基于人工智能的建筑能耗预测研究综述

能耗预测作为建筑节能的先决条件,对于挖掘建筑节能潜力、提高建筑设备使用效率、提升建筑运营管理质量有重要意义。针对能耗预测,从输入数据类型、输出数据类型、预测时间范围、预测方法4个方面对基于人工智能方法的建筑能耗预测应用现状进行研究。又介绍了单一预测模型和集成预测模型的基本理论,并分别以多元线性回归方法、人工神经网络和支持向量机3种人工智能方法作为基本模型,进行了基于单一预测模型和集成预测模型的建筑能耗预测研究。研究表明与单一预测模型相比,集成预测模型具有更好的预测精度、稳定性及多样性,同时,对人工智能方法在建筑能耗预测领域的应用前景进行了展望。     

混合随机反向学习和高斯变异的混沌松鼠搜索算法

针对松鼠搜索算法(SSA)易陷入局部最优、过早收敛等问题，提出一种混合随机反向学习和高斯变异的混沌松鼠搜索算法(RGCSSA)。该算法通过Tent混沌映射初始化策略生成混沌初始种群，增强初始种群分布的均匀性，实现对解空间更高效的搜索；采用非线性递减的捕食者概率策略，平衡SSA的全局搜索和局部开发能力；利用位置贪婪选择策略在迭代过程中不断保留种群中的优势个体，以提升算法收敛速度；引入随机反向学习和高斯变异策略，在增加种群多样性的同时提高算法跳出局部最优的能力。使用10个不同的基准测试函数进行仿真实验，并利用Wilcoxon符号秩检验验证所提算法的寻优性能，结果表明，RGCSSA算法在求解精度、收敛速度和稳定性等方面均有极大提升。     

基于改进XGBoost超参数优化的地下工程空调系统负荷预测

针对地下工程空调负荷难以精确预测的问题，提出一种基于天牛须搜索算法（Beetle Antennae Search， BAS）优化极限梯度提升算法（eXtreme Gradient Boosting， XGBoost）的负荷预测模型。该算法通过引入典型最优解引导机制优化常规BAS算法中的位置更新策略，同时采用线性递减策略对天牛的搜索步长进行修正，以实现更快达到全局最优点，提高收敛速度；并利用改进的BAS算法对XGBoost中的决策树个数、树的最大深度2个对模型预测精度有较大影响的超参数进行寻优，以获得XGBoost的最优参数组合，提高模型预测精度。最后，以某地下保障工程空调系统为研究对象，验证所提出的预测模型的有效性。