CN108694473A - 基于rbf神经网络的建筑物能耗预测方法 - Google Patents
基于rbf神经网络的建筑物能耗预测方法 Download PDFInfo
- Publication number
- CN108694473A CN108694473A CN201810620942.8A CN201810620942A CN108694473A CN 108694473 A CN108694473 A CN 108694473A CN 201810620942 A CN201810620942 A CN 201810620942A CN 108694473 A CN108694473 A CN 108694473A
- Authority
- CN
- China
- Prior art keywords
- energy consumption
- rbf neural
- building energy
- individual
- value
- 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
Classifications
-
- 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"
Abstract
本发明公开了一种基于RBF神经网络的建筑物能耗预测方法,包括步骤:选取建筑物能耗的拟选取影响因素的历史数据生成输入向量,以其所对应的建筑物能耗值的历史数据作为输出,得到训练样本;采用改进遗传算法选择建筑物能耗影响因素;选取建筑物能耗影响因素的待预测日的数据输入RBF神经网络,得到建筑物能耗预测值;本发明较好地解决了RBF神经网络的泛化问题;采用基于L‑GEM的RBF神经网络实现建筑物能耗预测,提高了神经网络预测结果的准确性。
Description
技术领域
本发明涉及一种建筑物能耗预测方法,尤其涉及一种基于局部泛化误差模型(Localized Generalization Error Model,L-GEM)L-GEM的径向基函数(Radial BasisFunction,简称RBF)RBF神经网络的建筑物能耗影响参数选择和预测方法。
背景技术
随着城市化进程的不断加速,能源问题日益突出,建筑节能已经成为了当今社会发展的研究热点,对建筑系统能耗进行全面的评估和综合分析是进行节能改造或节能设计的前提和基础,而建立反映能耗变化的预测模型是从宏观尺度上分析认识建筑能耗变化与发展特性为公共建筑节能工作提供决策依据的有效途径和重要手段。
现有技术中,建筑物能耗影响参数一般基于常规BP神经网络,收敛速度慢,不能够以任意精度逼近非线性函数,仅能够实现参数局部最优,参数预测准确性低。
发明内容
为解决现有技术中的不足,本发明提供一种基于L-GEM(局部泛化误差模型)的RBF神经网络的建筑物能耗影响参数选择和预测方法,解决了神经网络络在训练数据集上产生小误差但并不总是在测试数据集上表现良好的问题,解决了建筑物能耗预测结果准确性低的问题。
为了实现上述目标,本发明采用如下技术方案:
一种基于RBF神经网络的建筑物能耗预测方法,包括以下步骤:
S1,采集建筑物能耗的拟选取影响因素的历史数据和拟选取影响因素所对应的建筑物能耗历史数据,根据季节划分为春、夏、秋、冬四组训练样本集;
S2,根据步骤S1中建筑物能耗的拟选取影响因素的历史数据按季节分别生成输入向量,以拟选取影响因素所对应的建筑物能耗的历史数据作为输出数据,并对输入向量和输出数据进行归一化处理,得到训练样本;
S3,采用改进遗传算法对步骤S2所得训练样本按季节分别选择建筑物能耗影响因素,得到建筑物能耗影响因素和训练后的RBF(Radical Basis Function,径向基函数)神经网络;
S4,采集待预测日的建筑物能耗影响因素数据生成预测输入向量,进行归一化处理,得到归一化处理后的预测输入向量;
S5,将步骤S4所述归一化处理后的预测输入向量按季节输入对应的RBF神经网络,得到建筑物能耗预测输出数据,预测输出数据经反归一化处理得到待预测日的建筑物能耗预测值;据经反归一化处理得到待预测日的建筑物能耗预测值,反归一化处理的为式(3):
为经BP神经网络预测得到的反归一化处理前的建筑物能耗预测数据,y*为反归一化处理后的建筑物能耗预测值,ymin和ymax分别为归一化处理前历史输出数据中的最小值和最大值。
步骤S2具体包括以下步骤:
(201)基于建筑物能耗的拟选取影响因素的历史数据按季节生成输入向量,以拟选取影响因素所对应的建筑物能耗的历史数据作为输出数据;
(202)对步骤(201)所得输入向量和输出数据分别进行归一化处理;
步骤(202)具体包括以下步骤为:
(202a)划分天气类型,并做归一化处理;
(202b)工作日类型划分为工作日和节假日,其对应归一化值分别取1和0;
(202c)除天气类型和工作日类型外,其他输入数据基于式(1)进行归一化处理:
(202d)输出数据采用式(2)归一化处理:
其中,n为输入层节点数,xi,y分别为归一化处理前历史输入向量中第i个分量和历史输出数据,xi,min和xi,max分别为归一化处理前历史输入向量中第i个分量的最小值和最大值,ymin和ymax分别为归一化处理前历史输出数据中的最小值和最大值,分别为归一化处理后的历史输入向量中第i个分量和历史输出数据;
(202e)保存归一化处理前历史输入向量中各分量的最小值xi,min和最大值xi,max,历史输出数据中的最小值ymin和最大值ymax。
所述步骤S3具体包括以下步骤:
(301)、初始化:设置种群大小,按种群大小产生初始种群,初始种群通过随机分配0和1来创建;每个染色体是一个二进制数字串,染色体大小等于训练样本输入向量中的特征数(即建筑物能耗的拟选取影响因素的个数);具有1的特征形成特征子集,RBF神经网络基于特征子集进行训练;设置最大迭代次数,并置迭代次数为1;
