CN109543914A - 基于ap聚类算法的rbf建筑运行能耗的预测方法 - Google Patents

Abstract

本发明公开了一种基于AP聚类算法的RBF建筑运行能耗的预测方法，包括：根据AP聚类算法对训练数据进行处理；根据聚类结果获得簇中心；将簇中心作为RBF神经网络的隐含层节点；将训练数据输入RBF神经网络进行网络训练，对初始矩阵进行迭代计算；当训练数据的输出误差小于设定值或者达到最大迭代次数时停止迭代，获得隐含层到输出层的权值矩阵；根据权值矩阵获得RBF网络模型；根据RBF网络模型对建筑运行能耗进行预测。本发明提供的技术方案使用簇中心作为RBF神经网络的隐含层节点，可以避免人为指定隐含层节点个数带来的结果误差，实现有效地对建筑运行能耗进行预测，找出影响建筑运行能耗的主要因素，从而降低建筑运行能耗，最终实现节约能源的目的。

Description

基于AP聚类算法的RBF建筑运行能耗的预测方法

技术领域

本发明涉及建筑运行能耗的技术领域，尤其涉及一种基于AP聚类算法的RBF建筑运行能耗的预测方法。

背景技术

近年来，为了合理使用能源，降低能源消耗，实现国家经济和社会的可持续发展，建筑行业的节能越来越重要。据中国国家统计局统计：2012年全国建筑业房屋施工面积和竣工面积分别为986427.45万平方米和358736.23万平方米。2015年全国建筑业房屋施工面积和竣工面积则分别为1239717.60万平方米和420784.90万平方米。与2012年相比，提高了25.68％和17.30％。同时2015年建筑业能源消费总量高达7696.41万吨标准煤。2017的《中国建筑能耗研究报告》指出，建筑在全寿命周期中，消耗了全国40％-50％的能源。以上表明，我国在建筑能耗节能方面有着很强的必要性，同时在建筑节能方面也有着很大的潜力。如何在不降低人民生活质量的前提下通过节约建筑运行能耗实现节约能源成为了当前需要解决的问题。

传统的建筑能耗分析没有使用神经网络模型，只能进行笼统地分析，难以通过多个影响建筑能耗的因素对建筑能耗进行预测。在处理多维输入变量获得一维或多维输出这类型问题时，神经网络算法有着巨大的优势，神经网络使用网络自学能力，通过数据训练得到预测输出与期望输出拟合度较高的网络模型。因此，大多数研究人员使用神经网络模型对建筑能耗进行预测和分析。然而，传统的神经网络算法的隐含层节点数需要人为指定，人工很难确定合适的隐含层节点数，从而增加了得到合适的算法模型的难度，也增加了最终建筑能耗的预测误差。

发明内容

为解决现有技术存在的局限和缺陷，本发明提供一种基于AP聚类算法的RBF建筑运行能耗的预测方法，包括：

对训练数据进行归一化处理；

根据归一化处理之后的训练数据形成相似度矩阵公式，所述相似度矩阵公式为：

其中，S(i，j)为数据点j作为数据点i的聚类中心的能力，{i，j}＝1，2，…，n，n为数据条数，i为第i条数据，j为第j条数据，y(i，k)为归一化之后第i条数据的第k个属性值，m为属性的个数；

根据所述相似度矩阵公式获得相似度矩阵，所述相似度矩阵为：

获得吸引度矩阵R，所述吸引度矩阵R为：

其中，R(i，j)表示j成为i的聚类质心的适合度；

获得归属度矩阵A，所述归属度矩阵A为：

其中，A(i，j)表示i有意向选j作为i的聚类质心的认可程度；

根据所述迭代公式对所述吸引度矩阵R和所述归属度矩阵A进行迭代，所述迭代公式为：

r(i，j)＝s(i，j)-max{a(i，j′)+s(i，j′)} (5)

r＝(1-lam)*r+lam*rold (7)

a＝(1-lam)*a+lam*aold (8)

