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
一种基于人工蜂群和神经网络的建筑能耗预测方法 Download PDFInfo
- Publication number
- CN104299052A CN104299052A CN201410535170.XA CN201410535170A CN104299052A CN 104299052 A CN104299052 A CN 104299052A CN 201410535170 A CN201410535170 A CN 201410535170A CN 104299052 A CN104299052 A CN 104299052A
- Authority
- CN
- China
- Prior art keywords
- neural network
- fitness
- honeybee
- bee colony
- search
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 90
- 238000005265 energy consumption Methods 0.000 title claims abstract description 27
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000005457 optimization Methods 0.000 claims abstract description 14
- 238000004364 calculation method Methods 0.000 claims abstract description 6
- 241000256844 Apis mellifera Species 0.000 claims description 103
- 238000005259 measurement Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 5
- 230000001537 neural effect Effects 0.000 claims description 4
- 210000002569 neuron Anatomy 0.000 claims description 4
- 230000002068 genetic effect Effects 0.000 abstract description 5
- 239000002245 particle Substances 0.000 abstract description 5
- 238000012804 iterative process Methods 0.000 abstract description 2
- 230000007935 neutral effect Effects 0.000 abstract 3
- 230000007547 defect Effects 0.000 abstract 1
- 230000007812 deficiency Effects 0.000 description 7
- 239000011159 matrix material Substances 0.000 description 5
- 238000004134 energy conservation Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000002986 genetic algorithm method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/08—Construction
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Life Sciences & Earth Sciences (AREA)
- Strategic Management (AREA)
- General Engineering & Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Marketing (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Physiology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Primary Health Care (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Feedback Control In General (AREA)
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
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Xi=(w1i,w2i,b1i,b2i),人工蜂群规模为Ns,最大迭代次数为tmax,i=(1,2,......,Ns),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,w1i,w2i,b1i,b2i分别为w1,w2,b1,b2在解集Xi中对应的分量,对每个解集进行初始化,得到蜂群Xi(t)t=(0,1,……,tmax)的初始解集Xi(0)=(w1i(0),w2i(0),b1i(0),b2i(0))(i=1,2,......,Ns);
第三步:对于每个解集Xi(t),i=(1,2,......,Ns),把w1i,w2i,b1i,b2i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Xi(t)的适应度值fitness(Xi(t)),适应度值计算公式如下:
其中,yj为神经网络的目标输出值,y′j为利用Xi(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tmax,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Xi=(w1i,w2i,b1i,b2i),设定人工蜂群规模Ns=15,最大迭代次数tmax=100,i=(1,2,......,Ns),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,w1i,w2i,b1i,b2i分别为w1,w2,b1,b2在解集Xi中对应的分量。对每个解的第0代,即Xi(0)(i=1,2,......,Ns)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Xi(0)=(w1i(0),w2i(0),b1i(0),b2i(0))(i=1,2,......,Ns)。
