CN109214572A - 一种基于epso-bp对商业建筑灯饰能耗预测方法 - Google Patents
一种基于epso-bp对商业建筑灯饰能耗预测方法 Download PDFInfo
- Publication number
- CN109214572A CN109214572A CN201811038119.2A CN201811038119A CN109214572A CN 109214572 A CN109214572 A CN 109214572A CN 201811038119 A CN201811038119 A CN 201811038119A CN 109214572 A CN109214572 A CN 109214572A
- Authority
- CN
- China
- Prior art keywords
- energy consumption
- epso
- commercial building
- lamp decoration
- building lamp
- 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
- 238000005265 energy consumption Methods 0.000 title claims abstract description 113
- 238000005034 decoration Methods 0.000 title claims abstract description 56
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000012360 testing method Methods 0.000 claims abstract description 9
- 238000004458 analytical method Methods 0.000 claims abstract description 5
- 210000002569 neuron Anatomy 0.000 claims description 25
- 239000002245 particle Substances 0.000 claims description 22
- 238000004422 calculation algorithm Methods 0.000 claims description 21
- 238000012549 training Methods 0.000 claims description 21
- 238000013528 artificial neural network Methods 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 14
- 238000012937 correction Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 6
- 230000019771 cognition Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 210000005036 nerve Anatomy 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 8
- 238000010586 diagram Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 244000144992 flock Species 0.000 description 1
- 230000019637 foraging behavior Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 210000004218 nerve net Anatomy 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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"