其中，公式i'为除当前i以外的其他点，公式j’为除当前j以外的其他点，lam为阻尼系数，rold为上次迭代得到的吸引信息，aold为上次迭代得到的归属信息；

在迭代结束之后根据所述吸引度矩阵R和所述归属度矩阵A获得矩阵E，所述矩阵E为：

将所述矩阵E的聚类质心作为RBF神经网络的隐含层节点，所述聚类质心为所述矩阵E对角线上的值大于零的点；

将所述训练数据输入RBF神经网络进行网络训练，对初始矩阵进行迭代计算；

当所述训练数据的输出误差小于设定值或者达到最大迭代次数时停止迭代，获得隐含层到输出层的权值矩阵；

根据所述权值矩阵获得RBF网络模型；

根据所述RBF网络模型对建筑运行能耗进行预测。

可选的，所述对初始矩阵进行迭代计算的步骤之前包括：

获得RBF神经网络的激活函数，所述激活函数为：

其中，X_p为第p个训练数据的输入向量，C_k为第k个隐含层节点向量，||·||²为二范数，σ为扩展常数矩阵；

获得每个隐含层节点的扩展常数，所述扩展常数为：

其中，矩阵C为隐含层节点信息矩阵，p为第p个隐含层节点，q为第q个隐含层节点，K为训练数据的第k个输入属性，k＝1，2，…，m，m为输入向量的长度。

可选的，所述获得每个隐含层节点的扩展常数的步骤之后包括：

获得所述输入向量X_p对应的网络输出为：

其中，Y_l为输出向量的第l个输出值，h为隐含层节点的个数，W为隐含层到输出层的权值矩阵。

可选的，所述对初始矩阵进行迭代计算的步骤之前包括：

获得初始矩阵，所述初始矩阵为：

其中，所述初始矩阵的大小为m*n，m为隐含层节点的个数，n为输出层节点的个数；

对所述初始矩阵进行初始化，随机获取0到1的值。

本发明具有下述有益效果：

本发明提供的基于AP聚类算法的RBF建筑运行能耗的预测方法，包括：根据AP聚类算法对训练数据进行处理；根据聚类结果获得簇中心；将簇中心作为RBF神经网络的隐含层节点；将训练数据输入RBF神经网络进行网络训练，对初始矩阵进行迭代计算；当训练数据的输出误差小于设定值或者达到最大迭代次数时停止迭代，获得隐含层到输出层的权值矩阵；根据权值矩阵获得RBF网络模型；根据RBF网络模型对建筑运行能耗进行预测。本发明提供的技术方案使用簇中心作为RBF神经网络的隐含层节点，可以避免人为指定隐含层节点个数带来的结果误差，实现有效地对建筑运行能耗进行预测，找出影响建筑运行能耗的主要因素，从而降低建筑运行能耗，最终实现节约能源的目的。

附图说明

图1为本发明实施例一提供的基于AP聚类算法的RBF神经网络的流程图。

图2为本发明实施例一提供的部分数据示意图。

图3为本发明实施例一提供的簇中心示意图。

图4为本发明实施例一提供的预测数据的热负荷的期望输出与预测输出的对比示意图。

图5为本发明实施例一提供的预测数据的冷负荷的期望输出与预测输出的对比示意图。

具体实施方式

为使本领域的技术人员更好地理解本发明的技术方案，下面结合附图对本发明提供的基于AP聚类算法的RBF建筑运行能耗的预测方法进行详细描述。

实施例一

本实施例使用AP聚类算法对训练数据进行处理，根据聚类结果获得簇中心，将簇中心作为RBF神经网络的隐含层节点，从而避免人为指定隐含层节点个数带来的结果误差。

图1为本发明实施例一提供的基于AP聚类算法的RBF神经网络的流程图。如图1所示，本实施例提供的AP聚类算法(Affinity Propagation，AP)可以对数据进行聚类处理，自适应地得到簇中心个数和簇中心信息。具体来说，将所有数据点作为潜在的簇中心，对每个数据点的吸引度和归属度进行迭代计算，最终得到适合成为簇中心的数据点。针对RBF神经网络的隐含层节点一般采用聚类结果的簇中心这一特点，本实施例使用AP聚类算法自适应得到簇中心的节点信息和节点个数，作为RBF神经网络的隐含层节点，避免人为指定带来的实验误差。

