(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211064210.8 (22)申请日 2022.08.31 (71)申请人 西安建筑科技大 学 地址 710055 陕西省西安市碑林区雁塔路 13号 (72)发明人 于军琪　田喆　赵安军　高之坤　 薛志璐　 (74)专利代理 机构 西安通大专利代理有限责任 公司 6120 0 专利代理师 陈翠兰 (51)Int.Cl. G06Q 10/04(2012.01) G06N 3/00(2006.01) G06Q 50/06(2012.01) (54)发明名称 一种商业建筑冷负荷预测方法、 系统、 设备 及介质 (57)摘要 本发明公开了一种商业建筑冷负荷预测方 法、 系统、 设备及介质， 方法包括： 利用随机森林 算法， 对商业建筑冷负荷影 响因素数据集进行筛 选， 确定商业建筑冷负荷的主要影响因素数据； 将商业建筑冷负荷的主要影 响因素数据， 作为预 构建的商业 建筑冷负荷预测模型的输入， 输出得 到商业建筑冷负荷预测结果； 其中， 预构建的商 业建筑冷负荷预测模型为经过改进的并行鲸鱼 优化算法优化的极限学习机模型； 改进的并行鲸 鱼优化算法为在并行鲸鱼优化算法中引入混沌 序列机制、 移民算子和自适应收敛因子； 本发明 确保预测模型的输入变量和输出之间具有较高 的相关性， 且冗余度低； 满足对大型商业建筑冷 负荷的快速预测， 具有较强的泛化能力， 预测结 果精度较高。 权利要求书3页 说明书15页 附图5页 CN 115409266 A 2022.11.29 CN 115409266 A 1.一种商业建筑 冷负荷预测方法， 其特 征在于， 包括： 获取商业建筑 冷负荷影响因素 数据集； 利用随机森林算法， 对所述商业建筑冷负荷影响因素数据集进行筛选， 确定商业建筑 冷负荷的主 要影响因素 数据； 将所述商业建筑冷负荷的主要影响因素数据， 作为预构建的商业建筑冷负荷预测模型 的输入， 输出 得到所述商业建筑 冷负荷预测结果； 其中， 所述预构建的商业建筑冷负荷预测模型为经过改进的并行鲸鱼优化算法优化的 极限学习机模型； 所述改进的并行鲸鱼优化算法为在并行鲸鱼优化算法中引入混沌序列机 制、 移民算子和自适应收敛因子 。 2.根据权利要求1所述的一种 商业建筑冷负荷预测方法， 其特征在于， 所述商业建筑冷 负荷的主要影响因素数据， 包括建筑物理变量、 外部环境扰动变量、 内部环境扰动变量及历 史负荷； 其中， 所述建筑物理变量包括体形系数及窗墙比； 所述外部环境扰动变量包括建筑 物周围风速、 太阳辐照度、 前一时刻太阳辐照度、 室外相对湿度及室外干球温度； 内部环境 扰动变量包括照明使用数据及室内人员流动数据； 所述历史负荷包括前一时刻的冷负荷。 3.根据权利要求1所述的一种 商业建筑冷负荷预测方法， 其特征在于， 利用随机森林算 法， 对所述商业建筑冷负荷影响因素数据集进行筛选， 确定商业建筑冷负荷的主要影响因 素数据的过程， 具体如下： 采用bootstrap抽样方法， 从所述商业建筑冷负荷影响因素数据集中随机且有放回地 抽取n个子样本集； 其中， 未被抽取的数据作为袋外数据o ob； 为每个子样本集建立决策树， 得到n棵决策树， 并得到由n棵决策树组成的森林； 在每棵树生长的过程中， 从所述商业建筑冷负荷影响因素数据集的所有特征变量中， 随机选取m个属性； 其中， m<M， M为所述商业建筑冷负荷影响因素数据集的所有特征变量的 个数； 利用方差最小准则， 从m个属性中选择最优分裂 变量进行内部节点分裂； 将每棵树 不经过剪枝且最大程度生长后， 整合得到随机森林模型； 将所述袋外数据oob中的各影响因素放入所述随机森林模型中， 针对某一棵树， 通过所 述随机森林模型计算得到各袋外数据的预测值； 计算各袋外数据的预测值与真实值间的均方误差； 利用所述均方误差减少量表征各影响因素的重要性， 所述均方误差的大小降序排列， 得到所有影响因素 的均方误差序列； 根据所述均方误差序列， 计算每个影响因素 的影响系 数； 根据每 个影响因素的影响系数， 确定得到所述商业建筑 冷负荷的主 要影响因素 数据。 