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Primary Health Care (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Circuit Arrangement For Electric Light Sources In General (AREA)
Abstract
本发明公开了一种基于EPSO‑BP对商业建筑灯饰能耗预测方法，包括，步骤1，采集商业建筑灯饰分项能耗的历史能耗数据，以及主要影响因素，并对采集的数据进行预处理；步骤2，根据所述历史能耗数据综合分析，建立商业建筑灯饰分项能耗数据库；步骤3，对所述商业建筑灯饰分项能耗数据库与所述主要影响因素进行归一化处理；步骤4，建立EPSO‑BP网络预测模型；步骤5，利用所述EPSO‑BP网络预测模型和公式，计算实际输出和目标输出的误差；步骤6，输入测试数据到所述EPSO‑BP网络预测模型中进行测试，得到预测结果。本发明实现商业建筑灯饰能耗的分项短期预测，在与其他能耗预测模型的预测结果相比，采用本文提出的预测模型的预测效果更好。
Description
技术领域
本发明涉及一种能耗预测方法，尤其是一种基于EPSO-BP对商业建筑灯饰能耗预测方法。
背景技术
随着商业建筑年耗电量逐年上升，商业建筑能耗已成为建筑节能监管和改造的主要对象。大型商业建筑能耗的预测工作也正成为研究热点。当前主要研究方法有：多元线性回归法、人工神经网络法、支持向量机、时间序列法、深度学习等。然而，已有的文献都是以建筑总能耗的形式进行构建预测模型的，且大多是对长期能耗进行预测，无法预测整个建筑能耗的消耗去向，也不能很好地实现能耗的短期预测。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。
鉴于上述和/或现有技术中存在的问题，提出了本发明。
因此，本发明其中一个目的是提供一种基于EPSO-BP商业建筑灯饰能耗分项短期预测方法，能够实现商业建筑灯饰能耗的分项短期预测。
为解决上述技术问题，本发明提供如下技术方案：一种基于EPSO-BP对商业建筑灯饰能耗预测方法，包括，
步骤1，采集商业建筑灯饰分项能耗的历史能耗数据，以及主要影响因素，并对采集的数据进行预处理；
步骤2，根据所述历史能耗数据综合分析，建立商业建筑灯饰分项能耗数据库；
步骤3，对所述商业建筑灯饰分项能耗数据库与所述主要影响因素进行归一化处理，并将所述预处理后的数据划分为训练数据和测试数据；
步骤4，建立EPSO-BP网络预测模型，并对EPSO-BP网络预测模型的参数进行最优化设置；
步骤5，利用所述EPSO-BP网络预测模型，利用公式，计算实际输出和目标输出的误差；
步骤6，输入测试数据到所述EPSO-BP网络预测模型中进行测试，得到广告照明能耗、装饰照明能耗、特殊照明能耗的预测结果。
作为本发明所述基于EPSO-BP对商业建筑灯饰能耗预测方法的一种优选方案，其中：所述EPSO-BP网络预测模型的参数，包括，粒子群规模、粒子群维度、最大迭代次数、惯性权重的初值和终值、认知系数C1和C2、BP学习率、迭代次数和允许误差。
作为本发明所述基于EPSO-BP对商业建筑灯饰能耗预测方法的一种优选方案，其中：所述EPSO-BP网络预测模型的参数，还包括，神经元个数，所述神经元个数区分为输入层、隐含层和输出层；其中，所述输入层是根据影响因子的个数确定的；其中，所述输出层是根据预测结果确定的；其中，所述隐含层根据公式计算得到：
(1)其中，k为样本个数，n1为隐含层神经元数目，n为输入层神经元数目，i为[0，n]之间的常数；
(2)其中，n1为隐含层神经元数目，n为输入层神经元数目，m为输出层神经元数目，a为[1，10]之间的常数；
(3)n1＝log2n，其中，n1为隐含层神经元数目，n为输入层神经元数目。
作为本发明所述基于EPSO-BP对商业建筑灯饰能耗预测方法的一种优选方案，其中：所述影响因子的个数和所述主要影响因素均包括天气特征值、节假日和一天内24个整点时刻。
作为本发明所述基于EPSO-BP对商业建筑灯饰能耗预测方法的一种优选方案，其中：所述预测结果指的是广告照明能耗、装饰照明能耗、特殊照明能耗的预测结果。
作为本发明所述基于EPSO-BP对商业建筑灯饰能耗预测方法的一种优选方案，其中：计算实际输出和目标输出误差的所述公式，
其中，dj是输出层的第j个节点的值，yj是第j个节点的实际值。
作为本发明所述基于EPSO-BP对商业建筑灯饰能耗预测方法的一种优选方案，其中：所述建立EPSO-BP网络预测模型的具体步骤为：