本实施例提供的RBF神经网络(Radial Basis Function，RBF)是由输入层、隐含层和输出层构成的三层神经网络模型。首先需要通过聚类算法确定隐含层节点信息。输入层和隐含层通过权值矩阵连接，通过激活函数计算得到隐含层的输出值，隐含层和输出层同样通过权值矩阵连接，最终得到输出结果。RBF神经网络通过分析得到影响建筑运行能耗的主要因素，为建筑建造计划提供建议，最终实现降低能耗。

本实施例首先通过AP聚类算法对训练数据进行处理，获得簇中心相关信息，将簇中心作为RBF神经网络的隐含层节点信息，然后将训练数据输入RBF神经网络进行网络训练，最终形成对建筑运行能耗进行准确预测的网络模型。最后输入预测数据，对该网络模型的适用性进行验证。本实施例根据最终结果对建筑运行能耗相关信息进行分析，找到影响建筑运行能耗的主要因素，为建筑建造计划提供建议，最终实现节约能源。

针对RBF神经网络的隐含层节点难以确定的特性，而且传统的RBF神经网络模型是人为设定隐含层节点个数，本实施例利用AP聚类算法对训练数据进行处理，将自适应得到的簇中心作为RBF神经网络模型的隐含层节点，避免了人为设定隐含层节点个数带来的误差。本实施例提供的技术方案更加精确地实现对建筑运行能耗的预测，找到影响建筑运行能耗的主要因素，从而实现降低能耗。

本实施例通过AP聚类算法对训练数据进行处理，从而获得聚类结果，而且将簇中心作为RBF神经网络的隐含层节点。具体来说，根据归一化处理之后的训练数据形成相似度矩阵公式，所述相似度矩阵公式为：

其中，S(i,j)为数据点j作为数据点i的聚类中心的能力，{i,j}＝1,2,…,n，n为数据条数，i为第i条数据，j为第j条数据，y(i,k)为归一化之后第i条数据的第k个属性值，m为属性的个数。

本实施例提供的相似度矩阵S对角线的值不取0，取其余两两节点相似度值的中位数值。根据所述相似度矩阵公式获得相似度矩阵，所述相似度矩阵为：

本实施例对吸引度(responsibility)矩阵R和归属度(availability)矩阵A进行迭代计算。首先定义吸引度矩阵R和归属度矩阵A，而且初始化为零矩阵大小均为n*n。

获得吸引度矩阵R，所述吸引度矩阵R为：

其中，R(i，j)表示j成为i的聚类质心的适合度。

获得归属度矩阵A，所述归属度矩阵A为：

其中，A(i，j)表示i有意向选j作为i的聚类质心的认可程度。

根据所述迭代公式对所述吸引度矩阵R和所述归属度矩阵A进行迭代，所述迭代公式为：

r(i，j)＝＝s(i，j)-max{a(i，j′)+s(i，j′)} (5)

r＝(1-lam)*r+lam*rold (7)

a＝(1-lam)*a+lam*aold (8)

其中，公式i′为除当前i以外的其他点，公式j’为除当前j以外的其他点，lam为阻尼系数，rold为上次迭代得到的吸引信息，aold为上次迭代得到的归属信息。

在迭代结束之后，本实施例将吸引度矩阵R和归属度矩阵A相加得到矩阵E，所述矩阵E为：

将所述矩阵E的聚类质心作为RBF神经网络的隐含层节点，所述聚类质心为所述矩阵E对角线上的值大于零的点。

本实施例获得RBF神经网络的激活函数，所述激活函数为：

其中，X_p为第p个训练数据的输入向量，Ck为第k个隐含层节点向量，||·||²为二范数，σ为扩展常数矩阵。

本实施例获得每个隐含层节点的扩展常数，所述扩展常数为：

其中，矩阵C为隐含层节点信息矩阵，p为第p个隐含层节点，q为第q个隐含层节点，K为训练数据的第k个输入属性，k＝1,2,…,m，m为输入向量的长度。

本实施例获得所述输入向量X_p对应的网络输出为：

其中，Y_l为输出向量的第l个输出值，h为隐含层节点的个数，W为隐含层到输出层的权值矩阵。

本实施例中，网络训练即为获得该权值矩阵的过程。本实施例形成大小为m*n的矩阵W，m为隐含层节点数，n为输出层节点数。对矩阵W进行初始化，进行随机取0到1的值。

本实施例获得初始矩阵，所述初始矩阵为：

其中，所述初始矩阵的大小为m*n，m为隐含层节点的个数，n为输出层节点的个数。

本实施例将训练数据输入RBF神经网络，进行网络训练。对权值矩阵进行大量的迭代计算，当训练数据的输出误差小于规定值或者达到最大迭代次数时停止迭代，获得最终的隐含层到输出层的权值矩阵W。