(302)、计算每个染色体的适应度,并获取最佳适应度;
(303)、迭代次数加1,如迭代次数大于最大迭代次数,则转(307);
(304)、按复制概率进行复制操作;
(305)、按交叉概率对种群中染色体进行交叉操作;其具体步骤是随机产生一个0到1间的随机数值,如该随机数值小于交叉概率,则从种群中随机选择两条染色体,进行交叉操作;交叉操作采用两点交叉,随机产生两交叉点,两染色体交中两叉点内的基因被交换;
(306)、按变异概率对染色体进行变异操作:随机产生一个0到1间的随机数值,如果所述随机数值小于变异概率,则对当前染色体进行变异操作,转(302);
(307),输出最佳适应度和最佳适应度对应的最佳染色体。
变异操作具体包括以下步骤:随机产生一个0到1间的随机数值,如果所述随机数值小于变异方式选择概率,则采用单点变异,随机选择一变异基因位,对变异基因位进行取反操作;否则采用序列倒置变异,随机产生两变异点,把两变异点内的基因序列逆序排列。
步骤(302)适应度fitnessi计算为式(4):
其中,fitnessi为第i个染色体的适应度,是利用局部泛化误差模型(L_GEM)计算得到的第i个RBF神经网络的误差界;SQ表示全部样本点的Q邻域的并集,称为局部域,表示为SQ(xi)代表每个样本点xi∈D的Q邻域,表示为:
SQ(xi)={x|x=xi+Δx;|Δxk|≤Q,k=1,2,...,N},其中D已知样例的集合,Q是一个给定的正实数,Δx=[Δx1,Δx2,…Δxk…,ΔxN]T,N是训练样本输入向量中的特征数(样例空间的维数);Δx为满足均值为0的正态分布的训练样本的随机输入扰动,Δxk为Δx的第k个特征,l是训练样本数;
RBF神经网络为单输出径向基函数神经网络,RBF神经网络表示为式(5):
其中,f(x)是RBF神经网络的输出;M代表隐层节点数,由公式求得;其中N为训练样本输入向量中的特征数,a为1-10之间的常数);x=[x1,x2,...,xN]T为网络输入,φ(x)=[φ1(x),φ2(x),...φj(x)...,φM(x)]T,φj(x)为隐层第j个神经元的输出:
式中,uj=[uj1,uj2,...uji...,ujN]为第j个隐层神经元的中心(中心向量值),uji为uj的第i个分量;高斯基函数的宽度向量为v=[v1,v2,…vj…,vM]T,vj为隐层神经元j的高斯基函数的宽度,网络的权值w为:
w=[w1,...wj...,wM]T
uj表示RBF神经网络第j个隐层神经元的中心,wj代表第j个隐层神经元连接到输出层神经元的权重;
由式(6)计算:
其中:
其中,F(x)为预测器的期望输出;l是训练样本数;和分别代表第i个特征的期望与方差,c为一正常数;Q是一个给定的正实数;ED代表数学期望。
RBF神经网络的隐层神经元的中心由K-means聚类算法求得,具体步骤为:
(302a)从n个数据对象中任意选择k个数据对象作为初始聚类中心;
(302b)计算每个数据对象与这些聚类中心的距离,并根据最小距离对相应对象进行划分;
(302c)重新计算每个(有变化)聚类的均值,求得的均值作为聚类中心;
(302d)重复步骤(302b)、步骤(302c),直到所有均值的变化小于给定阈值;
在RBF神经网络的中心已经确定的情况下,RBF神经网络隐层神经元的宽度计算具体包括以下步骤:
(302-1)求出所有聚类中心对的距离dmn=||um-un||,m=1,2,...,M,n=m+1,m+2,...,M并让每个数对映射到一个索引值(m,n)->(m-1)*M+(n-1);
(302-2)对这些距离排序,使得dτ(1)≤dτ(2)≤...≤dτ(k(k-1)/2),其中τ是原距离dmn的索引;
(302-3)所有的RBF神经网络宽度vj取相同的值v,正比于p个最小距离的平均值α为一正常数;其中um代表第m个聚类中心。
在RBF神经网络的中心和宽度确定的条件下,求得RBF神经网络的权值,并利用局部泛化误差模型求得RBF神经网络的误差界;采用改进头脑风暴算法求得RBF神经网络的权值,并利用局部泛化误差模型求得RBF神经网络的误差界。
求解RBF神经网络的权值和误差界具体包括以下步骤:
(a)随机产生n个个体,每个个体有M维,每一维代表一RBF神经网络权值;
(b)用k-means将这n个个体分为m类;
(c)评估这n个个体;
(d)将每一类中的个体进行排序,选出每一类内最优的个体作为该类的聚类中心;
(e)随机产生一个0到1间的数值r1;
如果r1<概率参数p1,
i.随机选择一个聚类中心;
ii.随机产生一个个体代替该聚类中心;
(f)进行个体的更新;
(f1)随机产生一个0到1间的数值r2;
(f2)如果r2小于概率参数p2;
i.按概率随机选择一个聚类;
ii.随机产生一个0到1间的数值r3;
iii.如果r3小于概率参数p3,选择聚类中心加上随机扰动产生新个体;
iv.否则,随机产生一个0到1间的数值r4;
v.如果r4小于概率参数p4,从该类中随机选择一个个体,加上随机扰动产生新个体;
vi.否则,从该类中随机选择2个个体,互相融合加上随机扰动产生一个新个体。
(f3)否则,随机选择两个类产生新个体
i.随机产生一个0到1间的数值r5;
ii.如果r5小于概率参数p5,将两个类的聚类中心互相融合加上随机扰动产生一个新个体;
iii.否则,随机产生一个0到1间的数值r6;
iv.如果r6小于概率参数p6,将第一个类的聚类中心与从第二个类中随机选择的一个个体互相融合加上随机扰动产生一个新个体;
v.否则,分别从两个类中选择一个个体互相融合加上随机扰动产生一个新个体;
(f4)新产生的个体与当前个体相比,适应值好的个体作为下次迭代的新的个体。