S1，根据输入输出参数个数构建BP神经网络拓扑结构，随机生成一个种群粒子，并将输出误差作为适应度函数，通过EPSO算法的优化搜索来训练BP的权值和阈值；
S2，利用EPSO算法对BP神经网络算法训练得到的权值和阈值进行精确优化，得到神经网络训练的样本数据；
S3，利用样本数据对神经网络进行训练，当训练得到的预测误差达到规定的范围内或者达到网络参数中的最大训练次数，神经网络停止样本训练，输出EPSO-BP网络预测模型。
作为本发明所述基于EPSO-BP对商业建筑灯饰能耗预测方法的一种优选方案，其中：所述权值和阈值区分为输入层至隐含层的、隐含层至输出层的。
作为本发明所述基于EPSO-BP对商业建筑灯饰能耗预测方法的一种优选方案，其中：所述输入层至隐含层，权值的计算方法：
其中，β为学习速率，0<β<1，为隐含层各个神经元的校正误差，为输入层的输入向量；
阈值的计算方式为：
作为本发明所述基于EPSO-BP对商业建筑灯饰能耗预测方法的一种优选方案，其中：所述隐含层至输出层，权值的计算方法：
其中α为学习速率，0<α<1，为输出层各个神经元的校正误差，为中间隐含层各个神经元的输出；
阈值的计算方式为：
本发明的有益效果：采用EPSO-BP构建广告照明能耗、装饰照明能耗和特殊照明能耗预测模型，实现商业建筑灯饰能耗的分项短期预测，在与其他能耗预测模型的预测结果相比，采用本文提出的预测模型的预测效果更好。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：
图1为本发明基于EPSO-BP对商业建筑灯饰能耗预测方法的流程结构示意图；
图2为本发明基于EPSO-BP对商业建筑灯饰能耗预测方法的广告照明能耗预测对比图；
图3为本发明基于EPSO-BP对商业建筑灯饰能耗预测方法的装饰照明能耗预测对比图；
图4为本发明基于EPSO-BP对商业建筑灯饰能耗预测方法的特殊照明能耗预测对比图；
图5为本发明基于EPSO-BP对商业建筑灯饰能耗预测方法的广告照明能耗误差对比图；
图6为本发明基于EPSO-BP对商业建筑灯饰能耗预测方法的装饰照明能耗误差对比图；
图7为本发明基于EPSO-BP对商业建筑灯饰能耗预测方法的特殊能耗误差对比图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
增强型粒子群优化算法(EPSO)属于智能群进化算法，其实现容易，优化精度高，尤其是收敛速度很快，在解决实际问题中有着很大的优越性。但由于PSO算法中粒子向自身历史最佳位置和领域或群体历史最佳位置聚集，形成粒子种群的快速趋同效应，容易出现陷入局部极值、早熟收敛或停滞现象。为了克服上述不足，本发明通过对权重参数w的处理这一方面进行改进，使得新得到的EPSO算法平衡全局搜索和局部搜索能力。对权重参数w的改进后，其公式为：
其中，w为惯性权重，wmax为最大惯性权重，wmin为最小惯性权重，iter为当前迭代次数，itermax为总迭代次数。这样，w随着迭代次数的增加而线性递减。在全局搜索时，在进化初期，w处于较大值，使得粒子拥有较高的搜索能力，而在进化后期，w处于较小值，使得粒子拥有较为精细的搜索能力，以便收敛到更好的解。一般w取0.4到0.9之间的值。
参照图1，本发明提供了一种基于EPSO-BP对商业建筑灯饰能耗预测方法，包括，
步骤1，采集商业建筑灯饰分项能耗的历史能耗数据，以及主要影响因素，并对采集的数据进行预处理；
步骤2，根据商业建筑灯饰分项能耗历史数据进行综合分析，建立商业建筑灯饰分项能耗数据库；
步骤3，对所述商业建筑灯饰分项能耗数据库与所述主要影响因素进行归一化处理，并将所述预处理后的数据划分为训练数据和测试数据；
步骤4，建立EPSO-BP网络预测模型，并对EPSO-BP网络预测模型的参数进行最优化设置，使模型逼近真实目标；
步骤5，利用所述EPSO-BP网络预测模型，利用公式，计算实际输出和目标输出的误差；
步骤6，输入测试数据到所述EPSO-BP网络预测模型中进行测试，得到广告照明能耗、装饰照明能耗、特殊照明能耗的预测结果。
其中，步骤1中的主要影响因素包括天气特征值、节假日以及一天中的24个整点时刻这三个影响因素。
应当说明的是，步骤5中的建立EPSO-BP网络预测模型的具体步骤为：
S1，根据输入输出参数个数构建BP神经网络拓扑结构，随机生成一个种群粒子，并将输出误差作为适应度函数，通过EPSO算法的优化搜索来训练BP的权值和阈值；
S2，利用EPSO算法对BP神经网络算法训练得到的权值和阈值进行精确优化，得到神经网络训练的样本数据；