在获得RBF神经网络模型之后，将测试数据输入RBF神经网络模型，通过公式(12)计算获得建筑运行能耗的预测值，计算与期望输出的误差，最后对数据进行分析。

为了验证基于AP聚类算法的RBF神经网络的有效性和准确性，本实施例使用相关数据进行实验。通过建筑模拟数据可以准确地反映出实际结果，因此本实施例使用建筑模拟数据。本实施例使用的数据集通过Ecotet生成，通过输入不同的建筑物以及室内室外信息生成数据，主要特征包括：墙壁的组成材料、地板的材料和厚度、屋顶材料、窗户材料、模拟有7人居住。最终每个建筑物通过8个建筑信息来表示：相对紧密度、表面积、墙面积、屋顶面积、总高度、方向、玻璃窗面积、玻璃窗面积分布。尽管无法保证模拟结果能够完全反映真实世界的实际数据，但是模拟结果能够较好的展示实际数据的百分比变化和潜在趋势，从而实现建筑物的能效分析。

图2为本发明实施例一提供的部分数据示意图。如图2所示，本实施例使用的数据集包括473条样本数据，其中训练集包括399条数据，测试集包括74条数据。每条数据具有8个输入变量、2个输出变量。数据集的8个输入变量包括：相对紧密度、表面积、墙面积、屋顶面积、总高度、房屋朝向、玻璃窗面积、玻璃窗面积分布。数据集的2个输出变量包括：住宅建筑的热负荷(HL)和住宅建筑的冷负荷(CL)。本实施例以此数据为基础，构建基于AP聚类的RBF神经网络模型并对其建筑运行能耗进行预测和分析，找到影响建筑运行能耗的主要因素。

图3为本发明实施例一提供的簇中心示意图。如图3所示，本实施例使用AP聚类算法处理训练数据集，获得簇中心并将簇中心作为RBF神经网络的隐含层节点，接着使用训练数据集对网络进行训练，最终构建一个在允许误差范围内的网络模型，使用这个网络模型预测测试数据集的建筑运行能耗，而且基于均方根误差(RMSE)和平均相对泛化误差(ARGE)衡量指标对结果进行评价。评价公式如下：

其中，k为输出层第k个节点，k＝1,2,…,p，p为输出层节点数，本实施例中输出层只有一个节点，netOut为网络预测输出值，expectOut为期望输出值。图4为本发明实施例一提供的预测数据的热负荷的期望输出与预测输出的对比示意图，图5为本发明实施例一提供的预测数据的冷负荷的期望输出与预测输出的对比示意图。预测数据集的期望输出值和网络模型输出值的比较结果如图4和图5所示。最终的误差结果如表1所示：

表1建筑能耗数据误差

根据表1可以看出，训练数据集误差较小，预测数据集误差和训练数据集误差相近，因此该模型可以对建筑能耗进行准确的预测。根据图4和图5可以看出，不同的热负荷和冷负荷情况下，拟合度均较高。根据图4和图5对热负荷和冷负荷的分析可以看出，屋顶面积和房屋高度影响较大。从上述分析结果可知，在建筑物建造时，在选址上尽可能降低房屋高度，从而降低房屋热负荷和冷负荷，实现节能降耗。

通过上述实验可知，通过AP聚类算法可以对数据进行更好地聚类，将得到的簇中心作为RBF神经网络的隐含层节点，避免了人为指定隐含层节点个数带来的误差，进而可以更准确地对建筑运行能耗进行预测，分析其主要影响因素，指出降低建筑运行能耗的方向。