步骤三:计算适应度值。
人工蜂群的每个解集Xi(t),t=(0,1,2,……,tmax)都对应着神经网络的一组权值和阈值,把w1i,w2i,b1i,b2i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Xi(t)的适应度值fitness(Xi(t))。适应度值计算公式如下
其中,yj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Xi(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Xi(t)的适应度值fitness(Xi(t))按照从大到小进行排序。适应度值最大的前7个Xi(t)被选为引领蜂,即引领蜂的个数为Ne=7;紧接着后面7个Xi(t)被选为守望蜂,即守望蜂的个数为Nu=7;最后一个被选为侦察蜂,即侦察蜂的个数为1。设定bpi(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Xi(t),表示为bpi(t)=Xi(t),i=1,2,......,Ne,并且bpij(t)=xij(t),其中bpij(t)为bpi(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
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。
其中,xij(t+1)为第t+1代引领蜂产生的新解,xij(t)为第t代引领蜂的解;bpi(t)为每只引领蜂第t代发现的最好位置,即局部最优值,bpij(t)为bpi(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,bgj(t)为bg(t)的元素,i=1,2,......,Ne,j=1,2,......,D(D为解集Xi(t)的维数)。ra和rb是[-1,1]之间的随机数,c1和c2为学习因子,设定c1=0.8-0.4t/tmax,c2=0.2+0.7t/tmax。
(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
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。
其中,xij(t+1)为第t+1代守望蜂产生的新解,xij(t)为第t代守望蜂的解;φij是[-1,1]间的随机数,Xk为守望蜂根据概率pi选择的引领蜂,xkj为Xk的第j维元素,i=1,2,......,Nu,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。
其中,xij(t+1)为第t+1代侦察蜂产生的新解,xij(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tmax,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Xi=(w1i,w2i,b1i,b2i),人工蜂群规模为Ns,最大迭代次数为tmax,i=(1,2,......,Ns),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,w1i,w2i,b1i,b2i分别为w1,w2,b1,b2在解集Xi中对应的分量,对每个解集进行初始化,得到蜂群Xi(t),其中t是指第t代,t=(0,1,……,tmax)的初始解集Xi(0)=(w1i(0),w2i(0),b1i(0),b2i(0))(i=1,2,......,Ns);
第三步:对于每个解集Xi(t),i=(1,2,......,Ns),把w1i,w2i,b1i,b2i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Xi(t)的适应度值fitness(Xi(t)),适应度值计算公式如下:
其中,yj为神经网络的目标输出值,y′j为利用Xi(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tmax,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Ns=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Xi(t)的适应度值fitness(Xi(t))按照从大到小进行排序,适应度值最大的前7个Xi(t)被选为引领蜂,即引领蜂的个数为Ne=7;紧接着后面7个Xi(t)被选为守望蜂,即守望蜂的个数为Nu=7;最后一个被选为侦察蜂,即侦察蜂的个数为1,设定bpi(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Xi(t),表示为bpi(t)=Xi(t),i=1,2,......,Ne,并且bpij(t)=xij(t),其中bpij(t)为bpi(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
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,
(公式1)
其中,xij(t+1)为第t+1代引领蜂产生的新解,xij(t)为第t代引领蜂的解;bpi(t)为每只引领蜂第t代发现的最好位置,即局部最优值,bpij(t)为bpi(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,bgj(t)为bg(t)的元素,i=1,2,......,Ne,j=1,2,......,D(D为解集Xi(t)的维数),ra和rb是[-1,1]之间的随机数,c1和c2为学习因子,设定c1=0.8-0.4t/tmax,c2=0.2+0.7t/tmax;
(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;
其中,xij(t+1)为第t+1代守望蜂产生的新解,xij(t)为第t代守望蜂的解;φij是[-1,1]间的随机数,Xk为守望蜂根据概率pi选择的引领蜂,xkj为Xk的第j维元素,i=1,2,......,Nu,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,
