本發(fā)明屬于建筑能耗預(yù)測(cè)，具體涉及一種基于spearman＆gbdt特征選擇和bka-fedformer＆bka-bilstm的建筑能耗預(yù)測(cè)方法。

背景技術(shù)：

1、隨著社會(huì)經(jīng)濟(jì)的快速發(fā)展，全球建筑能耗迅速增長(zhǎng)，已占全球總能耗的三分之一以上，降低建筑能耗已成為全球能源管理的重要課題。建筑能耗預(yù)測(cè)是優(yōu)化能源利用、降低能耗的重要手段之一，它有助于電力系統(tǒng)的優(yōu)化調(diào)控，提高能源使用效率，并推動(dòng)可持續(xù)發(fā)展。

2、目前，建筑能耗預(yù)測(cè)方法主要包括三類(lèi)模型：(1)白盒物理模型，基于建筑物的物理信息、天氣條件及內(nèi)部活動(dòng)等數(shù)據(jù)進(jìn)行建模，該方法需要詳盡的建筑物物理特性參數(shù)，然而由于建筑結(jié)構(gòu)復(fù)雜、類(lèi)型多樣，實(shí)際應(yīng)用中建模過(guò)程繁瑣，對(duì)專(zhuān)業(yè)人員要求高，且耗時(shí)較長(zhǎng)。(2)灰盒降階模型，基于簡(jiǎn)化墻體結(jié)構(gòu)及其熱阻、電容特性構(gòu)建數(shù)學(xué)模型，但其理論基礎(chǔ)尚不清晰，且假設(shè)條件較多，導(dǎo)致模型變量復(fù)雜、輸入?yún)?shù)不穩(wěn)定，影響預(yù)測(cè)的精度和適用性。(3)黑盒數(shù)據(jù)驅(qū)動(dòng)模型，純粹依賴(lài)歷史數(shù)據(jù)進(jìn)行能耗預(yù)測(cè)，無(wú)需詳細(xì)的物理參數(shù)，適用于多種場(chǎng)景，且預(yù)測(cè)精度較高，因此逐漸成為研究熱點(diǎn)。

3、盡管黑盒數(shù)據(jù)驅(qū)動(dòng)方法具有較高的靈活性和預(yù)測(cè)精度，但現(xiàn)有研究仍存在不足。例如，劉健等人在2024年提出的基于自適應(yīng)信號(hào)分解增強(qiáng)itransformer網(wǎng)絡(luò)的戶(hù)用能耗預(yù)測(cè)方法，僅采用單一神經(jīng)網(wǎng)絡(luò)進(jìn)行能耗預(yù)測(cè)，容易受到噪聲數(shù)據(jù)的干擾，從而降低模型的魯棒性。同時(shí)，特征選擇在能耗預(yù)測(cè)中具有至關(guān)重要的作用，若缺乏有效的特征選擇機(jī)制，數(shù)據(jù)中的冗余特征將顯著增加模型的計(jì)算負(fù)擔(dān)并降低預(yù)測(cè)精度(jian?liu,fan?yang,keyan,et?al.household?energy?consumption?forecasting?based?on?adaptive?signaldecomposition?enhanced?itransformer?network.energy?and?buildings,2024,324:114894)。另一研究中，馮增熙等人于2024年提出利用白鯨優(yōu)化算法優(yōu)化長(zhǎng)短期記憶網(wǎng)絡(luò)對(duì)寫(xiě)字樓能耗進(jìn)行預(yù)測(cè)的方法，雖然在一定程度上改善了模型性能，但其優(yōu)化算法仍面臨自適應(yīng)能力不足、局部搜索精度低以及過(guò)早收斂的問(wèn)題，限制了其在更復(fù)雜場(chǎng)景下的應(yīng)用(zengxi?feng,jianhu?an,mingyue?han,et?al.office?building?energy?consumptionforecast:adaptive?long?short?term?memory?networks?driven?by?improved?belugawhale?optimization?algorithm.journal?of?building?engineering.2024,91:109612)。由此可見(jiàn)，亟需一種高效、穩(wěn)定且精準(zhǔn)的能耗預(yù)測(cè)方法，以提升建筑能耗管理水平。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明旨在提供一種基于spearman＆gbdt特征選擇和bka-fedformer＆bka-bilstm的建筑能耗預(yù)測(cè)方法，以解決現(xiàn)有技術(shù)中單一神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)穩(wěn)定性差、預(yù)測(cè)精度不高等問(wèn)題，從而提升建筑能耗預(yù)測(cè)的準(zhǔn)確性和適用性。