S3，利用样本数据对神经网络进行训练，当训练得到的预测误差达到规定的范围内或者达到网络参数中的最大训练次数，神经网络停止样本训练，输出EPSO-BP网络预测模型。
需要说明的是，S2中的权值和阈值区分为输入层至隐含层权值和阈值、隐含层至输出层的权值和阈值，且在不同层中权值和阈值的计算方法不同。
在输入层至隐含层的部分，权值的计算方法：
其中，β为学习速率，0<β<1，为隐含层各个神经元的校正误差，为输入层的输入向量；
阈值的计算方式为：
在隐含层至输出层部分，权值的计算方法：
其中α为学习速率，0<α<1，为输出层各个神经元的校正误差，为中间隐含层各个神经元的输出；
阈值的计算方式为：
参照表1，对于步骤4中的EPSO-BP网络预测模型的参数，其具体包括，粒子群规模、粒子群维度、最大迭代次数、惯性权重的初值和终值、认知系数C1和C2、BP学习率、迭代次数、允许误差和神经元个数。其中，神经元个数区分为输入层、隐含层和输出层。
表1 EPSO-BP网络预测模型的参数
其中，输入层是根据影响因子的个数确定的，输出层是根据预测结果确定的，隐含层根据公式计算得到：
(1)其中，k为样本个数，n1为隐含层神经元数目，n为输入层神经元数目，i为[0，n]之间的常数；
(2)其中，n1为隐含层神经元数目，n为输入层神经元数目，m为输出层神经元数目，a为[1，10]之间的常数；
(3)n1＝log2n，其中，n1为隐含层神经元数目，n为输入层神经元数目。
较佳的，影响因子的个数包括天气特征值、节假日和一天内24个整点时刻。
较佳的，预测结果指的是广告照明能耗、装饰照明能耗、特殊照明能耗的预测结果。
计算实际输出和目标输出误差的所述公式，
其中，dj是输出层的第j个节点的值，yj是第j个节点的实际值。
粒子群算法(Particle swarm optimization，PSO)是模拟鸟群觅食行为的一种算法，其核心思想是：通过群体中个体之间的相互协作和信息共享来寻找最优解。在该算法中，每个粒子的速度决定了它们飞翔的方向和距离。粒子根据自身及同伴的飞行经验进行动态调整，即粒子自身所找到的最优解和整个种群当前找到的最优解。如此在解空间中不断搜索，直到满足要求为止。在每一次迭代过程中，粒子通过个体极值和全局极值更新自身的速度和位置，速度和位置更新是粒子群算法的核心，其原理表达式如公式(1)和(2)所示，其更新方式为：
其中，w为惯性权重，d＝1，2，…，S，i＝1，2，…，n，k为当前迭代次数，Vid为粒子的速度，C1和C2为非负常数，通常等于2，称为学习因子，r1和r2为分布于[0，1]的随机数。
利用公式(1)和(2)的公式，根据粒子的初始位置和初始速度，得到粒子下一时刻的位置和速度某一便于来判断计算粒子的适应度值，从而找出粒子的最优适应度值。
为了证明本发明的预测效果，试验验证如下：
实验样本数据来源于某商业大厦，采集其2017年5月1日到2017年12月31日8个月的每小时的广告照明能耗、装饰照明能耗和特殊照明能耗的分项监测数据。其中2017年5月1日到2017年10月31日这6个月每小时的4416组数据作为训练数据，2017年11月1日到2017年12月31日的1488组数据作为测试数据。将天气特征值、节假日和一天中24个整点时刻一同作为输入参数，建立EPSO-BP模型预测2018年1月1日到2018年1月7日广告照明能耗、装饰照明能耗、特殊照明能耗。
基于同一历史数据，将本发明提出的EPSO-BP商业建筑灯饰分项能耗预测模型预测的数据与BP预测模型和PSO-BP预测模型的预测结果相比较。选取同一周的能耗预测值和实际值，对3种模型进行比较，对比结果如图2、图3和图4所示。从图2、图3和图4中可以看出，不论是对广告照明能耗、装饰照明能耗还是特殊照明能耗，EPSO-BP模型预测值曲线与实际值曲线拟合度最好，其次是PSO-BP模型的预测效果也优于BP模型的预测效果。
为了进一步验证预测结果，对模型的误差进行分析，EPSO-BP模型、PSO-BP模型和BP模型对广告照明能耗、装饰照明能耗和特殊照明能耗预测的误差对比如图5、图6和图7所示。从图5、图6和图7中可以看出EPSO-BP模型、PSO-BP模型和BP模型预测误差都是围绕0值上下波动，但是EPSO-BP模型预测误差比PSO-BP模型和BP模型预测误差波动小，相对平稳，BP模型的预测误差曲线波动最大。故可以看出EPSO-BP模型训练学习过程中准确性和稳定性最高，其次是PSO-BP模型，BP模型在训练学习过程中的准确性最差。
