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！

龙图腾网恭喜南通大学申请的专利基于改进霸王龙优化神经网络的冷水机组负荷预测方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN119168157B 。

龙图腾网通过国家知识产权局官网在2025-04-29发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202411416636.4，技术领域涉及：G06Q10/04；该发明授权基于改进霸王龙优化神经网络的冷水机组负荷预测方法是由商亮亮;房瑞;荆英姿;刘杰;赵凡一;张宇超;杨柳设计研发完成，并于2024-10-11向国家知识产权局提交的专利申请。

本基于改进霸王龙优化神经网络的冷水机组负荷预测方法在说明书摘要公布了：本发明提供了一种基于改进霸王龙优化神经网络的冷水机组负荷预测方法，属于冷水机组负荷预测技术领域。解决了公共建筑冷水机组负荷预测精度不高的问题。其技术方案为：包括以下步骤：S1：对冷水机组历史数据进行数据降噪处理，并划分数据集；S2：使用主成分分析法PCA筛选出影响冷水机组负荷的主要成分，并对数据进行降维处理；S3：归一化处理降维后的数据，确定BP模型结构；S4：集成多种改进策略对霸王龙优化算法TROA进行改进，得到改进霸王龙优化算法ITROA；S5：使用ITROA对BP模型的权重和阈值进行寻优，经训练得到ITROA‑BP预测模型。本发明的有益效果为：本发明实现对建筑中冷水机组负荷的精准预测。

本发明授权基于改进霸王龙优化神经网络的冷水机组负荷预测方法在权利要求书中公布了：1.一种基于改进霸王龙优化神经网络的冷水机组负荷预测方法，其特征在于，包括以下步骤：步骤S1：对冷水机组历史运行数据进行数据降噪处理，并划分数据集为训练集和测试集；所述步骤S1中的数据降噪处理方法为滑动平均法，公式如下： 其中，yn表示平滑处理后的中心点数据，r为滑动窗口的半径，Xi表示滑动窗口内的各个数据点；步骤S2：使用主成分分析法PCA筛选出影响冷水机组负荷的主要成分，得到投影矩阵，使用投影矩阵对训练集和测试集数据进行降维处理；步骤S3：对降维后的数据进行归一化处理，将处理后的数据作为BP模型输入数据，冷水机组负荷作为BP模型输出数据，根据BP模型的输入输出数据确定各层节点个数，完成BP模型初始化；步骤S4：针对收敛速度慢、易陷入局部极值的问题，集成多种改进策略对霸王龙优化算法TROA进行改进，得到改进霸王龙优化算法ITROA，提高算法搜索寻优能力，加快算法收敛速度；所述步骤S4集成多种策略改进霸王龙优化算法的具体步骤如下：步骤S41：传统霸王龙优化算法按照如下公式进行种群初始化，种群中个体位置代表一组BP神经网络模型的权重和阈值：xi＝randnp,dim*ub-lb+lb其中，xi为种群中每个猎物初始化后的位置，np为种群个体数量，dim为搜索空间维度，ub和lb分别为搜索空间上限和下限；步骤S42：引入融合高斯变异的Tent混沌映射策略，对初始化后的种群进行融合混沌映射，使其分布均匀，高斯变异公式如下：x′＝x+σ*N0,1其中，x是原始个体，σ是高斯变异的方差，控制变异的强度，N0,1是标准高斯分布的随机数；融合高斯变异扰动和Tent混沌映射的种群初始化公式如下： 其中,xi+1表示混沌映射后的猎物的位置,xi表示初始化后猎物的位置；步骤S43：计算经过混沌映射的猎物种群的适应度函数值，确定最小适应度函数值F1；选择算法的适应度函数为训练集数据的均方误差MSE，计算公式如下： 其中，m为训练集数据数量，是模型预测值和实际值之间的误差，yi代表训练集数据的负荷预测值，y代表训练集数据的负荷实际值；步骤S44：霸王龙将最小适应度函数值F1对应的个体作为目标猎物，开始狩猎并更新猎物位置，计算更新位置后的种群适应度函数值F2，霸王龙优化算法中考虑到实际捕猎过程中存在失败的可能性，提出成功率估计值Er，Er影响猎物更新位置的方式，猎物更新位置的公式如下： xnew＝x+rand*sr*x*tr-target*pr其中，x为猎物原始位置，xnew为更新后的猎物位置，target为目标猎物位置，rand为0到1之间均匀分布的随机数，sr为成功率，tr为霸王龙狩猎速度，pr为猎物逃逸速度；引入非线性收敛因子计算成功率估计值Er，引入非线性收敛因子，使Er在迭代前期缓慢递减，使得霸王龙充分探索空间，寻找到全局最优解，迭代后期Er快速下降，增强霸王龙的深度开发能力，针对集中的目标方向展开搜索，寻找局部最优解，引入非线性收敛因子的Er计算公式如下： 其中，t表示当前迭代次数，tmax表示最大迭代次数；步骤S45：在霸王龙狩猎过程结束后，完成对种群个体位置的更新，引入复合对立学习COBL策略，以更新位置后的种群为原始解，生成种群的对立解，计算对立解的适应度函数值F3，复合对立学习公式如下： 其中，Xi是更新位置后的解，XCOBL是Xi的对立解，s是距离系数，lb和ub分别是搜索空间的下限和上限；步骤S46：比较原始解适应度函数值F2与对立解适应度函数值F3的大小，若F3F2，表明对立解的适应度函数值更小，将F3视作最终更新位置后的适应度函数值FXnew，否则将F2作为FXnew，然后按照如下公式更新最小适应度函数值F1和目标猎物位置target： 步骤S47：判断是否达到最大迭代次数，如果达到最大迭代次数，结束ITROA寻优过程，将最小适应度函数值F1对应的目标猎物位置作为算法最终优化结果，否则从步骤S44开始下一次优化迭代过程；步骤S5：使用ITROA对BP模型的权重和阈值进行寻优，将优化后的参数赋给模型，使用训练集数据训练模型，得到ITROA-BP预测模型，并采用测试集数据测试模型，输出负荷预测结果，计算评价指标评估模型性能。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人南通大学，其通讯地址为：226000 江苏省南通市崇川区永福路79号1幢南通大学技术转移研究院；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。