其中,xij(t+1)为第t+1代侦察蜂产生的新解,xij(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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410535170.XA CN104299052A (zh) | 2014-10-12 | 2014-10-12 | 一种基于人工蜂群和神经网络的建筑能耗预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410535170.XA CN104299052A (zh) | 2014-10-12 | 2014-10-12 | 一种基于人工蜂群和神经网络的建筑能耗预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104299052A true CN104299052A (zh) | 2015-01-21 |
Family
ID=52318773
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410535170.XA Pending CN104299052A (zh) | 2014-10-12 | 2014-10-12 | 一种基于人工蜂群和神经网络的建筑能耗预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104299052A (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104552887A (zh) * | 2015-01-30 | 2015-04-29 | 江南大学 | 基于自适应粒子群算法的塑料片材机能耗优化方法 |
CN106384153A (zh) * | 2016-09-18 | 2017-02-08 | 河海大学常州校区 | 基于ba‑bpnn数据融合的wsan执行器任务分配方法 |
CN106408343A (zh) * | 2016-09-23 | 2017-02-15 | 广州李子网络科技有限公司 | 一种基于bp神经网络的用户行为分析与预测的建模方法及其装置 |
CN107169594A (zh) * | 2017-04-25 | 2017-09-15 | 深圳大学 | 一种车辆路径问题的优化方法及装置 |
CN107430387A (zh) * | 2015-03-11 | 2017-12-01 | 西门子工业公司 | 建筑物自动化预测 |
CN108062583A (zh) * | 2016-11-08 | 2018-05-22 | 同济大学 | 一种面向节能减排的加热炉工艺参数寻优方法 |
CN109598386A (zh) * | 2018-12-12 | 2019-04-09 | 国网山东省电力公司临沂供电公司 | 一种基于深度学习的配网优化精准分析方法及系统 |
CN109683066A (zh) * | 2018-11-08 | 2019-04-26 | 山东康威通信技术股份有限公司 | 电力电缆典型缺陷局部放电信号识别方法 |
CN109919229A (zh) * | 2019-03-08 | 2019-06-21 | 杭州麦乐克科技股份有限公司 | 基于人工蜂群和神经网络的监测有害气体预测方法及系统 |
CN110501983A (zh) * | 2019-07-31 | 2019-11-26 | 农业农村部南京农业机械化研究所 | 基于批次式包衣机的专家控制系统及控制方法 |
CN111967079A (zh) * | 2020-08-17 | 2020-11-20 | 河海大学 | 一种基于改进的人工蜂群算法与bp神经网络的基坑变形预测方法 |
CN115017774A (zh) * | 2022-06-25 | 2022-09-06 | 三峡大学 | 利用改进abc算法确定热学参数的大坝温度预测方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104050505A (zh) * | 2013-03-11 | 2014-09-17 | 江南大学 | 一种基于带学习因子蜂群算法的多层感知器训练方法 |
-
2014
- 2014-10-12 CN CN201410535170.XA patent/CN104299052A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104050505A (zh) * | 2013-03-11 | 2014-09-17 | 江南大学 | 一种基于带学习因子蜂群算法的多层感知器训练方法 |
Non-Patent Citations (2)
Title |
---|
徐晨 等: ""基于ABS-BP神经网络的用电量预测研究"", 《计算机测量与控制》 * |
王慧颖 等: ""改进的人工蜂群算法在函数优化问题中的应用"", 《计算机工程与应用》 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104552887B (zh) * | 2015-01-30 | 2017-01-11 | 江南大学 | 基于自适应粒子群算法的塑料片材机能耗优化方法 |
CN104552887A (zh) * | 2015-01-30 | 2015-04-29 | 江南大学 | 基于自适应粒子群算法的塑料片材机能耗优化方法 |
CN107430387A (zh) * | 2015-03-11 | 2017-12-01 | 西门子工业公司 | 建筑物自动化预测 |
CN106384153B (zh) * | 2016-09-18 | 2019-03-15 | 河海大学常州校区 | 基于ba-bpnn数据融合的wsan执行器任务分配方法 |
CN106384153A (zh) * | 2016-09-18 | 2017-02-08 | 河海大学常州校区 | 基于ba‑bpnn数据融合的wsan执行器任务分配方法 |
CN106408343A (zh) * | 2016-09-23 | 2017-02-15 | 广州李子网络科技有限公司 | 一种基于bp神经网络的用户行为分析与预测的建模方法及其装置 |
CN108062583A (zh) * | 2016-11-08 | 2018-05-22 | 同济大学 | 一种面向节能减排的加热炉工艺参数寻优方法 |
CN107169594B (zh) * | 2017-04-25 | 2020-08-04 | 深圳大学 | 一种车辆路径问题的优化方法及装置 |
