基于粒子群优化的长短期记忆网络在建筑能耗预测中的应用与性能评估
马超1
潘嵩1
崔颖2
刘亦巧2
崔桐3
王昊昱1
万陶成1
1.北京工业大学 绿色建筑环境与节能技术北京市重点实验室,北京 1001242.马来亚大学工程学院,马来西亚 吉隆坡 506033.长安大学土木工程学院,陕西 西安 710054
摘要：传统长短期记忆网络(LSTM)在参数优化时易陷入局部最优,引入粒子群优化(PSO)算法可以增强模型的全局搜索能力.提出基于粒子群优化的长短期记忆网络模型(PSO-LSTM),对我国北方某建筑的能耗数据进行试验,将PSO-LSTM与卷积神经网络(CNN)、LSTM、双向长短期记忆网络(BiLSTM)、反向传播(BP)、极限学习机(ELM)和径向基函数(RBF)共6种主流机器学习算法对比.结果显示,PSO-LSTM模型的决定系数(R2)达0.95,较对照模型提升6.74%～31.94%,在平均绝对误差(MAE)、均值偏差误差(MBE)、平均绝对百分比误差(MAPE)和均方根误差(RMSE)等指标方面也较为优异,具有较好的预测能力和稳定性,为建筑能耗预测提供了有效的解决方案.
关键词：建筑能耗预测机器学习算法PSO-LSTM性能评估预测模型
分类号：TP183(自动化基础理论)
资助基金：国家自然科学基金(51578011)国家十三五科技重大专项项目(2016YFC0801706)河北省国际科技合作基础项目(20594501D)
论文发表日期：2025-07-25
在线出版日期：2025-09-15（本平台首次上网日期，不代表文献的发表时间）
页数：5( 1-5 )
英文信息