2、針對(duì)上述問(wèn)題，本發(fā)明提出了一種基于黑翅鳶優(yōu)化算法(black-winged?kitealgorithm,bka)優(yōu)化的bka-fedformer＆bka-bilstm組合預(yù)測(cè)模型。具體而言，本方法首先使用spearman相關(guān)系數(shù)和集成學(xué)習(xí)算法(gradient?boosting?decision?tree,gbdt)進(jìn)行特征選擇，以剔除冗余變量，減少數(shù)據(jù)維度，提高模型的計(jì)算效率。隨后，利用bka優(yōu)化fedformer(frequency?enhanced?decomposed?transformer)和雙向長(zhǎng)短期記憶網(wǎng)絡(luò)(bi-directional?long?short-term?memory,bilstm)的超參數(shù)，提高模型的穩(wěn)定性和泛化能力。最后，采用分時(shí)預(yù)測(cè)策略，構(gòu)建bka-fedformer＆bka-bilstm組合模型，實(shí)現(xiàn)更精準(zhǔn)的建筑能耗預(yù)測(cè)。

3、為了實(shí)現(xiàn)以上技術(shù)目的，本發(fā)明具體采用以下技術(shù)方案：

4、一種結(jié)合特征選擇、優(yōu)化算法及神經(jīng)網(wǎng)絡(luò)分時(shí)預(yù)測(cè)的建筑能耗預(yù)測(cè)方法，包括以下步驟：

5、步驟一：特征選擇。通過(guò)spearman相關(guān)系數(shù)和gbdt技術(shù)進(jìn)行特征變量篩選，剔除冗余特征，提高模型計(jì)算效率；

6、步驟二：數(shù)據(jù)分區(qū)處理。將數(shù)據(jù)集劃分為建模數(shù)據(jù)集和預(yù)測(cè)數(shù)據(jù)集，其中建模數(shù)據(jù)集進(jìn)一步劃分為訓(xùn)練數(shù)據(jù)集和驗(yàn)證數(shù)據(jù)集，以用于模型訓(xùn)練和參數(shù)優(yōu)化；

7、步驟三：神經(jīng)網(wǎng)絡(luò)優(yōu)化。采用bka分別優(yōu)化fedformer和bilstm的超參數(shù)，提高模型的穩(wěn)定性和預(yù)測(cè)精度；

8、步驟四：子模型訓(xùn)練。使用優(yōu)化后的bka-fedformer和bka-bilstm模型分別訓(xùn)練得到兩個(gè)子模型；

9、步驟五：預(yù)測(cè)時(shí)間分布分析。結(jié)合五重交叉驗(yàn)證，分析兩個(gè)子模型在不同時(shí)間段的預(yù)測(cè)誤差，確定最佳預(yù)測(cè)時(shí)間分布方案；

10、步驟六：構(gòu)建分時(shí)預(yù)測(cè)組合模型。根據(jù)預(yù)測(cè)時(shí)間分布，組合bka-fedformer和bka-bilstm模型，形成最終的分時(shí)預(yù)測(cè)神經(jīng)網(wǎng)絡(luò)；

11、步驟七：能耗預(yù)測(cè)。采用組合神經(jīng)網(wǎng)絡(luò)對(duì)測(cè)試數(shù)據(jù)進(jìn)行預(yù)測(cè)，以實(shí)現(xiàn)建筑能耗的精準(zhǔn)預(yù)測(cè)。

12、進(jìn)一步地，步驟一中采用spearman相關(guān)系數(shù)和gbdt技術(shù)對(duì)特征變量進(jìn)行篩選，以減少冗余數(shù)據(jù)，提高模型計(jì)算效率，具體包括以下步驟：

13、(1)通過(guò)spearman相關(guān)系數(shù)和gbdt技術(shù)分別對(duì)數(shù)據(jù)集中的特征變量進(jìn)行評(píng)分，并按照重要性排序；

14、(2)重復(fù)上述評(píng)分過(guò)程5次，并采用平均值法計(jì)算最終評(píng)分結(jié)果；

15、(3)設(shè)定特征選擇閾值，分別篩選spearman和gbdt評(píng)分高于閾值的特征變量；

16、(4)取spearman和gbdt篩選結(jié)果的交集，保留兩種方法都認(rèn)為重要的特征變量，作為最終的輸入特征集。

17、進(jìn)一步地，步驟二將數(shù)據(jù)劃分為建模數(shù)據(jù)集和預(yù)測(cè)數(shù)據(jù)集，并進(jìn)一步細(xì)分，包括下述步驟：

