CN104299052A - 一种基于人工蜂群和神经网络的建筑能耗预测方法 - Google Patents

Abstract

本发明提出一种基于人工蜂群和神经网络的建筑能耗预测方法。方法中，先利用人工蜂群算法进行神经网络的权值优化，然后利用优化后的神经网络进行建筑能耗的预测。人工蜂群算法是一种模拟蜜蜂群体的寻优算法，算法的控制参数少、易于实现、计算方便，与粒子群、遗传算法等智能计算方法相比，该算法的突出优点是每次迭代过程中都进行全局和局部搜索，大大增加了找到最优解的概率，并在较大程度上避免了局部最优，增强了全局收敛性。因此，采用人工蜂群算法优化神经网络的初始权值，在提高神经网络预测建筑能耗精度的同时，更能够明显改善目前神经网络权值优化问题中存在的不足。

Description

一种基于人工蜂群和神经网络的建筑能耗预测方法

技术领域

本发明涉及一种建筑能耗的预测方法，属于建筑能耗预测领域，具体说涉及一种基于人工蜂群和神经网络的建筑能耗预测方法。

背景技术

随着经济的飞速发展，我国建筑规模越来越大，其耗能高的问题日益严重，做好其节能管理、能耗监测，对建筑的节能规划具有重要的意义。建筑节能是当今城市建设的重点，对建筑能耗的预测和分析评估是实现建筑节能的前提和基础。神经网络是典型的智能计算方法，由于该算法具有简单，可塑，较高的自学习、自组织和自适应能力以及强大的非线性映射能力，主要用于实现预测功能。但又因其是一种梯度下降搜索方法，收敛速度慢，易于陷入误差函数的局部极值点，对较大搜索空间，不能有效的搜索到全局极小点，以至于造成预测精度低的结果。

为了克服上述缺点，进行神经网络的权值优化至关重要。目前，许多专家学者都对此进行了大量研究。例如，在文章“基于蚁群优化神经网络的支持向量机预测方法研究”中，作者利用蚁群算法训练神经网络的权值和阈值，从而克服了神经网络预测精度低的缺点，但是蚁群算法搜索到一定程度以后，所有个体发现的解完全一致，不能对解空间进一步搜索，不利于发现更好的解。文章“组合式粒子群神经网络的96点负荷建模的应用”中，作者针对原始BP神经网络训练时间长，且易陷入局部极小值的不足，把粒子群算法融入到神经网络中，利用粒子群具有的训练速度快、精度高的优点，训练神经网络的权值和阈值，有效地提高神经网络的泛化能力和学习能力，改善神经网络的预测精度，但是，粒子群算法本身的全局收敛性有待进一步提高。文章“遗传算法在神经网络权值优化中的应用”中，作者利用遗传算法进行神经网络的权值优化，能够有效的克服陷入局部极小值的不足，提高全局搜索能力，但是训练时间较长，不利于神经网络的应用。

在以上技术中，尽管用蚁群算法、粒子群算法和遗传算法进行神经网络的权值优化，都能在一定程度上克服神经网络易陷入局部极小值的不足，有效的提高神经网络的泛化能力和学习能力，改善神经网络的预测精度，但是，也都明显存在着不足。蚁群算法在优化过程中，当搜索到一定程度以后，所有个体发现的解完全一致，不能对解空间进一步搜索，不利于发现更好的解。粒子群算法在优化过程中，自身的全局收敛性不是很好，有待进一步提高。而遗传算法优化神经网络的时间过长，不利于实际应用。

发明内容

针对上述建筑能耗预测中存在的不足，本发明提出一种基于人工蜂群和神经网络的建筑能耗预测方法。方法中，先利用人工蜂群算法进行神经网络的权值优化，然后利用优化后的神经网络进行建筑能耗的预测。人工蜂群算法是一种模拟蜜蜂群体的寻优算法，算法的控制参数少、易于实现、计算方便，与粒子群、遗传算法等智能计算方法相比，该算法的突出优点是每次迭代过程中都进行全局和局部搜索，大大增加了找到最优解的概率，并在较大程度上避免了局部最优，增强了全局收敛性。因此，采用人工蜂群算法优化神经网络的初始权值，在提高神经网络预测建筑能耗精度的同时，更能够明显改善目前神经网络权值优化问题中存在的不足。

