CN105046355A - 一种基于改进思维进化算法的系统能耗建模方法 - Google Patents

Abstract

本发明公开了一种基于改进思维进化算法的系统能耗建模方法，包括以下步骤，步骤一，采集能耗数据，生成训练集；步骤二，构建人工神经网络；步骤三，以训练集中的元素为输入参数，确定人工神经网络的最优个体、权值和阈值；步骤四，训练人工神经网络；步骤五，对系统能耗节能型仿真预测。本发明提高了算法局部搜索能力和全局搜索能力，使神经网络的泛化性能更高，预测误差更低。

Description

一种基于改进思维进化算法的系统能耗建模方法

技术领域

本发明涉及一种基于改进思维进化算法的系统能耗建模方法，属于能耗建模领域。

背景技术

对用能系统进行建模制定能效控制提升策略的基础与前提。目前智能电网园区用能系统建模要求较高精确性、高效性，在此基础上才能确定各模型的冷、热、电输出特性，分析不同用能系统的运行方式并进行优化，用以得出适用于各用能系统的最优配置方案。因此需要设计一种准确快速有效的系统能耗建模方法。

发明内容

为了解决上述技术问题，本发明提供了一种基于改进思维进化算法的系统能耗建模方法。

为了达到上述目的，本发明所采用的技术方案是：

一种基于改进思维进化算法的系统能耗建模方法，包括以下步骤，

步骤一，采集能耗数据，生成训练集；

定义训练集为群体，训练集中的元素为个体，所述个体为单个能耗数据或者一组相关的能耗数据；

步骤二，构建人工神经网络；

步骤三，以训练集中的元素为输入参数，确定人工神经网络的最优个体、权值和阈值；

确定人工神经网络的最优个体的过程为，

A1)通过小生境技术，让群体中的各个子群体形成各自的搜索空间；

A2)在拥有各自子群体的小生境中执行单纯形搜索，获得该子群体中的最优个体；

A3)通过异化操作，获得所有子群体中的最优个体；

步骤四，训练人工神经网络；

步骤五，对系统能耗节能型仿真预测。

所述训练集中的元素输入人工神经网络之前，对有映射关系的参数进行编码，过程如下：

B1)定义有m个参数需要进行编码，分别为，

$x_1\∈\[U_{min}^{\left(1\right)},U_{max}^{\left(1\right)}\]$

$x_2\∈\[U_{min}^{\left(2\right)},U_{max}^{\left(2\right)}\]$

……

$x_m\∈\[U_{min}^{\left(m\right)},U_{max}^{\left(m\right)}\]$

其中，x_i为第i个需要进行编码的参数，i∈[1,m]， $\[U_{min}^{\left(i\right)},U_{max}^{\left(i\right)}\]$ 为x_i的步长，和分别为x_i步长的上下限；

B2)对上述参数进行编码后得，

x₁:l₁位， $U_1\∈\[0,2^{l_1}\];{\mathrm{\δ}}_1=\frac{U_{max}^{\left(1\right)}-U_{\min }^{\left(1\right)}}{2^{l_1}-1}$

x₂:l₂位， $U_2\∈\[0,2^{l_2}\];{\mathrm{\δ}}_1=\frac{U_{\max }^{\left(2\right)}-U_{min}^{\left(2\right)}}{2^{l_2}-1}$

……

x_m:l_m位， $U_m\∈\[0,2^{l_m}\];{\mathrm{\δ}}_1=\frac{U_{max}^{\left(m\right)}-U_{min}^{\left(m\right)}}{2^{l_m}-1}$