本实施例提供的基于AP聚类算法的RBF建筑运行能耗的预测方法，包括：根据AP聚类算法对训练数据进行处理；根据聚类结果获得簇中心；将簇中心作为RBF神经网络的隐含层节点；将训练数据输入RBF神经网络进行网络训练，对初始矩阵进行迭代计算；当训练数据的输出误差小于设定值或者达到最大迭代次数时停止迭代，获得隐含层到输出层的权值矩阵；根据权值矩阵获得RBF网络模型；根据RBF网络模型对建筑运行能耗进行预测。本实施例提供的技术方案使用簇中心作为RBF神经网络的隐含层节点，可以避免人为指定隐含层节点个数带来的结果误差，实现有效地对建筑运行能耗进行预测，找出影响建筑运行能耗的主要因素，从而降低建筑运行能耗，最终实现节约能源的目的。

可以理解的是，以上实施方式仅仅是为了说明本发明的原理而采用的示例性实施方式，然而本发明并不局限于此。对于本领域内的普通技术人员而言，在不脱离本发明的精神和实质的情况下，可以做出各种变型和改进，这些变型和改进也视为本发明的保护范围。

Claims (4)

1.一种基于AP聚类算法的RBF建筑运行能耗的预测方法，其特征在于，包括：

对训练数据进行归一化处理；

根据归一化处理之后的训练数据形成相似度矩阵公式，所述相似度矩阵公式为：

其中，S(i,j)为数据点j作为数据点i的聚类中心的能力，{i,j}＝1,2,…,n，n为数据条数，i为第i条数据，j为第j条数据，y(i,k)为归一化之后第i条数据的第k个属性值，m为属性的个数；

根据所述相似度矩阵公式获得相似度矩阵，所述相似度矩阵为：

获得吸引度矩阵R，所述吸引度矩阵R为：

其中，R(i,j)表示j成为i的聚类质心的适合度；

获得归属度矩阵A，所述归属度矩阵A为：

其中，A(i,j)表示i有意向选j作为i的聚类质心的认可程度；

根据所述迭代公式对所述吸引度矩阵R和所述归属度矩阵A进行迭代，所述迭代公式为：

r(i，j)＝s(i，j)-max{a(i，j′)+s(i，j′)} (5)

r＝(1-lam)*r+lam*rold (7)

a＝(1-lam)*a+lam*aold (8)

其中，公式i'为除当前i以外的其他点，公式j’为除当前j以外的其他点，lam为阻尼系数，rold为上次迭代得到的吸引信息，aold为上次迭代得到的归属信息；

在迭代结束之后根据所述吸引度矩阵R和所述归属度矩阵A获得矩阵E，所述矩阵E为：

将所述矩阵E的聚类质心作为RBF神经网络的隐含层节点，所述聚类质心为所述矩阵E对角线上的值大于零的点；

将所述训练数据输入RBF神经网络进行网络训练，对初始矩阵进行迭代计算；

当所述训练数据的输出误差小于设定值或者达到最大迭代次数时停止迭代，获得隐含层到输出层的权值矩阵；

根据所述权值矩阵获得RBF网络模型；

根据所述RBF网络模型对建筑运行能耗进行预测。

2.根据权利要求1所述的基于AP聚类算法的RBF建筑运行能耗的预测方法，其特征在于，所述对初始矩阵进行迭代计算的步骤之前包括：

获得RBF神经网络的激活函数，所述激活函数为：

其中，X_p为第p个训练数据的输入向量，C_k为第k个隐含层节点向量，||·||²为二范数，σ为扩展常数矩阵；

获得每个隐含层节点的扩展常数，所述扩展常数为：

其中，矩阵C为隐含层节点信息矩阵，p为第p个隐含层节点，q为第q个隐含层节点，K为训练数据的第k个输入属性，k＝1,2,…,m，m为输入向量的长度。

3.根据权利要求2所述的基于AP聚类算法的RBF建筑运行能耗的预测方法，其特征在于，所述获得每个隐含层节点的扩展常数的步骤之后包括：

获得所述输入向量X_p对应的网络输出为：

其中，Y_l为输出向量的第l个输出值，h为隐含层节点的个数，W为隐含层到输出层的权值矩阵。

4.根据权利要求1所述的基于AP聚类算法的RBF建筑运行能耗的预测方法，其特征在于，所述对初始矩阵进行迭代计算的步骤之前包括：

获得初始矩阵，所述初始矩阵为：

其中，所述初始矩阵的大小为m*n，m为隐含层节点的个数，n为输出层节点的个数；

对所述初始矩阵进行初始化，随机获取0到1的值。