CN107169594A (zh) * | 2017-04-25 | 2017-09-15 | 深圳大学 | 一种车辆路径问题的优化方法及装置 |
CN109683066A (zh) * | 2018-11-08 | 2019-04-26 | 山东康威通信技术股份有限公司 | 电力电缆典型缺陷局部放电信号识别方法 |
CN109598386A (zh) * | 2018-12-12 | 2019-04-09 | 国网山东省电力公司临沂供电公司 | 一种基于深度学习的配网优化精准分析方法及系统 |
CN109919229A (zh) * | 2019-03-08 | 2019-06-21 | 杭州麦乐克科技股份有限公司 | 基于人工蜂群和神经网络的监测有害气体预测方法及系统 |
CN110501983A (zh) * | 2019-07-31 | 2019-11-26 | 农业农村部南京农业机械化研究所 | 基于批次式包衣机的专家控制系统及控制方法 |
CN110501983B (zh) * | 2019-07-31 | 2021-03-26 | 农业农村部南京农业机械化研究所 | 基于批次式包衣机的专家控制系统及控制方法 |
CN111967079A (zh) * | 2020-08-17 | 2020-11-20 | 河海大学 | 一种基于改进的人工蜂群算法与bp神经网络的基坑变形预测方法 |
CN115017774A (zh) * | 2022-06-25 | 2022-09-06 | 三峡大学 | 利用改进abc算法确定热学参数的大坝温度预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104299052A (zh) | 一种基于人工蜂群和神经网络的建筑能耗预测方法 | |
Xiong et al. | Parameter extraction of solar photovoltaic models using an improved whale optimization algorithm | |
Ye et al. | Predicting electricity consumption in a building using an optimized back-propagation and Levenberg–Marquardt back-propagation neural network: Case study of a shopping mall in China | |
Ding | A novel self-adapting intelligent grey model for forecasting China's natural-gas demand | |
CN109635506B (zh) | 自适应混沌树和种子算法的光伏电池模型参数辨识方法 | |
Wang et al. | Forecasting the residential solar energy consumption of the United States | |
WO2022095265A1 (zh) | 一种基于改进平衡优化器算法的光伏电池参数识别方法 | |
Kumar et al. | Parameter estimation of three-diode solar photovoltaic model using an Improved-African Vultures optimization algorithm with Newton–Raphson method | |
Wang et al. | Forecasting the seasonal natural gas consumption in the US using a gray model with dummy variables | |
CN103823504B (zh) | 一种基于最小二乘支持向量机的最大功率跟踪控制方法 | |
CN110222883A (zh) | 基于风驱动优化bp神经网络的电力系统负荷预测方法 | |
CN108090563A (zh) | 一种基于bp神经网络的电能量预测方法 | |
Weng et al. | An evolutionary Nelder–Mead slime mould algorithm with random learning for efficient design of photovoltaic models | |
CN111859796B (zh) | 基于纵横交叉和nm型的哈里斯鹰光伏模型参数优化方法 | |
CN104850891A (zh) | 一种时间序列预测的智能优化递归神经网络方法 | |
Li et al. | A k-nearest neighbor locally weighted regression method for short-term traffic flow forecasting | |
CN106296434A (zh) | 一种基于pso‑lssvm算法的粮食产量预测方法 | |
CN116345555A (zh) | 一种基于cnn-isca-lstm模型的短期光伏发电功率预测方法 | |
Huang et al. | Research of soil moisture content forecast model based on genetic algorithm BP neural network | |
CN108694475A (zh) | 基于混合模型的短时间尺度光伏电池发电量预测方法 | |
CN103489037B (zh) | 一种可发电风资源的预测方法 | |
CN111126827A (zh) | 一种基于bp人工神经网络的投入产出核算模型构建方法 | |
CN103778327A (zh) | 一种曲线拟合方法 | |
Li et al. | The application of deep neural network algorithm considering multi-dimensional meteorological feature extraction in short-term wind speed prediction | |
Yin et al. | Multi-step Prediction Algorithm of Traffic Flow Chaotic Time Series Based on Volterra Neural Network. |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20150121 |