本发明采用平均绝对误差(MAE)和均方根误差(RMSE)来作为模型性能指标，分别对测试数据进行分析比较，得到3个模型对三大能耗误差对比结果如表2所示。可以看出，EPSO-BP模型能耗预测的MAE和RMSE比PSO-BP模型预测的要小，且比BP模型要小的多，可以证明本文所提出的DBN预测模型对商业建筑灯饰能耗分项预测的效果更好，提高了灯饰能耗预测的准确性。
表2 EPSO-BP模型、PSO-BP模型和BP模型能耗预测的性能指标对比
因此，本发明提出的基于EPSO-BP模型的商业建筑灯饰能耗分项短期预测模型中的EPSO-BP网络首先改进了粒子群算法的惯性权重，并用改进的粒子群算法优化BP神经网络的权值和阈值，EPSO-BP有效克服BP算法和PSO算法的不足，因为由于BP神经网络的初始权值和阈值是采用随机选取的方式，而用EPSO算法能够改进BP神经网络初始权值和阈值的随机性，并且从实验仿真图中看出的，其EPSO-BP的模型预测效果优于PSO-BP模型预测效果、BP模型的预测效果，则说明EPSO算法改进了BP的权值和阈值。
实验结果表明，本发明提出的EPSO-BP预测模型可以更有效地预测大型商业建筑的灯饰分项短期能耗。后续可以选择更大规模样本数据并优化模型，对大型商业建筑灯饰能耗各分量进行中长期预测，增强商业建筑灯饰能耗预测模型的实用性。
应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。
Claims (10)
1.一种基于EPSO-BP对商业建筑灯饰能耗预测方法，其特征在于：包括，
步骤1，采集商业建筑灯饰分项能耗的历史能耗数据，以及主要影响因素，并对采集的数据进行预处理；
步骤2，根据所述历史能耗数据综合分析，建立商业建筑灯饰分项能耗数据库；
步骤3，对所述商业建筑灯饰分项能耗数据库与所述主要影响因素进行归一化处理，并将所述预处理后的数据划分为训练数据和测试数据；
步骤4，建立EPSO-BP网络预测模型，并对EPSO-BP网络预测模型的参数进行最优化设置；
步骤5，利用所述EPSO-BP网络预测模型，利用公式，计算实际输出和目标输出的误差；
步骤6，输入测试数据到所述EPSO-BP网络预测模型中进行测试，得到广告照明能耗、装饰照明能耗、特殊照明能耗的预测结果。
2.根据权利要求1所述的基于EPSO-BP对商业建筑灯饰能耗预测方法，其特征在于：所述EPSO-BP网络预测模型的参数，包括，粒子群规模、粒子群维度、最大迭代次数、惯性权重的初值和终值、认知系数C1和C2、BP学习率、迭代次数和允许误差。
3.根据权利要求1所述的基于EPSO-BP对商业建筑灯饰能耗预测方法，其特征在于：所述EPSO-BP网络预测模型的参数，还包括，神经元个数，所述神经元个数区分为输入层、隐含层和输出层；
其中，所述输入层是根据影响因子的个数确定的；
其中，所述输出层是根据预测结果确定的；
其中，所述隐含层根据公式计算得到：
(1)其中，k为样本个数，n1为隐含层神经元数目，n为输入层神经元数目，i为[0，n]之间的常数；
(2)其中，n1为隐含层神经元数目，n为输入层神经元数目，m为输出层神经元数目，a为[1，10]之间的常数；
(3)n1＝log2n，其中，n1为隐含层神经元数目，n为输入层神经元数目。
4.根据权利要求3所述的基于EPSO-BP对商业建筑灯饰能耗预测方法，其特征在于：所述影响因子的个数和所述主要影响因素均包括天气特征值、节假日和一天内24个整点时刻。
5.根据权利要求1所述的基于EPSO-BP对商业建筑灯饰能耗预测方法，其特征在于：所述预测结果指的是广告照明能耗、装饰照明能耗、特殊照明能耗的预测结果。
6.根据权利要求1所述的基于EPSO-BP对商业建筑灯饰能耗预测方法，其特征在于：计算实际输出和目标输出误差的所述公式，
其中，dj是输出层的第j个节点的值，yj是第j个节点的实际值。
7.根据权利要求1所述的基于EPSO-BP对商业建筑灯饰能耗预测方法，其特征在于：所述建立EPSO-BP网络预测模型的具体步骤为：
S1，根据输入输出参数个数构建BP神经网络拓扑结构，随机生成一个种群粒子，并将输出误差作为适应度函数，通过EPSO算法的优化搜索来训练BP的权值和阈值；
S2，利用EPSO算法对BP神经网络算法训练得到的权值和阈值进行精确优化，得到神经网络训练的样本数据；
S3，利用样本数据对神经网络进行训练，当训练得到的预测误差达到规定的范围内或者达到网络参数中的最大训练次数，神经网络停止样本训练，输出EPSO-BP网络预测模型。