18、(1)建模數(shù)據(jù)集用于模型的開(kāi)發(fā)，包括訓(xùn)練數(shù)據(jù)集：用于模型參數(shù)學(xué)習(xí)，驗(yàn)證數(shù)據(jù)集：用于模型參數(shù)優(yōu)化和超參數(shù)調(diào)整；

19、(2)預(yù)測(cè)數(shù)據(jù)集用于模型的最終測(cè)試，以評(píng)估模型的泛化能力和預(yù)測(cè)精度。

20、進(jìn)一步地，步驟三為提升預(yù)測(cè)精度，采用bka對(duì)神經(jīng)網(wǎng)絡(luò)超參數(shù)進(jìn)行優(yōu)化，具體優(yōu)化流程如下：

21、(1)確保fedformer和bilstm模型使用相同的輸入特征集，即基于spearman＆gbdt方法篩選出的特征變量；

22、(2)使用訓(xùn)練數(shù)據(jù)對(duì)fedformer和bilstm模型進(jìn)行初步訓(xùn)練，并使用驗(yàn)證數(shù)據(jù)計(jì)算bka的適應(yīng)度函數(shù)；

23、(3)采用bka迭代搜索最優(yōu)超參數(shù)配置，直至滿(mǎn)足終止條件；

24、(4)確定最終的最佳參數(shù)設(shè)置，分別應(yīng)用于bka-fedformer和bka-bilstm模型。

25、進(jìn)一步地，步驟四基于優(yōu)化后的超參數(shù)，分別訓(xùn)練bka-fedformer和bka-bilstm模型，具體步驟如下：

26、(1)采用訓(xùn)練數(shù)據(jù)集訓(xùn)練bka-fedformer，得到分時(shí)組合神經(jīng)網(wǎng)絡(luò)的第一個(gè)子模型；

27、(2)采用相同的訓(xùn)練數(shù)據(jù)集訓(xùn)練bka-bilstm，得到分時(shí)組合神經(jīng)網(wǎng)絡(luò)的第二個(gè)子模型。

28、進(jìn)一步地，步驟五采用五重交叉驗(yàn)證法，分析兩個(gè)子模型在不同時(shí)間段的預(yù)測(cè)誤差，具體步驟如下：

29、(1)分別使用bka-fedformer和bka-bilstm模型對(duì)相同的建模數(shù)據(jù)集進(jìn)行訓(xùn)練和預(yù)測(cè)；

30、(2)采用五重交叉驗(yàn)證計(jì)算兩個(gè)子模型的預(yù)測(cè)誤差，并記錄每個(gè)時(shí)間段的誤差情況；

31、(3)在同一時(shí)間段內(nèi)，比較兩個(gè)子模型的預(yù)測(cè)誤差，選擇誤差較小的子模型作為當(dāng)前時(shí)間段的預(yù)測(cè)模型。

32、進(jìn)一步地，步驟六構(gòu)建的分時(shí)預(yù)測(cè)組合模型，基于預(yù)測(cè)時(shí)間分布分析的結(jié)果，確定bka-fedformer和bka-bilstm的最優(yōu)適用時(shí)間段：

33、(1)0:00-12:00，bka-fedformer的預(yù)測(cè)誤差小于bka-bilstm，因此采用bka-fedformer進(jìn)行預(yù)測(cè)；

34、(2)12:00-24:00，bka-bilstm的預(yù)測(cè)誤差小于bka-fedformer，因此采用bka-bilstm進(jìn)行預(yù)測(cè)。

35、通過(guò)該分時(shí)組合策略，實(shí)現(xiàn)更精準(zhǔn)、更穩(wěn)定的建筑能耗預(yù)測(cè)。

36、進(jìn)一步地，步驟七能耗預(yù)測(cè)，使用構(gòu)建的bka-fedformer＆bka-bilstm組合模型對(duì)測(cè)試數(shù)據(jù)進(jìn)行能耗預(yù)測(cè)。該方法能夠有效結(jié)合兩種神經(jīng)網(wǎng)絡(luò)的優(yōu)勢(shì)，提升預(yù)測(cè)精度和模型穩(wěn)定性。