本发明提出的一种基于人工蜂群和神经网络的建筑能耗预测方法，主要包含以下步骤：

第一步：将建筑t时刻之前一段时期的实测负荷和温度作为神经网络的输入样本集，将t时刻的建筑负荷作为神经网络的输出样本集，并确定神经网络的输入变量个数，输出变量个数和隐层神经元个数；

第二步：设置人工蜂群的解集为X_i＝(w_1i,w_2i,b_1i,b_2i)，人工蜂群规模为N_s，最大迭代次数为t_max，i＝(1,2,......,N_s)，其中w₁和b₁分别对应神经网络输入层与隐层之间的权值和阈值，w₂和b₂分别对应神经网络隐层与输出层之间的权值和阈值，w_1i,w_2i,b_1i,b_2i分别为w₁,w₂,b₁,b₂在解集X_i中对应的分量，对每个解集进行初始化，得到蜂群X_i(t)t＝(0,1,……,t_max)的初始解集X_i(0)＝(w_1i(0),w_2i(0),b_1i(0),b_2i(0))(i＝1,2,......,N_s)；

第三步：对于每个解集X_i(t)，i＝(1,2,......,N_s)，把w_1i,w_2i,b_1i,b_2i作为神经网络的权值和阈值，并利用所述输入样本集和输出样本集进行神经网络训练，计算解集X_i(t)的适应度值fitness(X_i(t))，适应度值计算公式如下：

$\mathrm{fitenss}\left(X_i\left(t\right)\right)=1/\left[\underset{j=1}{\overset{k}{\mathrm{\Σ}}}{(y_j-y_j^{\′})}^2\right]$

其中，y_j为神经网络的目标输出值，y′_j为利用X_i(t)作为神经网络的权值和阈值时神经网络的实际输出值，k为神经网络测试样本的个数；

第四步：把上述所有解集的适应度值从大到小排列，按照适应度值大小进行引领峰、守望蜂和侦察蜂的划分，并记录蜂群的局部和全局最优值；

第五步：引领峰、守望蜂和侦察蜂分别进行邻域搜索产生新解，并进行解的替代；

第六步：如果迭代次数小于或等于最大迭代次数t_max，则重复第三步、第四步和第五步，否则输出蜂群的全局最优值，全局最优值代表神经网络的最优权值和阈值；

第七步：把得到的最优权值和阈值赋值给所述神经网络，进行神经网络的权值优化，利用所述神经网络进行建筑在t时刻的能耗预测。

附图说明

图1为本发明中人工蜂群优化神经网络权值的流程图。

具体实施方式

下面结合具体实施例，参照附图对本发明的具体实施方式进行详细的说明。

参照附图1，本发明的基于人工蜂群和神经网络的建筑能耗预测方法主要包含以下步骤：

步骤一：确定神经网络的输入样本集合A，输出样本集合B，输入层变量的个数m，隐层神经元的个数s，输出层变量的个数n。

该实施例为深圳市某一办公建筑，收集最近一年以下参量的数据。实施例中神经网络的输入层变量个数为8个，即m＝8,分别为(t-24)时刻的温度、(t-24)时刻的实测负荷、(t-48)时刻的温度、(t-48)时刻的实测负荷、(t-72)时刻的温度、(t-72)的实测负荷、(t-168)时刻的温度、(t-168)时刻的实测负荷。输出层变量个数为1个，即n＝1，为t时刻的建筑负荷。网络隐层神经元的个数为4，即s＝4。输入样本集合A为输入层8个变量的最近一年的数据集合，输出样本集合B为t时刻建筑负荷变量的最近一年的数据集合。

步骤二：初始化人工蜂群解集。

设置人工蜂群的解集为X_i＝(w_1i,w_2i,b_1i,b_2i)，设定人工蜂群规模N_s＝15，最大迭代次数t_max＝100，i＝(1,2,......,N_s)，w₁为s×m阶矩阵，对应神经网络输入层和隐层间的权值，w₂为n×s阶矩阵，对应神经网络隐层和输出层间的权值，b₁为s×1阶矩阵，对应神经网络输入层和隐层间的阈值，b₂为n×1阶矩阵，对应神经网络隐层和输出层间的阈值，w_1i,w_2i,b_1i,b_2i分别为w₁,w₂,b₁,b₂在解集X_i中对应的分量。对每个解的第0代，即X_i(0)(i＝1,2,......,N_s)进行初始化，即分别将w₁，w₂，b₁和b₂初始化为所有元素介于0和1之间的矩阵w₁(0)，w₂(0)，b₁(0)和b₂(0)，于是得到蜂群的初始解集X_i(0)＝(w_1i(0),w_2i(0),b_1i(0),b_2i(0))(i＝1,2,......,N_s)。

