(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 202210831880.1 (22)申请日 2022.07.15 (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　程仁印　赵安军　苏煜聪　 (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 高博 (51)Int.Cl. G06F 30/27(2020.01) G01D 21/02(2006.01) G06F 111/06(2020.01) G06F 119/02(2020.01) (54)发明名称 一种大型公共建筑能耗混合预测方法及系 统 (57)摘要 本发明公开了一种大型公共建筑能耗混合 预测方法及系统， 获取影 响大型公共建筑能耗的 指标， 使用平均影 响值法筛选影 响建筑能耗的特 征变量， 得到样本集和模型的输入输出参数； 使 用非线性收敛因子和随机游走策略对传统灰狼 方法进行改进， 得到改进的灰狼方法； 使用改进 的灰狼方法对支持向量回归的超参数进行优化， 得到基于改进支持向量回归的能耗混合预测模 型， 利用基于改进支持向量回归的能耗混合预测 模型对大型公共建筑能耗进行预测， 得到最终预 测值。 本发明具有良好的预测精度和时间复杂 度， 能够满足实际工程需求， 能够为空调系统提 供可靠且稳定的数据支持和运行指导。 权利要求书3页 说明书14页 附图3页 CN 115221782 A 2022.10.21 CN 115221782 A 1.一种大 型公共建筑能耗混合预测方法， 其特 征在于， 包括以下步骤： S1、 获取影响大型公共建筑能耗的指标， 使用平均影响值法筛选影响建筑能耗的特征 变量， 得到基于改进支持向量回归的混合预测模型的输入输出参数； S2、 将步骤S1中的输入输出参数按照每日逐小时的顺序进行排列， 得到混合预测模型 的样本集； S3、 使用非线性收敛因子和随机游走策略对传统灰狼方法进行改进， 得到改进的灰狼 方法； S4、 使用步骤S3改进 的灰狼方法对支持向量回归的超参数进行优化， 得到基于改进支 持向量回归的能耗混合预测模型， 利用步骤S2得到的样 本集训练基于改进支持向量回归的 能耗混合预测模型， 利用训练完成的基于改进支持向量回归的能耗混合预测模型对大型公 共建筑能耗进行 预测， 得到最终预测值。 2.根据权利要求1所述的大型公共建筑能耗混合预测方法， 其特征在于， 步骤S1中， 使 用平均影响值法筛 选影响建筑能耗的特 征变量包括： 室外干球温度、 直接太阳辐射量、 室内人流量、 室内照明时间、 室外相对湿度、 前一 时刻 的太阳辐射 量。 3.根据权利要求1所述的大型公共建筑能耗混合预测方法， 其特征在于， 使用平均影响 值法筛选影响建筑能耗的特 征变量具体如下： S101、 将n维输入变量的m个样本构成原 始训练集P； S102、 将步骤S101构成的原始训练集P中每个变量在原有基础上分别加/减10％， 得到 两个新的训练样本P1和P2； S103、 将步骤S102 得到的新训练样本P1和P2分别利用已建立的初始网络进行预测， 得到 预测序列A1和A2； S104、 求步骤S103得到的预测序列A1和A2差值， 即为改变对应变量后对输出产生的影响 变化值， 并将IV按训练数 取平均， 得到对应输入变量对于 输出的MIV； S105、 将步骤S104得到 的各变量的MIV取平均值后排序， 筛选影响因子， 消除变量间的 信息重叠。 4.根据权利要求1所述的大型公共建筑能耗混合预测方法， 其特征在于， 步骤S3中， 改 进的灰狼优化方法具体为： S301、 狼群初始化， 设置最大迭代次数、 种群初始数量以及待优化的参数维度； S302、 定义包围猎物数 学模型； S303、 步骤S302狼群包围猎物后， 利用 α 狼、 β 狼及δ狼的位置判断猎物所在位置， 同时强 迫剩余灰狼个 体依据最优灰狼个 体的位置更新对应位置； S304、 猎物停止移动时， 收敛因子 逐渐减小以模拟逼近猎物， 当系数向量 在[‑1,1] 内时， 灰狼的下一位置位于当前位置和猎物位置之间的任意位置， 同时狼群向猎物发起攻 击； S305、 当 时， 灰狼群体全局搜索最优解， 当 时， 狼群将收缩搜索范围并对猎物 攻击； S306、 利用随机游走策略对α狼、 β 狼及δ狼 的位置进行扰动， 使α狼、 β 狼及δ狼在迭代前权　利　要　求　书 1/3 页 2 CN 115221782 A 2期避免陷入局部最优解， 经多次迭代后得到目标函数的全局最优解。 5.根据权利要求4所述的大型公共建筑能耗混合预测方法， 其特征在于， 步骤S302中， 包围猎物的数 学模型为： 其中， t为当前迭代次数， 和 分别为猎物的位置向量和灰狼的位置向量， 为灰狼 个体与猎物的距离， 和 为系数向量。 6.根据权利要求4所述的大型公共建筑能耗混合预测方法， 其特征在于， 步骤S306中， 随机游走 策略具体为： X(t)＝[0,cus sum(2r(t1)‑1),…cussum(2r(tn)‑1)] 其中， X(t)为随机游走的步数集； cussum为计算累加和； t为随机游走的步数； r(t)为随 机函数。 7.根据权利要求1所述的大型公共建筑能耗混合预测方法， 其特征在于， 步骤S4中， 使 用步骤S3改进的灰狼方法对支持向量回归的超参数进行优化具体为： S401、 狼群位置初始化及模型参数； S402、 计算灰狼个 体的适应度值， 保存适应度较好的三匹狼； S403、 更新当前 灰狼位置； S404、 根据改进的随机游走 策略更新系数向量 S405、 重新计算全体灰狼的适应度， 并更新头 狼的适应度和位置； S406、 根据随机函数 更新最优的α 头 狼位置； S407、 计算 其余灰狼适应度并更新 位置； S408、 判断是否满足停止条件， 如果 不满足， 重复执 行步骤S3 03～S307； S409、 得到最优参数c和g， 作为支持向量回归的超参数， 使用基于改进支持向量回归的 能耗混合预测模型对大 型公共建筑能耗进行 预测， 得到最终预测值。 8.根据权利要求7所述的大型公共建筑能耗混合预测方法， 其特征在于， 步骤S404中， 非线性收敛因子具体为： 其中， t为当前迭代次数， T为 最大迭代次数， n 为衰减指数。 9.根据权利要求7所述的大型公共建筑能耗混合预测方法， 其特征在于， 步骤S406中， 随机函数r(t)具体为： 其中， rand为 服从(0,1)均匀分布的随机数。 10.一种大 型公共建筑能耗混合预测系统， 其特 征在于， 包括：权　利　要　求　书 2/3 页 3 CN 115221782 A 3