[发明专利]一种商用建筑能耗预测优化方法及系统

权利要求书

1.一种商用建筑能耗预测优化方法，其特征在于，包括以下步骤：

获取商用建筑能耗的影响因素，按照重要程度对商用建筑能耗的影响因素进行预筛选，得到商用建筑能耗的主要影响指标；

根据商用建筑能耗的主要影响指标，构建能耗样本集，并将能耗样本集划分为训练集和测试集；

构建商用建筑能耗随机森林模型，并确定影响随机森林模型预测精度的参数；

采用并行蚁群算法，利用训练集的数据对影响随机森林模型的参数进行优化，得到优化后的影响随机森林模型预测精度的参数，即得到优化后的商用建筑随机森林模型；

将测试集的数据代入优化后的商用建筑随机森林模型，进行能耗预测，得到商用建筑能耗预测结果；

采用并行蚁群算法，利用训练集的数据对影响随机森林模型的参数进行优化，得到优化后的影响随机森林模型预测精度的参数的过程，具体包括以下步骤：

定义随机森林模型训练集预测效果的均方根误差为蚁群算法的适应度函数；

构建蚂蚁种群，并将蚂蚁种群划分为个A子蚁群；其中，每个子蚁群中有个a蚂蚁；

计算个体适应度值，选择当前最优适应度个体，设置该个体的位置为当前最优，并根据适应度值初始化蚂蚁参数解的信息素；

将上一代蚂蚁分为最优解和非最优解两类，并分别按照不同的搜索权重，更新当前蚂蚁种群的位置；

其中，上一次蚁群的最优解，在最优解附近搜索：

X_i＝X_i+ω₁L

其中，X_i为第i次迭代待优化参数值，N(0,1)为标准正态分布的随机数，rand(0,1)为0～1之间的随机数，μ,σ及L为常数；

上一次蚁群的非最优解，以转移概率向最优解进化，蚂蚁根据转移概率P_i^k选择是否向最优解进化，在位置i时概率如下式：

其中，P_i^k＝0为子蚁群k中位置i处的转移概率，为蚁群k中局部最优解位置i的信息素，是蚁群k中局部最优解位置i的信息素；

蚁群在进行寻优时，按照转移概率P_i^k和ε的关系实施两种位置更新策略：

其中，ε为(0,1)之间的随机数，N(0,1)为标准正态分布的随机数，T为迭代次数；

按照预设的挥发因子减少信息素或按照适应度值增加信息素，得到当前蚂蚁参数解的信息素；

根据当前蚂蚁参数解的信息素，对下一代蚂蚁非最优解位置更新进行选择；其中，当前蚂蚁参数解的信息素大于等于(0,1)的随机数时，则选择对应的搜索权重进行位置更新；当前蚂蚁参数解的信息素小于(0,1)的随机数时，则放弃本次寻优的参数值，自行重新进行搜索；

每次迭代后，重新计算个体适应度值并进行比较，找出并更新至最优位置；若满足终止条件，则将其输出，否则返回继续寻优，直到得到的优化后的影响随机森林模型预测精度的参数的最优解。

2.根据权利要求1所述的一种商用建筑能耗预测优化方法，其特征在于，商用建筑能耗的影响因素包括时间序列、温度、湿度、日光照射、风速及二氧化碳浓度。

3.根据权利要求1所述的一种商用建筑能耗预测优化方法，其特征在于，采用LASSO回归算法对运行能耗的构成要素进行预筛选，得到商用建筑能耗的主要影响指标；其中，商用建筑能耗的主要影响指标包括温度、湿度、风速及日光辐射。

4.根据权利要求3所述的一种商用建筑能耗预测优化方法，其特征在于，采用LASSO回归算法进行预筛选时，具体包括以下步骤：

对商用建筑能耗的影响因素建立能耗LASSO回归模型，构造能耗LASSO回归模型的惩罚函数；

采用交叉验证法获取能耗LASSO回归模型的惩罚函数值，根据能耗LASSO回归模型的惩罚函数值判断每个商用建筑能耗的影响因素的重要程度；

将能耗LASSO回归模型的惩罚函数值为零时，对应的商用建筑能耗的影响因素剔除，得到商用建筑能耗的主要影响指标。