(g)如果已产生n个新的个体,转步骤(h),否则转步骤(f);
(h)如果达到最大迭代次数则停止,否则转步骤(b);
(i)输出最优个体和最佳适应度。
两个个体的融合,融合过程基于式(13)进行:
Inew=αI1+(1-α)I2 (13)
式中:Inew为2个个体融合产生的子代个体;I1和I2表示接受融合操作的2个个体;α为一个0到1之间的随机数,用于调节2个个体的权重。
在新个体产生过程中要加上随机扰动,基于公式(14):
式中:为选中个体在d维上的值;为新产生个体在d维上的取值;n(μ,σ)为高斯随机函数,均值为μ,方差为σ;ξ为步长,用于调节随机扰动的取值范围。
ξ取值按式(15)计算得到:
ξ=logsig((0.5*max_iteration-current_iteration)/k)*rand() (15)
式中:logsig()为一个对数S变换函数,max_iteration是最大迭代次数,
current__iteration是当前迭代次数,式(15)中,k控制logsig()的斜率坡度,rand()产生一个0到1之间的随机数。
较优地,建筑物能耗的拟选取影响因素包括:待预测日前一天能耗值、所在地年人均可支配收入、待预测日最高气温、待预测日最低气温、待预测日相对湿度、待预测日风速、待预测日天气类型和待预测日工作日类型。
本发明所达到的有益效果包括:
本发明公开一种基于RBF神经网络的建筑物能耗预测方法,通过建筑物能耗的拟选取影响因素,采用基于L-GEM的RBF神经网络实现建筑物能耗预测,较好地解决了RBF神经网络的泛化问题;提高了系统预测结果的准确性;
本发明基于单点变异与序列倒置变异相结合的新的变异操作,实现全局参数最优;
本发明采用改进头脑风暴算法求得RBF神经网络的权值,并利用局部泛化误差模型求得RBF神经网络的误差界,提高了算法抗早熟能力,又提高了算法的求解精度。
附图说明
图1为本发明基于RBF神经网络的建筑物能耗预测方法流程图;
图2为采用改进遗传算法选择建筑物能耗影响因素流程图;
图3为改进头脑风暴求得RBF神经网络的权值流程图。
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RBF神经网络的建筑物能耗预测方法,包括以下步骤:
S1,采集建筑物能耗的拟选取影响因素的历史数据和拟选取影响因素所对应的建筑物能耗历史数据,根据季节划分为春、夏、秋、冬四组训练样本集;所述建筑物能耗的拟选取影响因素包括:待预测日前一天能耗值、所在地年人均可支配收入、待预测日最高气温、待预测日最低气温、待预测日相对湿度、待预测日风速、待预测日天气类型和待预测日工作日类型。
S2,根据步骤S1中建筑物能耗的拟选取影响因素的历史数据按季节分别生成输入向量,以拟选取影响因素所对应的建筑物能耗的历史数据作为输出数据,并对输入向量和输出数据进行归一化处理,得到训练样本;
步骤S2具体包括以下步骤:
(201)基于建筑物能耗的拟选取影响因素的历史数据按季节生成输入向量,以拟选取影响因素所对应的建筑物能耗的历史数据作为输出数据;
(202)对步骤(201)所得输入向量和输出数据分别进行归一化处理,具体包括以下步骤为:
(202a)划分天气类型,并做归一化处理;将天气类型划分为晴、多云、阴、小雨(雪)、中雨(雪)、大雨(雪),其对应归一化值分别取1、0.8、0.7、0.5、0.4、0.3,天气类型发生变化的,取变化前后天气类型量化值得平均值;
(202b)工作日类型划分为工作日和节假日,其对应归一化值分别取1和0;
(202c)除天气类型和工作日类型外,其他输入数据基于式(1)进行归一化处理:
(202d)输出数据采用式(2)归一化处理:
其中,n为输入层节点数,xi,y分别为归一化处理前历史输入向量中第i个分量和历史输出数据,xi,min和xi,max分别为归一化处理前历史输入向量中第i个分量的最小值和最大值,ymin和ymax分别为归一化处理前历史输出数据中的最小值和最大值,分别为归一化处理后的历史输入向量中第i个分量和历史输出数据;
(202e)保存归一化处理前历史输入向量中各分量的最小值xi,min和最大值xi,max,历史输出数据中的最小值ymin和最大值ymax。
S3,采用改进遗传算法对步骤S2所得训练样本按季节分别选择建筑物能耗影响因素,得到建筑物能耗影响因素和训练后的RBF(Radical Basis Function,径向基函数)神经网络;
S4,采集待预测日的建筑物能耗影响因素数据生成预测输入向量,进行归一化处理,得到归一化处理后的预测输入向量;归一化处理采用步骤(202c)相同方法;
S5,将步骤S4所述归一化处理后的预测输入向量按季节输入对应的RBF神经网络,得到建筑物能耗预测输出数据,预测输出数据经反归一化处理得到待预测日的建筑物能耗预测值;据经反归一化处理得到待预测日的建筑物能耗预测值,反归一化处理的为式(3):
为经BP神经网络预测得到的反归一化处理前的建筑物能耗预测数据,y*为反归一化处理后的建筑物能耗预测值,ymin和ymax分别为归一化处理前历史输出数据中的最小值和最大值。
如图2所示,步骤S3具体包括以下步骤:
(301),初始化:设置种群大小,按种群大小产生初始种群,初始种群通过随机分配0和1来创建;每个染色体是一个二进制数字串,染色体大小等于训练样本输入向量中的特征数(即建筑物能耗的拟选取影响因素的个数);具有1的特征形成特征子集,RBF神经网络基于特征子集进行训练;设置最大迭代次数,并置迭代次数为1;
(302),计算每个染色体的适应度,并获取最佳适应度;
(303),迭代次数加1,如迭代次数大于最大迭代次数,则转(308);
(304),按复制概率进行复制操作;
