[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

说明书

本发明公开了一种基于SBO优化CNN的高层住宅建筑群热负荷预测方法及系统，基于高层住宅建筑群将室外干球温度、相对湿度、风速、建筑体形系数、建筑高度和窗墙面积比6个影响因素作为预测模型输入，采用Lasso回归模型筛选出显著相关的输入变量。然后使用卷积神经网络构建预测模型，利用SBO迭代生成的最优个体对CNN卷积层过滤器数量和Dropout层概率进行优化，进而提高CNN模型的预测精度。本发明可直接用于住宅建筑群的热负荷预测，使得节约预测成本、提高预测精度以优化室内舒适度和能源节约；满足小区级换热站及输配管网按需供热调控需要，实现对区域供暖系统的节能优化控制，同时也能够协助建筑设计师基于预测热负荷对建筑结构进行优化以及节能改造。

技术领域

本发明属于住宅建筑热负荷预测技术领域，具体涉及一种基于SBO优化CNN的高层住宅建筑群热负荷预测方法及系统。

背景技术

由于人口的增多和土地资源的不可再生，我国大中城市住宅小区通常选择高层建筑，高层住宅建筑群通风好、采光条件优越。现阶段区域供暖系统的控制大多处于数据采集和局部PID控制阶段，忽略了系统的整体性，造成运行效率低，能源严重浪费；通过人工调节二次网，由于热网的水力耦合作用，难以实现二次网的水力平衡。人们无论是工作还是生活停留在室内的时间占比高达80％以上，同时人们对舒适度有着比较高的要求，因此在满足使用者舒适度的同时供热节能对降低建筑能耗具有十分重要的作用。区域供暖系统中换热站应当根据各个建筑实际热需求按需供热，供热负荷的精确预测是制定区域供热系统运行策略的关键；同时建筑设计师也可以根据设计建筑进行热负荷预测，利用预测结果对建筑结构、环境和经济进行优化以达到更重要的节能目的，因此对建筑进行精确的热负荷预测研究具有非常重要的实际意义。

国内外学者对热负荷预测的研究，大都仅将气象参数作为模型输入，没有考虑建筑体形参数对热负荷的影响；并且模型仅适用于单栋建筑，预测的负荷无法满足小区级换热站及输配管网按需供热调控需要；所使用的建模方法容易陷入局部最优从而导致预测结果不够精确。

为了对高层住宅建筑群的热负荷进行精确预测以实现区域供暖系统的节能优化控制，本发明在考虑气象参数作为输入的基础上，基于高层住宅建筑群将建筑体形参数也作为模型的输入，使用元启发式算法对卷积神经网络部分超参数进行优化以构建预测模型，最后通过西安市10个住宅小区相关运行参数作为数据集对模型进行了训练和验证。

发明内容

本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种基于SBO优化CNN的高层住宅建筑群热负荷预测方法及系统，用Lasso-SBO-CNN方法建立预测模型，同时基于住宅建筑群将室外干球温度、相对湿度、风速、建筑体形系数、建筑高度、玻璃面积分布6个影响因素作为模型输入来避免过拟合、提高预测精度并且节约预测成本，以建筑热负荷作为因变量。

本发明采用以下技术方案：

基于SBO优化CNN的高层住宅建筑群热负荷预测方法，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；