步骤三：计算适应度值。

人工蜂群的每个解集X_i(t)，t＝(0,1,2,……，t_max)都对应着神经网络的一组权值和阈值，把w_1i,w_2i,b_1i,b_2i赋值给神经网络的权值和阈值并进行网络训练。其中，输入样本A和输出样本B的80％分别作为网络训练样本的输入和输出，其余的20％分别作为网络测试样本的输入和输出。通过计算神经网络的训练误差的倒数来计算解集X_i(t)的适应度值fitness(X_i(t))。适应度值计算公式如下

$\mathrm{fitenss}\left(X_i\left(t\right)\right)=1/\left[\underset{j=1}{\overset{k}{\mathrm{\Σ}}}{(y_i-y_j^{\′})}^2\right]$

其中，y_j为神经网络的目标输出值，是神经网络测试样本中的元素；y′_j为利用X_i(t)作为神经网络的权值和阈值时，由神经网络的实际输出值，k为神经网络测试样本的个数。

步骤四：划分蜂群种类并记录局部和全局最优值。

把第t代中每个解集X_i(t)的适应度值fitness(X_i(t))按照从大到小进行排序。适应度值最大的前7个X_i(t)被选为引领蜂，即引领蜂的个数为N_e＝7；紧接着后面7个X_i(t)被选为守望蜂，即守望蜂的个数为N_u＝7；最后一个被选为侦察蜂，即侦察蜂的个数为1。设定bp_i(t)为蜂群的局部最优值，即每只引领蜂当前发现的最好位置，即每只引领蜂对应的食物源的位置X_i(t)，表示为bp_i(t)＝X_i(t)，i＝1,2,......,N_e，并且bp_ij(t)＝x_ij(t)，其中bp_ij(t)为bp_i(t)的第j维元素；bg(t)设定为蜂群的全局最优值，即群体中的全局最好位置，并且

$\mathrm{fitenss}\left(\mathrm{bg}\left(t\right)\right)=\max \{\mathrm{fitness}\left({\mathrm{bp}}_1\left(t\right)\right),\mathrm{fitness}\left({\mathrm{bp}}_2\left(t\right)\right),......,\mathrm{fitness}\left({\mathrm{bp}}_{N_e}\left(t\right)\right)\},$ 记录当前第t代人工蜂群的的局部最优值bp_i(t)和全局最优值bg(t)。

步骤五：引领蜂、守望蜂和侦察蜂分别进行邻域搜索产生新解，并进行解的替代。

(1)引领蜂进行邻域搜索，产生新解，并按如下公式进行解的替代。

$\left\{\begin{array}{cc}{x}_{\mathrm{ij}}(t+1)=x_{\mathrm{ij}}\left(t\right)+c_1{r}_a(b{p}_{\mathrm{ij}}\left(t\right)-x_{\mathrm{ij}}\left(t\right))+c_2{r}_b(b{g}_j\left(t\right)-x_{\mathrm{ij}}\left(t\right))& \mathrm{fitness}\left(x_{\mathrm{ij}}(t+1)\right)>\mathrm{fitness}\left(x_{\mathrm{ij}}\left(t\right)\right)\\ x_{\mathrm{ij}}(t+1)=x_{\mathrm{ij}}\left(t\right),& \mathrm{fitness}\left(x_{\mathrm{ij}}(t+1)\right)\≤\mathrm{fitness}\left(x_{\mathrm{ij}}\left(t\right)\right)\end{array}\right.$

其中，x_ij(t+1)为第t+1代引领蜂产生的新解，x_ij(t)为第t代引领蜂的解；bp_i(t)为每只引领蜂第t代发现的最好位置，即局部最优值，bp_ij(t)为bp_i(t)的元素；bg(t)为蜂群第t代发现的最好位置，即全局最优值，bg_j(t)为bg(t)的元素，i＝1,2,......,N_e，j＝1,2,......,D(D为解集X_i(t)的维数)。r_a和r_b是[-1,1]之间的随机数，c₁和c₂为学习因子，设定c₁＝0.8-0.4t/t_max，c₂＝0.2+0.7t/t_max。