(305),按交叉概率对种群中染色体进行交叉操作;其具体步骤是随机产生一个0到1间的随机数值,如该随机数值小于交叉概率,则从种群中随机选择两条染色体,进行交叉操作;交叉操作采用两点交叉,随机产生两交叉点,两染色体交中两叉点内的基因被交换。
(306),按变异概率对染色体进行变异操作:随机产生一个0到1间的随机数值,如果所述随机数值小于变异概率,则对当前染色体进行变异操作。
变异操作具体包括以下步骤:随机产生一个0到1间的随机数值,如果所述随机数值小于变异方式选择概率,则采用单点变异,随机选择一变异基因位,对变异基因位进行取反操作;否则采用序列倒置变异,随机产生两变异点,把两变异点内的基因序列逆序排列。
(307),转(302);步骤(307)无条件转(302),循环由(303)转(308)退出。
(308),输出最佳适应度和最佳适应度对应的最佳染色体。
步骤(302)适应度fitnessi计算为式(4):
其中,fitnessi为第i个染色体的适应度,是利用局部泛化误差模型(L_GEM)计算得到的第i个RBF神经网络的误差界;SQ表示全部样本点的Q邻域的并集,称为局部域,表示为SQ(xi)代表每个样本点xi∈D的Q邻域,表示为:
SQ(xi)={x|x=xi+Δx;|Δxk|≤Q,k=1,2,...,N},其中D已知样例的集合,Q是一个给定的正实数,Δx=[Δx1,Δx2,…Δxk…,ΔxN]T,N是训练样本输入向量中的特征数(样例空间的维数);Δx为满足均值为0的正态分布的训练样本的随机输入扰动,Δxk为Δx的第k个特征,l是训练样本数;
RBF神经网络为单输出径向基函数神经网络,RBF神经网络表示为式(5):
其中,f(x)是RBF神经网络的输出;M代表隐层节点数,由公式求得;其中N为训练样本输入向量中的特征数,a为1-10之间的常数);x=[x1,x2,...,xN]T为网络输入,φ(x)=[φ1(x),φ2(x),...φj(x)...,φM(x)]T,φj(x)为隐层第j个神经元的输出:
式中,uj=[uj1,uj2,...uji...,ujN]为第j个隐层神经元的中心(中心向量值),uji为uj的第i个分量;高斯基函数的宽度向量为v=[v1,v2,…vj…,vM]T,vj为隐层神经元j的高斯基函数的宽度,网络的权值w为:
w=[w1,...wj...,wM]T
uj表示RBF神经网络第j个隐层神经元的中心,wj代表第j个隐层神经元连接到输出层神经元的权重;
由式(6)计算:
其中:
其中,F(x)为预测器的期望输出;l是训练样本数;和分别代表第i个特征的期望与方差,c为一正常数;Q是一个给定的正实数;ED代表数学期望。
RBF神经网络的隐层神经元的中心由K-means聚类算法求得,具体步骤为:
(302a)从n个数据对象中任意选择k个数据对象作为初始聚类中心;
(302b)计算每个数据对象与这些聚类中心的距离,并根据最小距离对相应对象进行划分;
(302c)重新计算每个(有变化)聚类的均值,求得的均值作为聚类中心;
(302d)重复步骤(302b)、步骤(302c),直到所有均值的变化小于给定阈值。
在RBF神经网络的中心已经确定的情况下,RBF神经网络隐层神经元的宽度计算具体包括以下步骤:
(302-1)求出所有聚类中心对的距离dmn=||um-un||,m=1,2,...,M,n=m+1,m+2,...,M并让每个数对映射到一个索引值(m,n)->(m-1)*M+(n-1);
(302-2)对这些距离排序,使得dτ(1)≤dτ(2)≤...≤dτ(k(k-1)/2),其中τ是原距离dmn的索引;
(302-3)所有的RBF神经网络宽度vj取相同的值v,正比于p个最小距离的平均值α为一正常数;其中um代表第m个聚类中心;
在RBF神经网络的中心和宽度确定的条件下,求得RBF神经网络的权值,并利用局部泛化误差模型求得RBF神经网络的误差界;采用改进头脑风暴算法求得RBF神经网络的权值,并利用局部泛化误差模型求得RBF神经网络的误差界。
如图3所示,求解RBF神经网络的权值和误差界具体包括以下步骤:
(a)随机产生n个个体,每个个体有M维,每一维代表一RBF神经网络权值;
(b)用k-means将这n个个体分为m类;
(c)评估这n个个体;
(d)将每一类中的个体进行排序,选出每一类内最优的个体作为该类的聚类中心;
(e)随机产生一个0到1间的数值r1;
如果r1<概率参数p1,
i.随机选择一个聚类中心;
ii.随机产生一个个体代替该聚类中心;
(f)进行个体的更新;
(f1)随机产生一个0到1间的数值r2;
(f2)如果r2小于概率参数p2;
i.按概率随机选择一个聚类;
ii.随机产生一个0到1间的数值r3;
iii.如果r3小于概率参数p3,选择聚类中心加上随机扰动产生新个体。
iv.否则,随机产生一个0到1间的数值r4;
v.如果r4小于概率参数p4,从该类中随机选择一个个体,加上随机扰动产生新个体;
vi.否则,从该类中随机选择2个个体,互相融合加上随机扰动产生一个新个体。
(f3)否则,随机选择两个类产生新个体
i.随机产生一个0到1间的数值r5;
ii.如果r5小于概率参数p5,将两个类的聚类中心互相融合加上随机扰动产生一个新个体;
iii.否则,随机产生一个0到1间的数值r6;
iv.如果r6小于概率参数p6,将第一个类的聚类中心与从第二个类中随机选择的一个个体互相融合加上随机扰动产生一个新个体;
v.否则,分别从两个类中选择一个个体互相融合加上随机扰动产生一个新个体;
(f4)新产生的个体与当前个体相比,适应值好的个体作为下次迭代的新的个体。
(g)如果已产生n个新的个体,转步骤(h),否则转步骤(f);
(h)如果达到最大迭代次数则停止,否则转步骤(b);
(i)输出最优个体和最佳适应度。
其中,步骤(c)评估各个体是依据公式(4)中的适应度实现的。
2个个体的融合,融合过程按式(13)进行:
Inew=αI1+(1-α)I2 (13)
式中:Inew为2个个体融合产生的子代个体;I1和I2表示接受融合操作的2个个体;α为一个0到1之间的随机数,用于调节2个个体的权重。
在新个体产生过程中要加上随机扰动,基于公式(14):
式中:为选中个体在d维上的值;为新产生个体在d维上的取值;n(μ,σ)为高斯随机函数,均值为μ,方差为σ;ξ为步长,用于调节随机扰动的取值范围。
ξ取值按式(15)计算得到:
ξ=logsig((0.5*max_iteration-current_iteration)/k)*rand() (15)
式中:logsig()为一个对数S变换函数,max_iteration是最大迭代次数,
current__iteration是当前迭代次数,k控制logsig()的斜率坡度,rand()产生一个0到1之间的随机数。
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 (9)
1.一种基于RBF神经网络的建筑物能耗预测方法,其特征在于:包括以下步骤:
S1,采集建筑物能耗的拟选取影响因素的历史数据和拟选取影响因素所对应的建筑物能耗历史数据,根据季节划分为春、夏、秋、冬四组训练样本集;
S2,根据步骤S1中建筑物能耗的拟选取影响因素的历史数据按季节分别生成输入向量,以拟选取影响因素所对应的建筑物能耗的历史数据作为输出数据,并对输入向量和输出数据进行归一化处理,得到训练样本;
S3,采用改进遗传算法对步骤S2所得训练样本按季节分别选择建筑物能耗影响因素,得到建筑物能耗影响因素和训练后的RBF神经网络;
S4,采集待预测日的建筑物能耗影响因素数据生成预测输入向量,进行归一化处理,得到归一化处理后的预测输入向量;
S5,将步骤S4所述归一化处理后的预测输入向量按季节输入对应的RBF神经网络,得到建筑物能耗预测输出数据,预测输出数据经反归一化处理得到待预测日的建筑物能耗预测值;据经反归一化处理得到待预测日的建筑物能耗预测值,反归一化处理的为式(3):
为经BP神经网络预测得到的反归一化处理前的建筑物能耗预测数据,y*为反归一化处理后的建筑物能耗预测值,ymin和ymax分别为归一化处理前历史输出数据中的最小值和最大值。
2.根据权利要求1所述的一种基于RBF神经网络的建筑物能耗预测方法,其特征在于:
步骤S2具体包括以下步骤:
(201)基于建筑物能耗的拟选取影响因素的历史数据按季节生成输入向量,以拟选取影响因素所对应的建筑物能耗的历史数据作为输出数据;
(202)对步骤(201)所得输入向量和输出数据分别进行归一化处理;
步骤(202)具体包括以下步骤为:
(202a)划分天气类型,并做归一化处理;
(202b)工作日类型划分为工作日和节假日,其对应归一化值分别取1和0;
(202c)除天气类型和工作日类型外,其他输入数据基于式(1)进行归一化处理:
(202d)输出数据采用式(2)归一化处理:
其中,n为输入层节点数,xi,y分别为归一化处理前历史输入向量中第i个分量和历史输出数据,xi,min和xi,max分别为归一化处理前历史输入向量中第i个分量的最小值和最大值,分别为归一化处理后的历史输入向量中第i个分量和历史输出数据;
(202e)保存归一化处理前历史输入向量中各分量的最小值xi,min和最大值xi,max,历史输出数据中的最小值ymin和最大值ymax。
3.根据权利要求1所述的一种基于RBF神经网络的建筑物能耗预测方法,其特征在于:
所述步骤S3具体包括以下步骤:
(301)、初始化:设置种群大小,按种群大小产生初始种群,初始种群通过随机分配0和1来创建;每个染色体是一个二进制数字串,染色体大小等于训练样本输入向量中的特征数;具有1的特征形成特征子集,RBF神经网络基于特征子集进行训练;设置最大迭代次数,并置迭代次数为1;
(302)、计算每个染色体的适应度,并获取最佳适应度;
(303)、迭代次数加1,如迭代次数大于最大迭代次数,则转(307);
(304)、按复制概率进行复制操作;
(305)、按交叉概率对种群中染色体进行交叉操作;具体步骤为:随机产生一个0到1间的随机数值,如果所述随机数值小于交叉概率,则从种群中随机选择两条染色体,进行交叉操作;交叉操作采用两点交叉,随机产生两交叉点,两染色体交中两叉点内的基因被交换;
(306)、按变异概率对染色体进行变异操作:随机产生一个0到1间的随机数值,如果所述随机数值小于变异概率,则对当前染色体进行变异操作,转(302);
(307)、输出最佳适应度和最佳适应度对应的最佳染色体。
4.根据权利要求3所述的一种基于RBF神经网络的建筑物能耗预测方法,其特征在于:
变异操作具体包括以下步骤:随机产生一个0到1间的随机数值,如果所述随机数值小于变异方式选择概率,则采用单点变异,随机选择一变异基因位,对变异基因位进行取反操作;否则采用序列倒置变异,随机产生两变异点,把两变异点内的基因序列逆序排列。
5.根据权利要求3所述的一种基于RBF神经网络的建筑物能耗预测方法,其特征在于:
所述步骤(302)适应度fitnessi计算为式(4):
其中,fitnessi为第i个染色体的适应度,是利用局部泛化误差模型计算得到的第i个RBF神经网络的误差界;SQ表示全部样本点的Q邻域的并集,称为局部域,表示为SQ(xi)代表每个样本点xi∈D的Q邻域,表示为:
SQ(xi)={x|x=xi+Δx;|Δxk|≤Q,k=1,2,...,N},其中D已知样例的集合,Q是一个给定的正实数,Δx=[Δx1,Δx2,…Δxk…,ΔxN]T,N是训练样本输入向量中的特征数;Δx为满足均值为0的正态分布的训练样本的随机输入扰动,Δxk为Δx的第k个特征,l是训练样本数;
RBF神经网络为单输出径向基函数神经网络,RBF神经网络表示为式(5):