参数映射关系为：

$x_i=U_{min}^{\left(i\right)}+U_i{\mathrm{\δ}}_i$

其中，l_i表示x_i的代码位数，δ_i表示代码位数的值；

B3)将m个编码的参数连接起来；

表达式为，

l₁l₂l_m

|b₁₁b₁₂…b_1m||b₂₁b₂₂…b_2m||b_m1b_m2…b_mm|

U₁U₂......U_m

其中，b_ii′∈[0,1]_，i′∈[1,m]_。

通过小生境技术，让群体中的各个子群体形成各自的搜索空间的过程为，

C1)计算群体中所有个体的得分；

C2)将个体按照得分大小升序排列，保留前M个个体作为优胜者；

C3)以优胜者为中心，形成M个子群体；

所述子群体中包括优胜者以及以σ为方差散布在优胜者四周的个体；

C4)用小生境排挤算法，让各个子群体形成各自的搜索空间。

小生境排挤算法的过程为，

D1)选取M个子群体中的两个子群体；

D2)计算两个子群体的优胜者之间的距离；

d_jk＝||X_j-X_k||

其中，d_jk为两个子群体的优胜者之间的距离，X_j为第j个子群体的优胜者，X_k为第k个子群体的优胜者；

D3)判断d_jk是否小于小生境半径，如果不是，则转至步骤D5；如果是，则转至步骤D4；

D4)比较两优胜者的得分，得分低的优胜者所在的子群体被废弃，得分高的保持不变；对废弃的子群体重新初始化，并在其所在的小生境内重新选择优胜者，形成新的子群体；转至步骤D5；

D5)重新选择两个子群体，转至D2；直至每个小生境都有优胜者。

在拥有各自子群体的小生境中执行单纯形搜索，获得该子群体中的最优个体的过程为，

E1)定义n维空间中的一个单纯形，n+1个顶点分别记为Y₁,Y₂,...Y_n,Y_n+1

E2)计算n+1个顶点的函数值，并确定其中的最差点Y_w、次差点Y_s、最优点Y_b以及单纯形中除最差点外其余各点的形心Y_m′；

Y_m′＝(Y₁+Y₂+...+Y_n+Y_n+1-Y_n)/n

其中，w∈[1,n+1]，s∈[1,n+1]，b∈[1,n+1]，m′∈[1,n+1]，

E3)通过Y_m′求Y_w的发射点Y_r；

Y_r＝Y_m′+(Y_m′-Y_w)

E4)根据发射点Y_r确定反射点的情况；

反射点有三种可能：

a、如果Y_r优于Y_b，沿反射方向求扩展点Y_c，

Y_c＝Y_m′+α*(Y_m′-Y_w)

其中，α为扩展系数，α＞1，若Y_c优于Y_b，则以Y_c取代Y_b形成一新的单纯形，否则以Y_r取代Y_w形成一新的单纯形；

b、如果Y_r次于Y_b但不次于Y_s，则以Y_r取代Y_w形成一新的单纯形；

c、如果Y_r次于Y_s，沿Y_rY_m′方向压缩；

令Y_h为Y_r和Y_w之间的优点，求压缩点Y_c′；

Y_c′＝Y_m′+β*(Y_h-Y_m′)

其中，β为压缩系数，0＜β＜1，若Y_c不次于Y_h，则以Y_c取代Y_w形成一新的单纯形，否则进行单纯形缩边，即以Y_h为基点，将初始单纯形缩小一半；

E5)新的单纯形循环进行反射、扩展和压缩操作，使搜索过程收敛到最优个体。

所述异化操作为单纯形异化操作。

本发明所达到的有益效果：1、本发明提高了算法局部搜索能力和全局搜索能力，使神经网络的泛化性能更高，预测误差更低；2、本发明采用小生境混合思维进化算法对用能系统建模，由此可确定各用能系统的冷、热、电输出特性，在此基础上分析不同用能系统的运行方式并进行优化，用以得出适用于各用能系统的最优配置方案。