(2)守望蜂进行邻域搜索产生新解，并按下式进行解的替代。

各守望蜂依照引领蜂群适应度值的大小选择一个引领蜂，并在该引领蜂邻域内搜索产生新解，进行解的替代。每个引领蜂被选择的概率为

$p_i=\mathrm{fitness}\left(X_i\right)/\underset{n=1}{\overset{N_e}{\mathrm{\Σ}}}\mathrm{fitness}\left(X_n\right),i=\mathrm{1,2},......,N_e$

各守望蜂在选定的引领蜂邻域范围内搜索并产生新解，按如下公式进行解的替代。

$\left\{\begin{array}{cc}{x}_{\mathrm{ij}}(t+1)=x_{\mathrm{ij}}\left(t\right)+{\mathrm{\φ}}_{\mathrm{ij}}(x_{\mathrm{ij}}\left(t\right)-x_{\mathrm{kj}}\left(t\right)),& \mathrm{fitness}\left(x_{\mathrm{ij}}(t+1)\right)>\mathrm{fitness}\left(x_{\mathrm{ij}}\left(t\right)\right)\\ x_{\mathrm{ij}}(t+1)=x_{\mathrm{ij}}\left(t\right),& \mathrm{fitness}\left(x_{\mathrm{ij}}(t+1)\right)\≤\mathrm{fitness}\left(x_{\mathrm{ij}}\left(t\right)\right)\end{array}\right.$

其中，x_ij(t+1)为第t+1代守望蜂产生的新解，x_ij(t)为第t代守望蜂的解；φ_ij是[-1,1]间的随机数，X_k为守望蜂根据概率p_i选择的引领蜂，x_kj为X_k的第j维元素，i＝1,2,......,N_u，j＝1,2,......,D。

(3)侦察蜂根据以下公式进行随机搜索，产生新解并按如下公式进行解的替代。

$\left\{\begin{array}{cc}{x}_{\mathrm{ij}}(t+1)=\mathrm{rand}\left[\mathrm{0,1}\right],& \mathrm{fitness}\left(x_{\mathrm{ij}}(t+1)\right)>\mathrm{fitness}\left(x_{\mathrm{ij}}\left(t\right)\right)\\ x_{\mathrm{ij}}(t+1)=x_{\mathrm{ij}}\left(t\right),& \mathrm{fitness}\left(x_{\mathrm{ij}}(t+1)\right)\≤\mathrm{fitness}\left(x_{\mathrm{ij}}\left(t\right)\right)\end{array}\right.$

其中，x_ij(t+1)为第t+1代侦察蜂产生的新解，x_ij(t)为第t代侦察蜂的解；rand[0,1]为介于0和1之间的随机数，i＝1，j＝1,2,......,D。

步骤六：判断结束条件。

如果迭代次数t小于或等于最大迭代次数t_max，则令t＝t+1，返回步骤三；否则结束循环，输出蜂群第t代的全局最优值。

步骤七：预测建筑能耗

由步骤二可知，蜂群的每一个解都对应着神经网络的一组权值和阈值，所以，蜂群的全局最优值就对应着神经网络的一组最优权值和阈值。把输出的全局最优值赋值给待优化神经网络的权值和阈值，实现神经网络的权值优化。最后，利用优化后的神经网络实现建筑能耗的预测。

本发明的基于人工蜂群和神经网络的建筑能耗预测方法，是利用人工蜂群算法对神经网络的权值进行优化，然后利用优化后的神经网络进行建筑能耗的预测。相对于其它智能算法来说，本发明把人工蜂群和神经网络算法相结合，在一定程度上克服了神经网络易陷入局部极小值的不足，有效的提高神经网络的泛化能力和学习能力，改善了神经网络的预测精度。

本发明中神经网络的权值优化采用人工蜂群算法，算法中人工蜂群的解设定为一组神经网络的权值和阈值，人工蜂群解的寻优过程就相当于神经网络权值的优化过程。

在引领蜂进行解的替代过程中，本发明采用随着迭代次数线性异步变化的学习因子，使得前期可以实现广泛的搜索，增加种群的多样性，后期有利于收敛到全局最优解。

Claims (5)

