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！

龙图腾网获悉厦门理工学院申请的专利融合参数优化与多模型集成的建筑能耗预测方法及装置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：CN121481000B 。

龙图腾网通过国家知识产权局官网在2026-04-21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：202610024511.X，技术领域涉及：G06Q10/063；该发明授权融合参数优化与多模型集成的建筑能耗预测方法及装置是由黄明强;刘锐;钟邓文;连宇新;李秀芳设计研发完成，并于2026-01-09向国家知识产权局提交的专利申请。

本融合参数优化与多模型集成的建筑能耗预测方法及装置在说明书摘要公布了：本发明提供的融合参数优化与多模型集成的建筑能耗预测方法及装置，涉及建筑能源预测与人工智能技术领域。本发明通过获取不同仪表类型的能耗数据集，并进行动态分组与数据清洗预处理；然后生成基础特征集，再对所述基础特征集进行迭代组合生成元特征集，从而得到增强特征集；接着基于所述增强特征集搜索最优参数组合，然后进行多任务元学习训练与自适应集成模型预测，得到训练好的建筑能耗预测模型；最后将实时获取的能耗数据输入训练好的建筑能耗预测模型，输出预测结果，并持续优化模型参数。本发明能够显著提升数据清洗质量、特征表征能力、参数优化效率及极端工况下的预测精度，有效解决现有技术中模型僵化与冷启动难题。

本发明授权融合参数优化与多模型集成的建筑能耗预测方法及装置在权利要求书中公布了：1.一种融合参数优化与多模型集成的建筑能耗预测方法，其特征在于，包括： 获取不同仪表类型的能耗数据集，并基于多尺度滑窗偏度分析进行动态分组与数据清洗预处理； 基于预处理后的数据集生成基础特征集，并通过遗传编程算法对所述基础特征集进行迭代组合生成元特征集，将基础特征集和元特征集合并得到增强特征集； 基于所述增强特征集搜索最优参数组合，采用混合初始化策略和自适应切换概率机制的改进型鲸鱼优化算法，在预设参数空间内搜索XGBoost模型的最优超参数组合，具体包括： 以XGBoost模型在验证集上的均方根误差为优化目标，目标函数公式为： ； 其中，为目标函数；为超参数向量组合；为样本数；为验证集第个样本的真实值；为基于组合训练的XGBoost模型对第个样本的预测值； 所述混合初始化策略为： 设定种群大小与最大迭代次数，基于所述超参数执行拉丁超立方采样，生成若干个第一初始超参数个体，然后选取XGBoost领域内的经验参数组生成若干个第二初始超参数个体，合并第一初始超参数个体和第二初始超参数个体构成初始鲸鱼种群； 所述自适应切换概率机制为： 采用随迭代次数线性下降的自适应概率值的鲸鱼优化算法进行位置更新，以在全局探索和局部开发之间保持平衡；其中，所述自适应概率值的公式为： ； 其中，为当前迭代次数的自适应概率值；、分别为初始概率值、最终概率值；为最大迭代次数； 在全局探索阶段，即当随机数时,通过随机游走搜索猎物，进行位置更新； 在局部开发阶段，即当随机数时,鲸鱼围绕当前最优参数组合进行包围和螺旋更新； 运行优化器，迭代计算每个个体的目标函数、自适应概率值与位置更新，每代保留最优个体，直到达到最大迭代次数，得到的最终最优个体即为XGBoost的最优参数组合； 基于所述最优参数组合进行多任务元学习训练与自适应集成模型预测，得到训练好的建筑能耗预测模型，具体包括： 选择一个基础预测器作为主预测模型，对其输出层进行改进，使其具备三个输出头，分别为：用于输出连续的能耗预测值的短期能耗预测头、用于输出趋势类别概率分布的长期能耗趋势头以及用于输出二分类任务概率的实时异常诊断头，同时采用加权联合总损失函数进行多任务联合训练； 基于所述增强特征集，训练一组针对不同建筑运行工况的专门模型； 将主预测模型及专门模型纳入集成框架，采用加权融合策略，整合各模型的预测结果，得到训练好的建筑能耗预测模型； 将实时获取的能耗数据输入训练好的建筑能耗预测模型，输出预测结果，并持续优化模型参数。

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厦门理工学院，其通讯地址为：361024 福建省厦门市集美区理工路600号；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”。

以上内容由龙图腾AI智能生成。