8.根据权利要求7所述的基于EPSO-BP对商业建筑灯饰能耗预测方法，其特征在于：所述权值和阈值区分为输入层至隐含层的、隐含层至输出层的。
9.根据权利要求8所述的基于EPSO-BP对商业建筑灯饰能耗预测方法，其特征在于：所述输入层至隐含层，权值的计算方法：
其中，β为学习速率，0<β<1，为隐含层各个神经元的校正误差，为输入层的输入向量；
阈值的计算方式为：
10.根据权利要求8所述的基于EPSO-BP对商业建筑灯饰能耗预测方法，其特征在于：所述隐含层至输出层，权值的计算方法：
其中α为学习速率，0<α<1，为输出层各个神经元的校正误差，为中间隐含层各个神经元的输出；
阈值的计算方式为：
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811038119.2A CN109214572A (zh) | 2018-09-06 | 2018-09-06 | 一种基于epso-bp对商业建筑灯饰能耗预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811038119.2A CN109214572A (zh) | 2018-09-06 | 2018-09-06 | 一种基于epso-bp对商业建筑灯饰能耗预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109214572A true CN109214572A (zh) | 2019-01-15 |
Family
ID=64987233
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811038119.2A Pending CN109214572A (zh) | 2018-09-06 | 2018-09-06 | 一种基于epso-bp对商业建筑灯饰能耗预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109214572A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110288127A (zh) * | 2019-05-31 | 2019-09-27 | 武汉烽火富华电气有限责任公司 | 一种能源大数据处理方法 |
| CN111556631A (zh) * | 2020-05-06 | 2020-08-18 | 东华大学 | 基于pso和rbfnn的隧道交通照明系统智能控制方法 |
| CN112149865A (zh) * | 2020-08-14 | 2020-12-29 | 杭州云萃光电技术有限公司 | 一种教室灯照明功率预测方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170254658A1 (en) * | 2016-03-04 | 2017-09-07 | The Boeing Company | Fuel consumption predictions using associative memories |
| CN107832568A (zh) * | 2017-12-12 | 2018-03-23 | 青岛理工大学 | 深基坑开挖土层动态水平抗力系数的测定方法 |
| CN108320016A (zh) * | 2018-03-08 | 2018-07-24 | 南京工业大学 | 一种建筑能耗短期预测方法 |
-
2018
- 2018-09-06 CN CN201811038119.2A patent/CN109214572A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170254658A1 (en) * | 2016-03-04 | 2017-09-07 | The Boeing Company | Fuel consumption predictions using associative memories |
| CN107832568A (zh) * | 2017-12-12 | 2018-03-23 | 青岛理工大学 | 深基坑开挖土层动态水平抗力系数的测定方法 |