附图说明

图1为本发明的流程图。

图2、图3为本发明的仿真收敛性能验证图。

图4为本发明的仿真训练的拟合图。

图5为本发明的仿真的实际值与预测值的对比图。

具体实施方式

下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。

如图1所示，一种基于改进思维进化算法的系统能耗建模方法，包括以下步骤：

步骤一，采集能耗数据，生成训练集；

定义训练集为群体，训练集中的元素为个体，所述个体为单个能耗数据或者一组相关的能耗数据。

步骤二，构建人工神经网络。

步骤三，以训练集中的元素为输入参数，确定人工神经网络的最优个体、权值和阈值。

训练集中的元素输入人工神经网络之前，对有映射关系的参数进行编码，具体过程如下：

B1)定义有m个参数需要进行编码，分别为，

$x_1\∈\[U_{min}^{\left(1\right)},U_{max}^{\left(1\right)}\]$

$x_2\∈\[U_{min}^{\left(2\right)},U_{max}^{\left(2\right)}\]$

……

$x_m\∈\[U_{min}^{\left(m\right)},U_{max}^{\left(m\right)}\]$

其中，x_i为第i个需要进行编码的参数，i∈[1,m]，为x_i的步长，和分别为x_i步长的上下限；

B2)对上述参数进行编码后得，

x₁:l₁位， $U_1\∈\[0,2^{l_1}\];{\mathrm{\δ}}_1=\frac{U_{max}^{\left(1\right)}-U_{\min }^{\left(1\right)}}{2^{l_1}-1}$

x₂:l₂位， $U_2\∈\[0,2^{l_2}\];{\mathrm{\δ}}_1=\frac{U_{\max }^{\left(2\right)}-U_{min}^{\left(2\right)}}{2^{l_2}-1}$

……

x_m:l_m位， $U_m\∈\[0,2^{l_m}\];{\mathrm{\δ}}_1=\frac{U_{max}^{\left(m\right)}-U_{min}^{\left(m\right)}}{2^{l_m}-1}$

参数映射关系为：

$x_i=U_{min}^{\left(i\right)}+U_i{\mathrm{\δ}}_i$

其中，l_i表示x_i的代码位数，δ_i表示代码位数的值；

B3)将m个编码的参数连接起来；

表达式为，

l₁l₂l_m

|b₁₁b₁₂…b_1m||b₂₁b₂₂…b_2m||b_m1b_m2…b_mm|

U₁U₂......U_m

其中，b_ii′∈[0,1]，i′∈[1,m]。

确定人工神经网络的最优个体的过程为：

A1)通过小生境技术，让群体中的各个子群体形成各自的搜索空间；

具体过程如下：

C1)计算群体中所有个体的得分；

C2)将个体按照得分大小升序排列，保留前M个个体作为优胜者；

C3)以优胜者为中心，形成M个子群体；

所述子群体中包括优胜者以及以σ为方差散布在优胜者四周的个体；

C4)用小生境排挤算法，让各个子群体形成各自的搜索空间；

小生境排挤算法的过程如下：

D1)选取M个子群体中的两个子群体；

D2)计算两个子群体的优胜者之间的距离；

d_jk＝||X_j-X_k||

其中，d_jk为两个子群体的优胜者之间的距离，X_j为第j个子群体的优胜者，X_k为第k个子群体的优胜者；

D3)判断d_jk是否小于小生境半径，如果不是，则转至步骤D5；如果是，则转至步骤D4；

D4)比较两优胜者的得分，得分低的优胜者所在的子群体被废弃，得分高的保持不变；对废弃的子群体重新初始化，并在其所在的小生境内重新选择优胜者，形成新的子群体；转至步骤D5；

D5)重新选择两个子群体，转至D2；直至每个小生境都有优胜者。

A2)在拥有各自子群体的小生境中执行单纯形搜索，获得该子群体中的最优个体；

具体过程如下：

E1)定义n维空间中的一个单纯形，n+1个顶点分别记为Y₁,Y₂,...Y_n,Y_n+1

E2)计算n+1个顶点的函数值，并确定其中的最差点Y_w、次差点Y_s、最优点Y_b以及单纯形中除最差点外其余各点的形心Y_m′；

Y_m′＝(Y₁+Y₂+...+Y_n+Y_n+1-Y_n)/n

其中，w∈[1,n+1]，s∈[1,n+1]，b∈[1,n+1]，m′∈[1,n+1]；

E3)通过Y_m′求Y_w的发射点Y_r；

Y_r＝Y_m′+(Y_m′-Y_w)

E4)根据发射点Y_r确定反射点的情况；

反射点有三种可能：

a、如果Y_r优于Y_b，沿反射方向求扩展点Y_c，

Y_c＝Y_m′+α*(Y_m′-Y_w)

