基于鲸鱼优化算法与双BiLSTM注意力Q网络的建筑能耗与碳排放智能预测模型研究

　　为解决建筑能耗与碳排放预测精度不足的难题，研究人员提出创新性混合预测框架WXGB-DBAQN（鲸鱼优化算法-极限梯度提升双BiLSTM注意力Q网络）。该研究通过WOA-XGBoost特征优化和DBAQN深度强化学习模型，实现MAE降低11.5%、预测精度提升0.35%，为动态建筑环境下的碳管理提供可靠技术方案。

　　

全球气候变化背景下，建筑能耗占全球能源消耗的40%以上，其碳排放直接关联极端天气频发等环境问题。传统预测方法难以应对能耗数据的多因素干扰和动态波动特性，而现有AI模型在特征提取和时序建模方面存在梯度消失、空间划分粗糙等缺陷。针对这一挑战，研究人员开发了融合WOA-XGBoost特征工程与DBAQN深度强化学习的混合预测框架。

研究团队采用三阶段技术路线：首先通过平滑技术处理原始能耗数据异常值和周期波动，利用碳排放系数转换数据格式；接着采用鲸鱼优化算法(WOA)优化XGBoost超参数，实现多类别概率特征提取和数据子空间划分；最终构建双双向长短期记忆网络(BiLSTM)注意力Q网络(DBAQN)，通过双重Q值更新机制和注意力权重分配提升动态环境下的预测鲁棒性。实验数据源自公开电力消耗数据集，按7:3比例划分训练测试集。

相关工作中，研究对比了BIM系统模拟等传统方法，指出其依赖静态假设的局限性。方法论部分揭示WXGB-DBAQN的创新性：WOA算法将特征空间划分为128个子空间，XGBoost筛选出温度、湿度等12维关键特征；DBAQN模型采用64单元BiLSTM层和8头注意力机制，使MAE降至0.87kWh/m²
。数据集章节显示模型在非稳态数据下的R²
达0.983，显著优于LSTM、GRU等基线模型。

结论证实该框架突破传统方法对平稳数据的依赖，首次实现动态建筑环境下碳排放的实时精准预测。讨论部分指出当前局限：数据源仅考虑电力相关排放，未来需整合建筑材料等多元因素。作者Xiang Ma等人在CRediT声明中强调，该成果为《Expert Systems with Applications》提供了首个结合WOA空间划分与DBAQN强化学习的建筑碳排预测范式，其开源代码（GitHub/wjzs123/XGB-DRL）将推动智能城市能源管理系统的发展。