| CN108320016A (zh) * | 2018-03-08 | 2018-07-24 | 南京工业大学 | 一种建筑能耗短期预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 叶嫣等: "基于粒子群优化的神经网络短时交通流量预测", 《计算机工程与设计》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110288127A (zh) * | 2019-05-31 | 2019-09-27 | 武汉烽火富华电气有限责任公司 | 一种能源大数据处理方法 |
| CN111556631A (zh) * | 2020-05-06 | 2020-08-18 | 东华大学 | 基于pso和rbfnn的隧道交通照明系统智能控制方法 |
| CN112149865A (zh) * | 2020-08-14 | 2020-12-29 | 杭州云萃光电技术有限公司 | 一种教室灯照明功率预测方法 |
| CN112149865B (zh) * | 2020-08-14 | 2022-11-18 | 杭州云萃光电技术有限公司 | 一种教室灯照明功率预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Li et al. | Prediction for tourism flow based on LSTM neural network | |
| CN108133258B (zh) | 一种混合全局优化方法 | |
| CN110414719A (zh) | 一种基于多变量灰色模型时间序列的车流量预测方法 | |
| CN109615011A (zh) | 一种基于lstm的中小河流短期洪水预报方法 | |
| CN109214572A (zh) | 一种基于epso-bp对商业建筑灯饰能耗预测方法 | |
| CN109426889A (zh) | 基于kpca与改进神经网络结合的短期负荷预测方法 | |
| CN104636801A (zh) | 一种基于优化bp神经网络的预测输电线路可听噪声方法 | |
| CN108876001B (zh) | 一种基于孪生支持向量机的短期电力负荷预测方法 | |
| CN105005579A (zh) | Ota网站中酒店房型个性化排序方法及系统 | |
| CN109978284B (zh) | 一种基于混合神经网络模型的光伏发电功率分时预测方法 | |
| CN112330487B (zh) | 一种光伏发电短期功率预测方法 | |
| CN115130741A (zh) | 基于多模型融合的多因素电力需求中短期预测方法 | |
| CN105447510B (zh) | 基于人工蜂群优化lssvm的脉动风速预测方法 | |
| CN108564592A (zh) | 基于动态多种群集成差分进化算法的图像分割方法 | |
| CN108805346A (zh) | 一种基于多隐层极限学习机的热连轧轧制力预报方法 | |
| CN110070228A (zh) | 一种神经元分支进化的bp神经网络风速预测方法 | |
| CN110222908A (zh) | 一种基于数据驱动的短期用电量预测方法 | |
| CN110322075A (zh) | 一种基于混合优化rbf神经网络的景区客流量预测方法及系统 | |
| CN110443448A (zh) | 一种基于双向lstm的飞机机位分类预测方法和系统 | |
| CN108985323A (zh) | 一种光伏功率的短期预测方法 | |
| CN106845696B (zh) | 一种智能优化水资源配置方法 | |
| CN109919374A (zh) | 基于apso-bp神经网络的股票价格预测方法 | |
| CN117333034A (zh) | 一种基于改进FA-K-means算法的配电网负荷集群划分方法 | |
| Zhou et al. | Multirunway optimization schedule of airport based on improved genetic algorithm by dynamical time window | |
| CN113807005B (zh) | 基于改进fpa-dbn的轴承剩余寿命预测方法 |
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 |