(19)中华 人民共和国 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 202111389226.1 (22)申请日 2021.11.22 (71)申请人 中国民航大 学 地址 300300 天津市东 丽区津北公路2898 号中国民航大 学南院电动学院 (72)发明人 林家泉　周璇　 (74)专利代理 机构 西安铭泽知识产权代理事务 所(普通合伙) 61223 代理人 梁静 (51)Int.Cl. G06F 30/27(2020.01) G06N 3/00(2006.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于IALO-AM-BiLSTM模型的飞机地面空调 能耗预测方法及存 储介质 (57)摘要 本发明提供了一种基于IALO ‑AM‑BiLSTM模 型的飞机地面空调能耗预测方法及存储介质， 属 于能耗预测领域， 包括： 采集飞机地面空调能耗 数据， 构成数据集； 构造IALO ‑AM‑BiLSTM模型， IALO‑AM‑BiLSTM模型包括AM ‑BiLSTM初 始预测模 型和IALO超参数优化算法两个部分； 利用AM ‑ BiLSTM初始预测模型的BiLSTM神经网络挖掘 数 据集的双向时间序列特征， 然后通过注意力机制 AM对双向时间序列特征赋予不同的权重； 使用 IALO超参数算法寻找AM ‑BiLSTM初始预测模型中 使预测部分结果最优的超参数组合， 其中IAL O超 参数算法的适应度值为A M‑BiLSTM模型预测结果 的均方误差； 使用最优的超参数组合配置AM ‑ BiLSTM最终预测模型的超参数； 利用AM ‑BiLSTM 最终预测模 型预测地面空调工作的耗电量。 通过 与其它多种预测方法比较， 充分证明该预测方法 具有准确度高、 适应性强等优点。 权利要求书3页 说明书14页 附图9页 CN 114065635 A 2022.02.18 CN 114065635 A 1.一种基于IALO ‑AM‑BiLSTM模型的飞机地面空调能耗预测方法， 其特征在于， 包括以 下步骤： 采集飞机地 面空调能耗数据， 构成数据集； 构造IALO ‑AM‑BiLSTM模型， 所述IALO ‑AM‑BiLSTM模型包括AM ‑BiLSTM初始预测模型和 IALO超参数优化 算法两个部分； 利用AM‑BiLSTM初始预测模型的BiLSTM神经网络挖掘 数据集的双向时间序列特征， 然 后通过注意力机制AM对双向时间序列特 征赋予不同的权 重； 使用IALO超参数算法寻找AM ‑BiLSTM初始预测模型中使预测部分结果最优的超参数组 合， 其中IALO超参数算法的适应度值 为AM‑BiLSTM模型 预测结果的均方误差； 使用最优的超参数组合配置AM ‑BiLSTM最终预测模型的超参数； 利用AM‑BiLSTM最终预测模型 预测地面空调工作的耗电量。 2.根据权利要求1所述的基于IALO ‑AM‑BiLSTM模型的飞机地面空调能耗预测方法， 其 特征在于， 所述飞机地面空调能耗数据包括地面空调工作前客舱的初始温度和初始湿度， 工作完成后客 舱的最终温度和最终湿度以及全过程的耗电量。 3.根据权利要求1所述的基于IALO ‑AM‑BiLSTM模型的飞机地面空调能耗预测方法， 其 特征在于， 所述AM ‑BiLSTM初始预测模型和AM ‑BiLSTM最终预测模型均包括输入层、 BiLSTM 层、 Dropout层、 Dense层、 AM层和输出层。 4.