1.一种基于人工蜂群和神经网络的建筑能耗预测方法，主要包含以下步骤：

第一步：将建筑t时刻之前一段时期的实测负荷和温度作为神经网络的输入样本集，将t时刻的建筑负荷作为神经网络的输出样本集，并确定神经网络的输入变量个数，输出变量个数和隐层神经元个数；

第二步：设置人工蜂群的解集为X_i＝(w_1i,w_2i,b_1i,b_2i)，人工蜂群规模为N_s，最大迭代次数为t_max，i＝(1,2,......,N_s)，其中w₁和b₁分别对应神经网络输入层与隐层之间的权值和阈值，w₂和b₂分别对应神经网络隐层与输出层之间的权值和阈值，w_1i,w_2i,b_1i,b_2i分别为w₁,w₂,b₁,b₂在解集X_i中对应的分量，对每个解集进行初始化，得到蜂群X_i(t)，其中t是指第t代，t＝(0,1,……,t_max)的初始解集X_i(0)＝(w_1i(0),w_2i(0),b_1i(0),b_2i(0))(i＝1,2,......,N_s)；

第三步：对于每个解集X_i(t)，i＝(1,2,......,N_s)，把w_1i,w_2i,b_1i,b_2i作为神经网络的权值和阈值，并利用所述输入样本集和输出样本集进行神经网络训练，计算解集X_i(t)的适应度值fitness(X_i(t))，适应度值计算公式如下：

$\mathrm{fitness}\left(X_i\left(t\right)\right)=1/\left[\underset{j=1}{\overset{k}{\mathrm{\Σ}}}{(y_j-y_j^{\′})}^2\right]$

其中，y_j为神经网络的目标输出值，y′_j为利用X_i(t)作为神经网络的权值和阈值时神经网络的实际输出值，k为神经网络测试样本的个数；

第四步：把上述所有解集的适应度值从大到小排列，按照适应度值大小进行引领峰、守望蜂和侦察蜂的划分，并记录蜂群的局部和全局最优值；

第五步：引领峰、守望蜂和侦察蜂分别进行邻域搜索产生新解，并进行解的替代；

第六步：如果迭代次数小于或等于最大迭代次数t_max，则重复第三步、第四步和第五步，否则输出蜂群的全局最优值，全局最优值代表神经网络的最优权值和阈值；

第七步：把得到的最优权值和阈值赋值给所述神经网络，进行神经网络的权值优化，利用所述神经网络进行建筑在t时刻的能耗预测。

2.如权利要求1所述的建筑能耗预测方法，所述的神经网络的输入样本集为(t-24)时刻的温度、(t-24)时刻的建筑实测负荷、(t-48)时刻的温度、(t-48)时刻的建筑实测负荷、(t-72)时刻的温度、(t-72)时刻的建筑实测负荷、(t-168)时刻的温度、(t-168)时刻的建筑实测负荷。

3.如权利要求1所述的建筑能耗预测方法，在第二步中，设定人工蜂群规模N_s＝15。

4.如权利要求3所述的建筑能耗预测方法，在第四步中，把每个解集X_i(t)的适应度值fitness(X_i(t))按照从大到小进行排序，适应度值最大的前7个X_i(t)被选为引领蜂，即引领蜂的个数为N_e＝7；紧接着后面7个X_i(t)被选为守望蜂，即守望蜂的个数为N_u＝7；最后一个被选为侦察蜂，即侦察蜂的个数为1，设定bp_i(t)为蜂群的局部最优值，即每只引领蜂对应的食物源的位置X_i(t)，表示为bp_i(t)＝X_i(t)，i＝1,2,......,N_e，并且bp_ij(t)＝x_ij(t)，其中bp_ij(t)为bp_i(t)的第j维元素；bg(t)设定为蜂群的全局最优值，即群体中的全局最好位置， $\mathrm{bg}\left(t\right)\∈({\mathrm{bp}}_1\left(t\right),{\mathrm{bp}}_2\left(t\right),......,{{\mathrm{bp}}_N}_e\left(t\right)),$ 并且

