署的报告显示，建筑行业能源消耗占据了全球总能源消耗的33％以上，已经成为全球能源消耗的主要来源，预计未来建筑对能耗的需求会持续增长。因此，减少建筑能耗，缓解能源压力变得尤为重要。合理地应用建筑节能技术，可以提高建筑节能水平并减少碳排放，建筑能耗预测是提高能源利用率和实现建筑节能的重要手段，同时也是许多先进建筑能源管理技术的基础。建筑能耗预测对保障建筑能源系统平稳运行，建筑管理人员制定合理运营策略起着至关重要的作用。

建筑能耗预测方法主要分为两类：物理建模方法和数据驱动方法。物理建模方法又称为工程方法或白盒方法，该方法基于物理原理和工程专业知识，通过计算影响因子与建筑能耗之间的关系，对建筑进行能耗分析。但在无法获得详细且准确的输入参数时，会导致模型的性能欠佳。数据驱动方法基于建筑运营能耗数据，利用历史能耗数据进行预测。数据驱动方法可分为统计模型方法和机器学习方法。统计模型方法能够拟合建筑能耗和影响因子之间的线性关系，在处理平稳和线性序列数据时表现出较高的准确性，但对于具有随机行为的非线性数据，预测表现欠佳，存在一定的局限性。机器学习方法因其具有建模简单、预测精度高和能够解决非线性问题的优势，已经成为建筑能耗预测中的热点。在小样本数据集和非线性数据集中，传统机器学习方法相较于统计学方法具有更高的预测精度，但随着近年来建筑能耗数据维度的不断提升，传统机器学习方法在处理高维度的非线性时间序列数据时出现预测结果不准确、计算效率低、应用范围有限的问题。现如今，建筑能耗预测模型已经从传统的物理模型和统计模型发展到深度学习模型。虽然深度学习模型已经能够快速而准确地预测能耗，但是由于模型中存在大量需要调整的参数，预测模型难以稳定地达到最佳预测性能，这也成为了建立能够更为精准预测的模型的限制。此外，建筑能耗数据具有强周期性并受到多种特征的影响，例如建筑围护结构特征、气象特征、居住者行为特征等，众多的影响因子增加了预测模型的计算负担，影响预测结果准确性。鉴于此，本文发明一种基于特征选择和SSA-BiLSTM的建筑能耗预测方法，以便能进行更准确有效的建筑能耗预测。

发明内容

建筑能耗预测模型的预测性能主要受到三个因素影响：建筑能耗数据的质量，能耗影响因子的选择和预测模型的优化。本发明旨在提供一种精准客观和具有实际应用的一种基于特征选择和SSA-BiLSTM的建筑能耗预测方法，以解决传统的建筑能耗方法准确度不高，参数设置困难以及难以运用到实际场合中的技术问题，以便更好的准确预测建筑的能源消耗。

为了实现以上技术目的，本发明采用以下技术方案：

一种基于特征选择和SSA-BiLSTM的建筑能耗预测方法，包括以下步骤：

步骤一：进行用于特征选择的建筑能耗影响因子数据实测和能耗数据的收集；

步骤二：利用软件对能耗数据的影响因子进行熵加权k-means聚类分析；

步骤三：根据影响因子聚类结果，采用随机森林进行特征选择，消除冗余的影响因子；

步骤四：构建麻雀搜索算法优化后的BiLSTM神经网络预测模型，将有效的建筑能耗影响因子作为BiLSTM神经网络的输入参数，建筑能耗作为输出，采用麻雀搜索算法进行参数寻优，进行建筑能耗预测。