其中,f(x)是RBF神经网络的输出;M代表隐层节点数,由公式求得;其中N为训练样本输入向量中的特征数,a为1-10之间的常数;x=[x1,x2,...,xN]T为网络输入,φ(x)=[φ1(x),φ2(x),...φj(x)...,φM(x)]T,φj(x)为隐层第j个神经元的输出:
式中,uj=[uj1,uj2,...uji...,ujN]为第j个隐层神经元的中心,uji为uj的第i个分量;高斯基函数的宽度向量为v=[v1,v2,…vj…,vM]T,vj为隐层神经元j的高斯基函数的宽度,网络的权值w为:
w=[w1,...wj...,wM]T
uj表示RBF神经网络第j个隐层神经元的中心,wj代表第j个隐层神经元连接到输出层神经元的权重;
由式(6)计算:
其中:
其中,F(x)为预测器的期望输出;l是训练样本数;和分别代表第i个特征的期望与方差,c为一正常数;Q是一个给定的正实数;ED代表数学期望。
6.根据权利要求5所述的一种基于RBF神经网络的建筑物能耗预测方法,其特征在于:
RBF神经网络的隐层神经元的中心由K-means聚类算法求得,具体步骤为:
(302a)从n个数据对象中任意选择k个数据对象作为初始聚类中心;
(302b)计算每个数据对象与这些聚类中心的距离,并根据最小距离对相应对象进行划分;
(302c)重新计算每个聚类的均值,求得的均值作为聚类中心;
(302d)重复步骤(302b)、步骤(302c),直到所有均值的变化小于给定阈值;
在RBF神经网络的中心已经确定的情况下,RBF神经网络隐层神经元的宽度计算具体包括以下步骤:
(302-1)求出所有聚类中心对的距离dmn=||um-un||,m=1,2,...,M,n=m+1,m+2,...,M并让每个数对映射到一个索引值(m,n)->(m-1)*M+(n-1);
(302-2)对这些距离排序,使得dτ(1)≤dτ(2)≤...≤dτ(k(k-1)/2),其中τ是原距离dmn的索引;
(302-3)所有的RBF神经网络宽度vj取相同的值v,正比于p个最小距离的平均值α为正常数;其中um代表第m个聚类中心;
在RBF神经网络的中心和宽度确定的条件下,求得RBF神经网络的权值,并利用局部泛化误差模型求得RBF神经网络的误差界;采用改进头脑风暴算法求得RBF神经网络的权值,并利用局部泛化误差模型求得RBF神经网络的误差界。
7.根据权利要求6所述的一种基于RBF神经网络的建筑物能耗预测方法,其特征是:
求解RBF神经网络的权值和误差界具体包括以下步骤:
(a)随机产生n个个体,每个个体有M维,每一维代表一个RBF神经网络权值;
(b)用k-means将这n个个体分为m类;
(c)评估这n个个体;
(d)将每一类中的个体进行排序,选出每一类内最优的个体作为该类的聚类中心;
(e)随机产生一个0到1间的数值r1;
如果r1<概率参数p1,
i.随机选择一个聚类中心;
ii.随机产生一个个体代替该聚类中心;
(f)进行个体的更新;
(f1)随机产生一个0到1间的数值r2;
(f2)如果r2小于概率参数p2;
i.按概率随机选择一个聚类;
ii.随机产生一个0到1间的数值r3;
iii.如果r3小于概率参数p3,选择聚类中心加上随机扰动产生新个体;
iv.否则,随机产生一个0到1间的数值r4;
v.如果r4小于概率参数p4,从该类中随机选择一个个体,加上随机扰动产生新个体;
vi.否则,从该类中随机选择2个个体,互相融合加上随机扰动产生一个新个体;
(f3)否则,随机选择两个类产生新个体
i.随机产生一个0到1间的数值r5;
ii.如果r5小于概率参数p5,将两个类的聚类中心互相融合加上随机扰动产生一个新个体;
iii.否则,随机产生一个0到1间的数值r6;
iv.如果r6小于概率参数p6,将第一个类的聚类中心与从第二个类中随机选择的一个个体互相融合加上随机扰动产生一个新个体;
v.否则,分别从两个类中选择一个个体互相融合加上随机扰动产生一个新个体;
(f4)新产生的个体与当前个体相比,适应值好的个体作为下次迭代的新的个体;
(g)如果已产生n个新的个体,转步骤(h),否则转步骤(f);
(h)如果达到最大迭代次数则停止,否则转步骤(b);
(i)输出最优个体和最佳适应度。
8.根据权利要求7所述的一种基于RBF神经网络的建筑物能耗预测方法,其特征是:
两个个体的融合,融合过程基于式(13)进行:
Inew=αI1+(1-α)I2 (13)
式中:Inew为2个个体融合产生的子代个体;I1和I2表示接受融合操作的2个个体;α为一个0到1之间的随机数,用于调节2个个体的权重;
在新个体产生过程中要加上随机扰动,基于公式(14):
式中:为选中个体在d维上的值;为新产生个体在d维上的取值;n(μ,σ)为高斯随机函数,均值为μ,方差为σ;ξ为步长,用于调节随机扰动的取值范围;
ξ取值基于式(15)计算得到:
ξ=logsig((0.5*max_iteration-current_iteration)/k)*rand() (15)
式中:logsig()为一个对数S变换函数,max_iteration是最大迭代次数,
current__iteration是当前迭代次数,式(15)中,k为控制logsig()的斜率坡度,rand()产生一个0到1之间的随机数。
9.根据权利要求1所述的一种基于RBF神经网络的建筑物能耗预测方法,其特征是:
所述建筑物能耗的拟选取影响因素包括:待预测日前一天能耗值、所在地年人均可支配收入、待预测日最高气温、待预测日最低气温、待预测日相对湿度、待预测日风速、待预测日天气类型和待预测日工作日类型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810620942.8A CN108694473A (zh) | 2018-06-15 | 2018-06-15 | 基于rbf神经网络的建筑物能耗预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810620942.8A CN108694473A (zh) | 2018-06-15 | 2018-06-15 | 基于rbf神经网络的建筑物能耗预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108694473A true CN108694473A (zh) | 2018-10-23 |
Family
ID=63848379
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810620942.8A Pending CN108694473A (zh) | 2018-06-15 | 2018-06-15 | 基于rbf神经网络的建筑物能耗预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108694473A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109508743A (zh) * | 2018-11-13 | 2019-03-22 | 大连理工大学 | 一种基于knn改进算法的建筑能耗监测异常数据的修复方法 |
CN109582912A (zh) * | 2018-11-19 | 2019-04-05 | 北京理工大学 | 一种公共建筑电耗监测数据参数估计方法 |
CN110276483A (zh) * | 2019-06-04 | 2019-09-24 | 湖北大学 | 基于神经网络的制糖原材料预测方法 |
CN110348489A (zh) * | 2019-06-19 | 2019-10-18 | 西安理工大学 | 一种基于自编码网络的变压器局部放电模式识别方法 |
CN110531039A (zh) * | 2019-09-03 | 2019-12-03 | 河南工业大学 | 一种基于WiFi设备的粮食霉变检测方法及装置 |
CN111126707A (zh) * | 2019-12-26 | 2020-05-08 | 华自科技股份有限公司 | 能耗方程构建、能耗预测方法与装置 |
CN112163703A (zh) * | 2020-09-25 | 2021-01-01 | 中国水利水电科学研究院 | 考虑气象因子不确定性的农田参考作物蒸散量预测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104484833A (zh) * | 2014-12-02 | 2015-04-01 | 常州大学 | 基于遗传学算法改进的rbf-bp神经网络的光伏发电输出功率追踪算法 |
CN104598765A (zh) * | 2015-02-16 | 2015-05-06 | 常州瑞信电子科技有限公司 | 一种基于弹性自适应神经网络的建筑物能耗预测方法 |
CN105913150A (zh) * | 2016-04-12 | 2016-08-31 | 河海大学常州校区 | 一种基于遗传算法的bp神经网络光伏电站发电量预测方法 |
CN106874581A (zh) * | 2016-12-30 | 2017-06-20 | 浙江大学 | 一种基于bp神经网络模型的建筑空调能耗预测方法 |
-
2018
- 2018-06-15 CN CN201810620942.8A patent/CN108694473A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104484833A (zh) * | 2014-12-02 | 2015-04-01 | 常州大学 | 基于遗传学算法改进的rbf-bp神经网络的光伏发电输出功率追踪算法 |
CN104598765A (zh) * | 2015-02-16 | 2015-05-06 | 常州瑞信电子科技有限公司 | 一种基于弹性自适应神经网络的建筑物能耗预测方法 |
CN105913150A (zh) * | 2016-04-12 | 2016-08-31 | 河海大学常州校区 | 一种基于遗传算法的bp神经网络光伏电站发电量预测方法 |
CN106874581A (zh) * | 2016-12-30 | 2017-06-20 | 浙江大学 | 一种基于bp神经网络模型的建筑空调能耗预测方法 |
Non-Patent Citations (4)
Title |
---|
公茂法等: "采煤机滚动轴承故障诊断新方法", 《工矿自动化》 * |
周静: "基于局部泛化误差模型的RBFNN的启发式训练方法", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
李旻炫等: "基于ART2神经网络和K—means算法的光伏发电功率曲线聚类", 《电气制造》 * |
陈宏伟等: "头脑风暴算法在多阈值Otsu分割法中的应用", 《湖北工业大学学报》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109508743A (zh) * | 2018-11-13 | 2019-03-22 | 大连理工大学 | 一种基于knn改进算法的建筑能耗监测异常数据的修复方法 |
CN109582912A (zh) * | 2018-11-19 | 2019-04-05 | 北京理工大学 | 一种公共建筑电耗监测数据参数估计方法 |