$\mathrm{fitness}\left(\mathrm{bg}\left(t\right)\right)=\max \{\mathrm{fitness}\left({\mathrm{pb}}_1\left(t\right)\right),\mathrm{fitness}\left({\mathrm{bp}}_2\left(t\right)\right),......,,\mathrm{fitness}\left({\mathrm{bp}}_{N_e}\left(t\right)\right)\}.$

5.如权利要求1所述的建筑能耗预测方法，在第五步中，

(1)引领蜂进行邻域搜索，产生新解，并按如下公式1进行解的替代，

$\left\{\begin{array}{cc}{x}_{\mathrm{ij}}(t+1)=x_{\mathrm{ij}}\left(t\right)+c_1{r}_a({\mathrm{bp}}_{\mathrm{ij}}\left(t\right)-x_{\mathrm{ij}}\left(t\right))+c_2{r}_b({\mathrm{bg}}_j\left(t\right)-x_{\mathrm{ij}}\left(t\right)),& \mathrm{fitness}\left(x_{\mathrm{ij}}(t+1)\right)>\mathrm{fitness}\left(x_{\mathrm{ij}}\left(t\right)\right)\\ x_{\mathrm{ij}}(t+1)=x_{\mathrm{ij}}\left(t\right),& \mathrm{fitness}\left(x_{\mathrm{ij}}(t+1)\right)\≤\mathrm{fitness}\left(x_{\mathrm{ij}}\left(t\right)\right)\end{array}\right.$

(公式1)

其中，x_ij(t+1)为第t+1代引领蜂产生的新解，x_ij(t)为第t代引领蜂的解；bp_i(t)为每只引领蜂第t代发现的最好位置，即局部最优值，bp_ij(t)为bp_i(t)的元素；bg(t)为蜂群第t代发现的最好位置，即全局最优值，bg_j(t)为bg(t)的元素，i＝1,2,......,N_e，j＝1,2,......,D(D为解集X_i(t)的维数)，r_a和r_b是[-1,1]之间的随机数，c₁和c₂为学习因子，设定c₁＝0.8-0.4t/t_max，c₂＝0.2+0.7t/t_max；

(2)各守望蜂在选定的引领蜂邻域范围内搜索并产生新解，按公式2进行解的替代；

$\left\{\begin{array}{cc}{x}_{\mathrm{ij}}(t+1)=x_{\mathrm{ij}}\left(t\right)+{{\mathrm{\φ}}_{\mathrm{ij}}(x}_{\mathrm{ij}}\left(t\right)-x_{\mathrm{kj}}\left(t\right)),& \mathrm{fitness}\left(x_{\mathrm{ij}}(t+1)\right)>\mathrm{fitness}\left(x_{\mathrm{ij}}\left(t\right)\right)\\ x_{\mathrm{ij}}(t+1)=x_{\mathrm{ij}}\left(t\right),& \mathrm{fitness}\left(x_{\mathrm{ij}}(t+1)\right)\≤\mathrm{fitness}\left(x_{\mathrm{ij}}\left(t\right)\right)\end{array}\right.$    (公式2)

其中，x_ij(t+1)为第t+1代守望蜂产生的新解，x_ij(t)为第t代守望蜂的解；φ_ij是[-1,1]间的随机数，X_k为守望蜂根据概率p_i选择的引领蜂，x_kj为X_k的第j维元素，i＝1,2,......,N_u，j＝1,2,......,D；

(3)侦察蜂根据公式3进行随机搜索，产生新解并按如下公式进行解的替代，

$\left\{\begin{array}{cc}{x}_{\mathrm{ij}}(t+1)=\mathrm{rand}\left[\mathrm{0,1}\right],& \mathrm{fitness}\left(x_{\mathrm{ij}}(t+1)\right)>\mathrm{fitness}\left(x_{\mathrm{ij}}\left(t\right)\right)\\ x_{\mathrm{ij}}(t+1)=x_{\mathrm{ij}}\left(t\right),& \mathrm{fitness}\left(x_{\mathrm{ij}}(t+1)\right)\≤\mathrm{fitness}\left(x_{\mathrm{ij}}\left(t\right)\right)\end{array}\right.$    (公式3)

其中，x_ij(t+1)为第t+1代侦察蜂产生的新解，x_ij(t)为第t代侦察蜂的解；rand[0,1]为介于0和1之间的随机数，i＝1，j＝1,2,......,D。