1.基于SBO优化CNN的高层住宅建筑群热负荷预测方法,其特征在于,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;
S4、以步骤S3中的系统误差MSE作为目标函数,利用元启发式优化算法SBO的全局寻优能力寻找最优个体并返回到热负荷预测模型,构建新的热负荷预测模型;基于步骤S1得到的最终数据集对构建的新热负荷预测模型进行效果评价,完成Lasso‑SBO‑CNN预测模型建立,根据Lasso‑SBO‑CNN预测模型得到对应时间段的逐时预测热负荷序列,实现住宅建筑群热负荷预测。
2.根据权利要求1所述的方法,其特征在于,步骤S1中,Lasso回归模型的目标函数为:其中,n为数据样本量,p为变量的个数,yi表示因变量y的第i个值,xij表示第i个因变量所对应的第j个自变量,βi表示每个自变量的回归系数,ESS(β)为误差平方和,λI1(β)代表惩罚项,λ为惩罚项系数。
3.根据权利要求2所述的方法,其特征在于,Lasso回归模型的系数βi为:其中,mj为对ESS(β)做βj偏导数的负数项,为第j个自变量与对应的因变量和回归系数乘积做差再乘以对应的因变量,hj(xi)为第i个因变量所对应的第j个自变量,nj为第j个自变量对应的因变量与其回归系数的平方和,βk为每个自变量xi对应因变量yi的回归系数。
4.根据权利要求1所述的方法,其特征在于,步骤S1中,气象参数包含:室外干球温度、相对湿度、风速和单位面积太阳辐射量;建筑体形参数包含:建筑体形系数、建筑高度、表面积、墙体面积和窗墙面积比;确定显著相关的输入参数为: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。
5.根据权利要求1所述的方法,其特征在于,步骤S2中,CNN网络包含输入层、隐藏层和输出层,隐藏层中包含有卷积层,卷积层用于对输入数据进行特征提取,具体计算如下:l l+1 l+1
其中,G为第l+1层卷积的输入,G 表示第l+1层卷积的输出,W 表示第l+1层的卷积l+1
核,b为偏差值,Ll+1表示G 的大小,f表示卷积参数,s0和p分别表示Filter大小和步长。
6.根据权利要求1所述的方法,其特征在于,步骤S3中,系统误差MSE具体为:其中,yi,pre为CNN模型测试集的输出值;yi测试集的样本值;n为测试集的样本数量。
7.根据权利要求1所述的方法,其特征在于,步骤S4中,利用元启发式优化算法SBO的全局寻优进行位置更新和个体变异变异,对所有个体的代价函数值按从小到大排序,保留函数值最小的个体,构建新的热负荷预测模型;使用平均绝对误差MAE,均方根误差RMSE,平均2
绝对百分比误差MAPE和拟合优度R分别作为新的热负荷预测模型的评价标准,对新的热负荷预测模型进行效果评价,进行多次迭代得到优化的Lasso‑SBO‑CNN预测模型;采用对应的干球温度、相对湿度、室外风速、体形系数、建筑高度和玻璃分布分别作为Lasso‑SBO‑CNN预测模型的输入,将对应的热负荷序列作为模型的输出,完成对Lasso‑SBO‑CNN预测模型的训练;当Lasso‑SBO‑CNN预测模型训练完成以后,将对应的干球温度、相对湿度、室外风速、体形系数、建筑高度和玻璃分布作为所训练模型的输入,得到Lasso‑SBO‑CNN预测模型的输出,作为对应时间段的逐时预测热负荷序列。
8.根据权利要求7所述的方法,其特征在于,位置更新为:其中, 是第t代第i个个体的第k维分量,xjk通过轮盘赌机制确定,xelite,k为当前最优个体的第k维分量,λk为步长因子,pj是目标个体被选中的概率;
个体变异为:
σ=Z*(varmax‑varmin)其中,Z为缩放比例因子,varmax和varmin分别是变量xi的上限和下限,N为服从正态分布的变异概率,σ为步长的最大阈值。
9.根据权利要求7所述的方法,其特征在于,平均绝对误差MAE,均方根误差RMSE,平均2
绝对百分比误差MAPE和拟合优度R如下:其中,n为样本数量,yi表示实际值,yi,pre表示预测值,ymean表示实际值的平均值。
10.一种基于SBO优化CNN的高层住宅建筑群热负荷预测系统,其特征在于,包括:数据模块,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;
网络模块,使用CNN网络构建热负荷预测模型;
计算模块,利用元启发式优化算法SBO生成的初始种群x1,x2,x3对网络模块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,基于数据模块中的数据集进行训练和测试,计算系统误差MSE;
预测模块,以计算模块中的系统误差MSE作为目标函数,利用元启发式优化算法SBO的全局寻优能力寻找最优个体x1,x2,x3并返回到热负荷预测模型,构建新的热负荷预测模型;
基于数据模块得到的最终数据集对构建的新热负荷预测模型进行效果评价,完成Lasso‑SBO‑CNN预测模型建立,根据Lasso‑SBO‑CNN预测模型得到对应时间段的逐时预测热负荷序列,实现住宅建筑群热负荷预测。