CN109582912B (zh) * | 2018-11-19 | 2021-02-02 | 北京理工大学 | 一种公共建筑电耗监测数据参数估计方法 |
CN110276483A (zh) * | 2019-06-04 | 2019-09-24 | 湖北大学 | 基于神经网络的制糖原材料预测方法 |
CN110348489A (zh) * | 2019-06-19 | 2019-10-18 | 西安理工大学 | 一种基于自编码网络的变压器局部放电模式识别方法 |
CN110348489B (zh) * | 2019-06-19 | 2021-04-06 | 西安理工大学 | 一种基于自编码网络的变压器局部放电模式识别方法 |
CN110531039A (zh) * | 2019-09-03 | 2019-12-03 | 河南工业大学 | 一种基于WiFi设备的粮食霉变检测方法及装置 |
CN110531039B (zh) * | 2019-09-03 | 2022-04-29 | 河南工业大学 | 一种基于WiFi设备的粮食霉变检测方法及装置 |
CN111126707A (zh) * | 2019-12-26 | 2020-05-08 | 华自科技股份有限公司 | 能耗方程构建、能耗预测方法与装置 |
CN111126707B (zh) * | 2019-12-26 | 2023-10-27 | 华自科技股份有限公司 | 能耗方程构建、能耗预测方法与装置 |
CN112163703A (zh) * | 2020-09-25 | 2021-01-01 | 中国水利水电科学研究院 | 考虑气象因子不确定性的农田参考作物蒸散量预测方法 |
CN112163703B (zh) * | 2020-09-25 | 2024-02-02 | 中国水利水电科学研究院 | 考虑气象因子不确定性的农田参考作物蒸散量预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108694473A (zh) | 基于rbf神经网络的建筑物能耗预测方法 | |
Peng et al. | Effective long short-term memory with differential evolution algorithm for electricity price prediction | |
Nikoo et al. | Flood-routing modeling with neural network optimized by social-based algorithm | |
CN102629106B (zh) | 供水控制方法及系统 | |
Solomatine et al. | Data-driven modelling: concepts, approaches and experiences | |
CN105809279B (zh) | 一种基于多目标量子混合蛙跳算法的水资源优化调度方法 | |
JP5888640B2 (ja) | 太陽光発電予測装置、太陽光発電予測方法及び太陽光発電予測プログラム | |
CN107563539A (zh) | 基于机器学习模型的短期和中长期电力负荷预测方法 | |
CN106600059A (zh) | 基于改进rbf神经网络的智能电网短期负荷预测方法 | |
Sharifi Garmdareh et al. | Regional flood frequency analysis using support vector regression in arid and semi-arid regions of Iran | |
CN108960491A (zh) | 基于rbf神经网络的光伏发电量预测方法 | |
CN109948845A (zh) | 一种配电网负荷长短期记忆神经网络预测方法 | |
CN109146121A (zh) | 基于pso-bp模型的停限产情况下的电量预测方法 | |
CN106251001A (zh) | 一种基于改进模糊聚类算法的光伏功率预测方法 | |
CN104636985A (zh) | 一种改进bp神经网络的输电线路无线电干扰预测方法 | |
CN113033917B (zh) | 一种基于外围数据的污水处理厂预测规划运行管理方法 | |
CN109376950A (zh) | 一种基于bp神经网络的多元电网负荷预测方法 | |
CN109034500A (zh) | 一种多时序协同的中期电力负荷预测方法 | |
CN105447509A (zh) | 一种光伏发电系统的短期功率预测方法 | |
CN106920014A (zh) | 一种短时负荷预测方法及装置 | |
CN110232461A (zh) | 基于量子遗传算法优化的多关联向量机水质预测方法 | |
CN106529818A (zh) | 基于模糊小波神经网络的水质评价预测方法 | |
Wang et al. | A regional pretraining-classification-selection forecasting system for wind power point forecasting and interval forecasting | |
CN106600041A (zh) | 基于受限玻尔兹曼机的光伏发电短期功率概率预测方法 | |
CN110009140A (zh) | 一种日电力负荷预测方法及预测装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181023 |
|
RJ01 | Rejection of invention patent application after publication |