37、采用本發(fā)明的技術(shù)方案具有的創(chuàng)新點(diǎn)主要包括：(1)基于spearman＆gbdt特征選擇，有效降低冗余特征，提高數(shù)據(jù)質(zhì)量；(2)bka優(yōu)化深度學(xué)習(xí)模型，提高超參數(shù)調(diào)優(yōu)效率，避免傳統(tǒng)試錯(cuò)法帶來(lái)的低效問(wèn)題；(3)分時(shí)組合預(yù)測(cè)模型，解決單一模型穩(wěn)定性不足的問(wèn)題，提高預(yù)測(cè)精度和適應(yīng)性。相比傳統(tǒng)方法，該方法能夠更準(zhǔn)確地預(yù)測(cè)建筑能耗，具有更廣泛的適用性和推廣價(jià)值。

38、與現(xiàn)有技術(shù)相比，本發(fā)明具有如下技術(shù)優(yōu)勢(shì)：

39、(1)創(chuàng)新的特征選擇方法

40、本發(fā)明采用spearman相關(guān)系數(shù)和gbdt相結(jié)合的方式進(jìn)行特征選擇，使特征篩選過(guò)程更加全面，從而有效減少模型復(fù)雜度，提高預(yù)測(cè)精度。spearman相關(guān)系數(shù)在處理非線性關(guān)系較弱但線性關(guān)系顯著的特征變量時(shí)，能夠發(fā)揮更好的篩選作用。gbdt技術(shù)作為一種集成學(xué)習(xí)算法，能夠衡量特征變量對(duì)目標(biāo)變量的影響程度，進(jìn)一步優(yōu)化特征選擇結(jié)果。通過(guò)這兩種方法的結(jié)合，本發(fā)明能夠篩選出對(duì)預(yù)測(cè)目標(biāo)影響因子更高的特征變量，從而降低數(shù)據(jù)冗余，提高模型訓(xùn)練效率，提升預(yù)測(cè)精度。

41、(2)全新的優(yōu)化算法

42、本發(fā)明采用bka對(duì)神經(jīng)網(wǎng)絡(luò)超參數(shù)進(jìn)行優(yōu)化，進(jìn)一步提高預(yù)測(cè)精度和模型穩(wěn)定性。bka算法由wang等人于2024年提出，是一種受黑翅鳶遷徙與捕食行為啟發(fā)的元啟發(fā)式優(yōu)化算法。相較于傳統(tǒng)優(yōu)化算法(如麻雀搜索算法、粒子群優(yōu)化算法等)，bka算法具有更強(qiáng)的全局搜索能力和更快的收斂速度，能夠更高效地尋找到神經(jīng)網(wǎng)絡(luò)的最佳超參數(shù)配置。經(jīng)過(guò)研究驗(yàn)證，bka算法的優(yōu)化效果優(yōu)于多種傳統(tǒng)優(yōu)化算法，使得模型能夠在更短時(shí)間內(nèi)達(dá)到更優(yōu)的預(yù)測(cè)精度。通過(guò)bka算法的引入，本發(fā)明有效提升了神經(jīng)網(wǎng)絡(luò)參數(shù)優(yōu)化的效率，避免了傳統(tǒng)試錯(cuò)法調(diào)參的低效問(wèn)題，使預(yù)測(cè)結(jié)果更加精準(zhǔn)可靠。

43、(3)新型的分時(shí)預(yù)測(cè)組合模型

44、當(dāng)前，大多數(shù)建筑能耗預(yù)測(cè)模型采用單一神經(jīng)網(wǎng)絡(luò)架構(gòu)，但這類(lèi)方法往往存在預(yù)測(cè)穩(wěn)定性差，易受到數(shù)據(jù)噪聲的影響；無(wú)法兼顧不同時(shí)間段的特征變化，導(dǎo)致模型在某些時(shí)段預(yù)測(cè)精度較低。為了解決上述問(wèn)題，本發(fā)明提出了一種基于分時(shí)預(yù)測(cè)的組合模型，結(jié)合bka-fedformer與bka-bilstm，利用二者在不同時(shí)間段的預(yù)測(cè)優(yōu)勢(shì)，提高整體預(yù)測(cè)精度。0:00-12:00時(shí)段，bka-fedformer模型的預(yù)測(cè)誤差較低，因此采用其預(yù)測(cè)結(jié)果。12:00-24:00時(shí)段，bka-bilstm模型的預(yù)測(cè)誤差較低，因此采用其預(yù)測(cè)結(jié)果。通過(guò)該分時(shí)組合策略，本發(fā)明有效避免了單一模型預(yù)測(cè)穩(wěn)定性差的問(wèn)題，使得整體預(yù)測(cè)精度和魯棒性得到顯著提升。