根据权利要求1所述的基于IALO ‑AM‑BiLSTM模型的飞机地面空调能耗预测方法， 其 特征在于， 所述 IALO超参数优化 算法包括两种改进机制： (1)随机游走空间缩小机制， 改进后的数 学表达式如下式所示； 式中： ω为收缩因子， t为当前迭代次数， T为 最大迭代次数， rand为0 ‑1之间的随机数； (2)蚂蚁位置更新机制， 根据迭代次数非线性动态调整普通蚁狮权重系数β， 如下式所 示； 式中： β 为普通蚁狮权重系数， βmax为普通蚁狮权重系数的最大值， βmin为普通蚁狮权重 系数的最小值， t为当前迭代次数， T为 最大迭代次数； 为第t次迭代时第i个蚂蚁的位置； 为蚂蚁在第t次迭代的普通蚁狮周围随机游 走； 为蚂蚁在第t次迭代的精英蚁狮周围随机游走。 5.根据权利要求1所述的基于IALO ‑AM‑BiLSTM模型的飞机地面空调能耗预测方法， 其 特征在于， 所述AM ‑BiLSTM初始预测模型或AM ‑BiLSTM最终预测模型包括： (1)输入层： 将每 个时刻的环境数据作为模型的输入， t时刻的输入如下式所示：权　利　要　求　书 1/3 页 2 CN 114065635 A 2Xt＝[pre‑tempt,post‑tempt,pre‑humidityt,post‑humidityt] 式中： Xt为t时刻的输入序列， pre ‑tempt为t时刻地面空调工作前客舱的初始温度； post‑tempt为t时刻地面空调工作完成后客舱的最终温度； pre ‑humidityt为t时刻地面空调 工作前客 舱的初始湿度； post ‑humidityt为t时刻地 面空调工作完成后客 舱的最终湿度； (2)BiLSTM层： 利用两个 方向相反的LSTM神经网络对t时刻的输入序列Xt进行计算， 将其 输出yt视为地面空调能耗数据的双向时间序列特 征； (3)Dropout层： 对地 面空调能耗数据的双向时间序列特 征按抛弃率进行随机抛 弃； (4)Dense层： 将Dropout层的输出在Dense层进行非线性变换； (5)AM层： 将Dense层的输出隐藏状态视为AM层的输入， 并计算t时刻AM层的输出st； (6)输出层： 使用全连接层对AM层输出进行降维计算， 其激活函数为sigmoid函数， 最终 输出结果Y即为预测时刻地 面空调工作的耗电量。 6.根据权利要求5所述的基于IALO ‑AM‑BiLSTM模型的飞机地面空调能耗预测方法， 其 特征在于， 所述超参数指的是AM ‑BiLSTM初始预测模型中的批尺寸、 BiLSTM层的单元个数、 Dense层的单 元个数、 迭代次数、 Dropout层的抛 弃率、 学习率。 7.根据权利要求6所述的基于IALO ‑AM‑BiLSTM模型的飞机地面空调能耗预测方法， 其 特征在于， 在预测地面空调工作的耗电量之前对AM ‑BiLSTM最 终预测模 型进行训练， 训练流 程包括以下步骤： (1)将所述数据集按7:3的比例划分为训练集和测试集， 使用最值归一化法分别 对其进 行处理， 计算公式如下： 式中： xe为归一化之后的输入数据； xa为原始的输入数据； xmax、 xmin为原始数据中各变量 的最大值和最小值； (2)将模型预测部分的批尺寸、 BiLSTM层的神 经元数量、 Dropout层的抛弃率、 Dense层 的神经元数量、 迭代次数、 学习率超参数设为 寻优对象并确定各自的搜索空间； (3)设置IALO算法的迭代次数T、 种群大小N、 变量个数D； (4)对蚂蚁和蚁狮的位置进行随机初始化， 用训练集训练模型的预测部分， 选取预测误 差的均方误差 MSE为适应度函数， 并计算每 个位置对应的适应度值， MSE的计算公式如下： 式中， yi为真实值， f(xi)为预测值， n 为真实值的数量； (5)根据适应度值确定精英蚁狮， 并通过轮 盘赌抽取普通蚁狮； (6)根据下式更新随机游走空间， 蚂蚁分别围绕精英蚁狮和普通蚁狮进行随机游走； 权　利　要　求　书 2/3 页 3 CN 114065635 A 3