其中，α为扩展系数，α＞1，若Y_c优于Y_b，则以Y_c取代Y_b形成一新的单纯形，否则以Y_r取代Y_w形成一新的单纯形；

b、如果Y_r次于Y_b但不次于Y_s，则以Y_r取代Y_w形成一新的单纯形；

c、如果Y_r次于Y_s，沿Y_rY_m′方向压缩；

令Y_h为Y_r和Y_w之间的优点，求压缩点Y_c′；

Y_c′＝Y_m′+β*(Y_h-Y_m′)

其中，β为压缩系数，0＜β＜1，若Y_c不次于Y_h，则以Y_c取代Y_w形成一新的单纯形，否则进行单纯形缩边，即以Y_h为基点，将初始单纯形缩小一半；

E5)新的单纯形循环进行反射、扩展和压缩操作，使搜索过程收敛到最优个体。

A3)通过异化操作，获得所有子群体中的最优个体；这里的异化操作为单纯形异化操作。

步骤四，训练人工神经网络。

步骤五，对系统能耗节能型仿真预测。

为了进一步阐明本发明，取天津市某办公大楼作为纺织测试系统，对其能耗进行建模分析，取1900个样本为训练集，测试集包含100个样本，仿真结果如附图2～5所示.

对比仿真结果不难发现，利用改进思维进化算法优化后的初始权值和阀值，人工神经网络的泛化性能更高，测试集的预测误差更低，预测结果的准备性很高。

综上所述，本发明采用小生境混合思维进化算法对用能系统建模，由此可确定各用能系统的冷、热、电输出特性，在此基础上分析不同用能系统的运行方式并进行优化，用以得出适用于各用能系统的最优配置方案，提高了算法局部搜索能力和全局搜索能力，使神经网络的泛化性能更高，预测误差更低，本方法是可以推广到智能电网园区其它大型用能机构的能耗预测分析，有利于推动能源的梯级利用，实现能源的最优利用。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (6)

1.一种基于改进思维进化算法的系统能耗建模方法，其特征在于：包括以下步骤，

步骤一，采集能耗数据，生成训练集；

定义训练集为群体，训练集中的元素为个体，所述个体为单个能耗数据或者一组相关的能耗数据；

步骤二，构建人工神经网络；

步骤三，以训练集中的元素为输入参数，确定人工神经网络的最优个体、权值和阈值；

确定人工神经网络的最优个体的过程为，

A1)通过小生境技术，让群体中的各个子群体形成各自的搜索空间；

A2)在拥有各自子群体的小生境中执行单纯形搜索，获得该子群体中的最优个体；

A3)通过异化操作，获得所有子群体中的最优个体；

步骤四，训练人工神经网络；

步骤五，对系统能耗节能型仿真预测。

2.根据权利要求1所述的一种基于改进思维进化算法的系统能耗建模方法，其特征在于：所述训练集中的元素输入人工神经网络之前，对有映射关系的参数进行编码，过程如下：

B1)定义有m个参数需要进行编码，分别为，

$x_1\∈\[U_{min}^{\left(1\right)},U_{max}^{\left(1\right)}\]$

$x_2\∈\[U_{min}^{\left(2\right)},U_{max}^{\left(2\right)}\]$

……

$x_m\∈\[U_{min}^{\left(m\right)},U_{max}^{\left(m\right)}\]$

其中，x_i为第i个需要进行编码的参数，i∈[1,m]，为x_i的步长，和分别为x_i步长的上下限；

B2)对上述参数进行编码后得，

x₁:l₁位， ${\mathrm{\δ}}_1=\frac{U_{max}^{\left(1\right)}-U_{\min }^{\left(1\right)}}{2^{l_1}-1}$

x₂:l₂位， ${\mathrm{\δ}}_1=\frac{U_{\max }^{\left(2\right)}-U_{min}^{\left(2\right)}}{2^{l_2}-1}$

……

x_m:l_m位， ${\mathrm{\δ}}_1=\frac{U_{max}^{\left(m\right)}-U_{min}^{\left(m\right)}}{2^{l_m}-1}$

