随着电气化的加速发展，预计2024年全球电力需求将显著增加[1]。根据联合国环境规划署（UNEP）和全球建筑与建设联盟[2]的数据，全球建筑行业仍然是气候危机的主要贡献者，占全球能源消耗的32%和二氧化碳排放的34%。一份报告[3]详细分析了全球能源需求和供应的关键趋势，指出2024年全球能源需求预计增长2.2%，其中电力需求增长4.3%，远高于全球GDP的3.2%增长率。此外，智能电网在管理能源需求、解决环境问题和确保能源安全方面发挥着重要作用。准确的能耗预测对于实现这些目标至关重要[4]。
目前主要有三种类型的建筑负荷预测模型。第一类是基于物理的模型，通常称为“白盒”模型。这些模型在准确识别不同建筑群体的最常见特征后，模拟代表性建筑[5]。第二类是灰盒模型。当只有部分系统信息可用时，我们将其称为灰箱系统[6]。最后，第三类是数据驱动模型。在这些模型中，主要使用时间序列统计分析和机器学习算法来预测建筑能耗[7]。这些模型通常被称为“黑盒模型”，它们不依赖于明确的物理机制，而是通过映射输入和输出数据之间的关系来进行建模。
现有的超参数选择方法可以分为手动搜索和自动搜索[8]。手动搜索通常旨在在运行时间和内存预算的限制下最小化泛化误差。然而，手动搜索依赖于专家知识且可重复性较差。为了解决这个问题，提出了自动搜索[9]。当超参数数量较少时，网格搜索是一种流行的超参数搜索方法。网格搜索的一个明显问题是，随着超参数数量的增加，处理负担呈指数级增长。为了缓解这一限制，引入了随机搜索作为一种更方便的方法，可以更快地收敛到一组好的超参数值[10]。
与传统和基于模型的优化方法相比，元启发式算法具有以下优势：强大的全局搜索能力，避免陷入局部最优解[11]；适用于离散和混合超参数[12]；不需要梯度信息，适用于黑盒优化[13]。
在过去十年中，人工智能技术的应用范围大幅扩展[14]。数据驱动方法使AI模型能够准确提取特征并预测能耗。表1列出了该领域的代表性机器学习研究。选择了三种监督式机器学习方法作为预测模型，并通过一个实际案例评估了不同模型的适用性[15]。此外，还提出了一种基于时空注意力（STA）、贝叶斯优化（BO）和LSTM的方法，证实了所提方法的有效性[16]。建筑能耗数据通常与时间相关，受到过去和未来特征的影响。因此，一些学者提出了结合DRN的梯度稳定性和BiLSTM的非线性时间建模能力的混合架构[17]。
多任务学习通过权重共享机制促进了任务之间的相互学习，从而有效解决了复杂问题[18]。为了提高模型的预测能力，许多学者结合多种模型形成新的混合预测模型[19]。为了模拟复杂的时间依赖性，一些学者结合了CNN和GRN[20]。尽管这些模型展示了显著的预测性能，但在利用先前数据中嵌入的关键信息方面仍存在局限性。因此，相关学者提出了MTL-CNN-BiLSTM预测模型，以克服时域分析预测精度的不稳定性[21]。
如表1所示，当前研究主要集中在应用不同的神经网络模型进行建筑能耗预测。无论模型类型如何，超参数的配置都是预测准确性的关键[22]。
当前的研究空白如下：
（1）LSTM和BiLSTM是建筑能耗预测研究中常用的模型。然而，基于LSTM的模型依赖于固定的结构来处理时间序列数据，难以有效提取关键局部特征。尽管BiLSTM可以通过双向信息流增强时间序列建模能力，但在训练过程中仍存在局部特征捕获不足或梯度消失等问题。
（2）目前大多数研究侧重于使用元启发式算法优化模型超参数，但通常只关注找到全局最优解，缺乏对不同超参数对模型影响的系统分析。
本研究的主要进展总结如下：
（1）通过Good Point Set（GPS）初始化、Golden Sine和差分进化（DE）机制优化的IBKA可以有效缓解BKA的过早收敛问题。
（2）IBKA被应用于优化CNN-BiLSTM-Attention模型的超参数，提高了模型的预测性能。
（3）研究评估了不同超参数配置对预测精度的影响。IBKA被用来优化CNN-BiLSTM-Attention模型的3到6个参数，确定了最佳超参数组合。