4.根据权利要求1所述的一种 商业建筑冷负荷预测方法， 其特征在于， 所述预构建的商 业建筑冷负荷预测模型 的构建过程， 具体为： 利用改进的并行鲸鱼优化算法对极限学习机 模型对网络参数进行寻优， 得到最优网络参数； 将所述最优网络参数带入极限学习机模型 中， 得到预构建的商业建筑 冷负荷预测模型。 5.根据权利要求4所述的一种 商业建筑冷负荷预测方法， 其特征在于， 利用改进的并行 鲸鱼优化算法对极限学习机模型对网络参数进行寻优， 得到最优网络参数 的过程， 具体如 下： 采用随机方式生成初始鲸鱼种群1， 采用引入的混沌序列机制生成初始鲸鱼种群2； 对初始鲸鱼种群1和初始鲸鱼种群2分别独立运行预设代数后， 分别计算两个鲸鱼种群权　利　要　求　书 1/3 页 2 CN 115409266 A 2内每个个体对应的个 体适应度函数值； 根据两个鲸鱼种群内每个个体对应的个体适应度函数值， 分别将两个鲸鱼种群 内对个 体平均划分为 适应度值大 段、 适应度值中段及适应度值小段； 采用预设的种群间个体交换规模c％， 作为移民算子， 在两个鲸鱼种群之间进行个体交 换； 具体的， 取两个鲸鱼种群的适应度值大段个体的c％代 替对方鲸鱼种群中的适应度值小 段个体的c％； 取两个鲸鱼种群的适应度中段个体的c％与对方鲸鱼种群的适应度中段个体 的c％进行相互 交换； 采用自适应收敛因子改进策略， 对两个鲸鱼种群进行改进； 将改进后的两个鲸鱼种群， 独立运行u次之后， 利用新的移民运营商对改进后的两个鲸 鱼种群之间进行个 体交换； 设置独立进化代数为m， 按照独立操作模式继续进行操作； 确定是否满足优化终止条件， 如果满足， 输出优化结果； 所述优化结果即为最优 网络参 数； 其中， 所述 最优网络参数为极限学习机模型中输出层权 重。 6.根据权利要求5所述的一种 商业建筑冷负荷预测方法， 其特征在于， 采用引入的混沌 序列机制生成初始鲸鱼种群2的过程， 具体如下： 通过随机方式生成初始鲸鱼种群1， 之后利用预设的混沌序列机制， 在可行解空间内使 所述初始鲸鱼种群1均匀分布， 得到所述的初始鲸鱼种群2； 其中， 所述预设的混沌序列机制为： 其中， Xi为初始鲸鱼种群1中的第i个鲸鱼个体位置向量； Xi+1为初始鲸鱼种群2中的第i 个鲸鱼个 体位置向量。 7.根据权利要求5所述的一种 商业建筑冷负荷预测方法， 其特征在于， 采用自适应收敛 因子改进策略， 对两个鲸鱼种群进行改进的过程， 具体为： 采用第一种非线性 递减收敛因子， 对 采用随机方式生成的鲸鱼种群进行改进； 采用第二种非线性 递减收敛因子， 对 采用混沌序列机制生成的鲸鱼种群进行改进； 其中， 所述第一种非线性 递减收敛因子为： 其中， a1为随机方式产生种群对应的收敛因子， f为收敛因子初始值， t为 当前迭代次数， q为收敛因子递减速度调节参数； 其中， 所述第二种非线性 递减收敛因子为： a2＝f‑sin( πt/2T) 其中， a2为混沌序列方式产生种群对应的收敛因子， T为总迭代次数。 8.一种商业建筑 冷负荷预测系统， 其特 征在于， 包括： 数据获取模块， 用于获取商业建筑 冷负荷影响因素 数据集； 筛选模块， 用于利用随机森林算法， 对所述商业建筑冷负荷影响因素数据集进行筛选， 确定商业建筑 冷负荷的主 要影响因素 数据； 预测输出模块， 用于将所述商业建筑冷负荷的主要影响因素数据， 作为预构建的商业权　利　要　求　书 2/3 页 3 CN 115409266 A 3