参数映射关系为：

$x_i=U_{min}^{\left(i\right)}+U_i{\mathrm{\δ}}_i$

其中，l_i表示x_i的代码位数，δ_i表示代码位数的值；

B3)将m个编码的参数连接起来；

表达式为，

$\begin{array}{cccc}{l}_1& l_2& & l_m\\ |b_{11}{b}_{12}...b_{1m}|& |b_{21}{b}_{22}...b_{2m}|& & |b_{m1}{b}_{m2}...b_{mm}|\\ U_1& U_2& ......& U_m\end{array}$

其中，b_ii′∈[0,1]，i′∈[1,m]。

3.根据权利要求1所述的一种基于改进思维进化算法的系统能耗建模方法，其特征在于：通过小生境技术，让群体中的各个子群体形成各自的搜索空间的过程为，

C1)计算群体中所有个体的得分；

C2)将个体按照得分大小升序排列，保留前M个个体作为优胜者；

C3)以优胜者为中心，形成M个子群体；

所述子群体中包括优胜者以及以σ为方差散布在优胜者四周的个体；

C4)用小生境排挤算法，让各个子群体形成各自的搜索空间。

4.根据权利要求4所述的一种基于改进思维进化算法的系统能耗建模方法，其特征在于：小生境排挤算法的过程为，

D1)选取M个子群体中的两个子群体；

D2)计算两个子群体的优胜者之间的距离；

d_jk＝||X_j-X_k｜｜

其中，d_jk为两个子群体的优胜者之间的距离，X_j为第j个子群体的优胜者，X_k为第k个子群体的优胜者；

D3)判断d_jk是否小于小生境半径，如果不是，则转至步骤D5；如果是，则转至步骤D4；

D4)比较两优胜者的得分，得分低的优胜者所在的子群体被废弃，得分高的保持不变；对废弃的子群体重新初始化，并在其所在的小生境内重新选择优胜者，形成新的子群体；转至步骤D5；

D5)重新选择两个子群体，转至D2；直至每个小生境都有优胜者。

5.根据权利要求1所述的一种基于改进思维进化算法的系统能耗建模方法，其特征在于：在拥有各自子群体的小生境中执行单纯形搜索，获得该子群体中的最优个体的过程为，

E1)定义n维空间中的一个单纯形，n+1个顶点分别记为Y₁,Y₂,…Y_n,Y_n+1；

E2)计算n+1个顶点的函数值，并确定其中的最差点Y_w、次差点Y_s、最优点Y_b以及单纯形中除最差点外其余各点的形心Y_m′；

Y_m′＝(Y₁+Y₂+...+Y_n+Y_n+1-Y_n)/n

其中，w∈[1,n+1]，s∈[1,n+1]，b∈[1,n+1]，m′∈[1,n+1]；

E3)通过Y_m′求Y_w的发射点Y_r；

Y_r＝Y_m′+(Y_m′-Y_w)

E4)根据发射点Y_r确定反射点的情况；

反射点有三种可能：

a、如果Y_r优于Y_b，沿反射方向求扩展点Y_c，

Y_c＝Y_m′+α*(Y_m′-Y_w)

其中，α为扩展系数，α＞1，若Y_c优于Y_b，则以Y_c取代Y_b形成一新的单纯形，否则以Y_r取代Y_w形成一新的单纯形；

b、如果Y_r次于Y_b但不次于Y_s，则以Y_r取代Y_w形成一新的单纯形；

c、如果Y_r次于Y_s，沿Y_rY_m′方向压缩；

令Y_h为Y_r和Y_w之间的优点，求压缩点Y_c′；

Y_c′＝Y_m′+β*(Y_h-Y_m′)

其中，β为压缩系数，0＜β＜1，若Y_c不次于Y_h，则以Y_c取代Y_w形成一新的单纯形，否则进行单纯形缩边，即以Y_h为基点，将初始单纯形缩小一半；

E5)新的单纯形循环进行反射、扩展和压缩操作，使搜索过程收敛到最优个体。

6.根据权利要求1所述的一种基于改进思维进化算法的系统能耗建模方法，其特征在于：所述异化操作为单纯形异化操作。