买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：华北电力大学

摘要：本发明涉及一种基于双重注意力机制及新型粒子群算法的建筑冷热负荷精准预测方法，设计负荷预测技术领域，包括获取建筑历史冷热负荷数据与相关外部影响因素数据，对获取的数据进行预处理；以预处理后的数据建立并训练BiLSTM时序负荷预测模型；引入双重注意力机制对输入特征和神经网络隐藏状态进行权重分配；利用新型粒子群算法对负荷预测模型进行超参数优化；利用CEEMD分解技术与BiLSTM神经网络搭建误差修正模型；根据预测结果对模型进行性能评估。本发明在对建筑冷热负荷进行预测时，通过注意力机制的权重分配、新型粒子群算法的超参数优化、CEEMD算法与BiLSTM网络结合使用构成的误差修正模型，有效的提高了负荷预测的准确性和实用性。

主权项：1.一种基于双重注意力机制及新型粒子群算法的建筑冷热负荷精准预测方法，包括以下步骤：步骤1，获取建筑历史冷热负荷数据与相关外部影响因素数据，对获取的数据进行预处理；所述相关外部影响因素数据包括内温度、室外温度、室外风速、相对湿度、过去3小时降水量、太阳辐射率、建筑物使用率、人员密度、设备照明等影响因素及对应的时间序列数据；步骤2,以步骤1预处理后的外部影响因素数据和历史负荷数据分别作为输入特征和输出特征，基于BiLSTM神经网络构建短期建筑冷、热负荷预测模型；步骤3，基于步骤2的输入特征和BiLSTM神经网络架构，引入双重注意力机制，分别对BiLSTM输出的隐藏状态和输入特征赋予不同惯性权重；步骤4，基于步骤2的BiLSTM神经网络架构，利用GA-SA改进的新型粒子群算法，对其进行超参数优化，具体步骤包括：在粒子群算法中添加遗传算法的交叉变异操作，得到处理后的粒子群算法；在所述处理后的粒子群算法中，添加退火算法的概率突跳操作，得到更新后的粒子群算法；以训练次数、学习速率、神经元数量为优化条件，利用所述更新后的粒子群算法对其进行超参数优化处理，得到优化结果。步骤5，基于步骤3与步骤4优化后的建筑冷热负荷预测模型得出的负荷预测结果，利用CEEMD分解技术及BiLSTM神经网络组成误差修正模型；步骤6，以得出的预测结果作为建筑冷热负荷精准预测模型的评价指标，采用均方根误差RMSE、平均绝对误差MAE、平均绝对百分比误差MAPE和模型预测精度ACC进行性能评估，评估模型预测性能。

全文数据：

权利要求：

百度查询： 华北电力大学 一种基于双重注意力机制及新型粒子群算法的建筑冷热负荷精准预测方法