CN111291465B - 基于遗传算法与神经网络的船舶空调热舒适温度预测方法 - Google Patents
基于遗传算法与神经网络的船舶空调热舒适温度预测方法 Download PDFInfo
- Publication number
- CN111291465B CN111291465B CN202010025305.3A CN202010025305A CN111291465B CN 111291465 B CN111291465 B CN 111291465B CN 202010025305 A CN202010025305 A CN 202010025305A CN 111291465 B CN111291465 B CN 111291465B
- Authority
- CN
- China
- Prior art keywords
- value
- thermal comfort
- neural network
- weight threshold
- genetic algorithm
- 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.)
- Active
Links
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/70—Control systems characterised by their outputs; Constructional details thereof
- F24F11/80—Control systems characterised by their outputs; Constructional details thereof for controlling the temperature of the supplied air
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- General Physics & Mathematics (AREA)
- Mechanical Engineering (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Physiology (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明公开了基于遗传算法与神经网络的船舶空调热舒适温度预测方法,包括以下步骤:步骤1:对PMV‑PPD模型修正,获得PMV*‑PPD模型;步骤2:对PMV*‑PPD模型仿真计算,得出最优适应度值;步骤3:对权值阈值优化计算,获取最优权值阈值;步骤4:构建船舶舱室热舒适度预测模型,对最优权值阈值仿真误差计算,获得热舒适温度误差;当热舒适温度误差大于温度阈值时,重复步骤4;当热舒适温度误差小于或等于温度阈值时,输出热舒适温度,完成预测。此发明解决了传统船舶空调恒温控制系统导致的船员和旅客舒适度降低和船舶能源浪费的问题,采用遗传算法优化神经网络系统,提高了预测温度的精准值,营造了舒适的船舶环境,节约了能源,促进了船舶工作人员的工作效率。
Description
技术领域
本发明涉及节能环保技术领域,具体涉及基于遗传算法与神经网络的船舶空调热舒适温度预测方法。
背景技术
船舶航行于世界范围内的各海域上,海上气候复杂多变,为了给船员和旅客提供一个适宜的生活、工作环境,采用空调技术在船舶舱室内创造和维持一个相对稳定适宜的温湿度环境。船员和旅客用船舶空调来调节船舶舱室内环境的冷暖,保持一个良好舒适的船舶舱室环境,不仅有利于人体健康,而且又能提高人员的工作效率。
为了构建一个绿色、健康、舒适的舱室环境,必须综合考虑各项环境因素和人体自身因素,建立一个符合船舶舱室环境热舒适度的评价指标体系,以确保船舶舱室环境是符合船员和旅客要求得舒适状态。
目前,船舶空调作为人们调节船舶舱室环境的主要工具之一,主要通过对舱室温度、相对湿度、送风量等环境参数进行控制,使舱室达到相对的舒适环境。传统的船舶空调控制系统主要是定温、定湿和定风量控制,并不能真正意义上实现船舶舱室的热舒适性,并且产生了极大的能源浪费。
因此,根据人们对热舒适性的需求,船舶舱室环境的控制方式从单一的恒值控制,变成舒适节能控制。舒适控制其实可以看成是对传统的等温控制的拓展,以热舒适指标为评价标准进行温度控制也可以看做是舒适控制的一种方式。在舒适度控制之中不仅要考虑温度和湿度的作用,而且还要考虑影响人体舒适度的其他相关变量。采用热舒适指标为评价标准的舒适性控制不仅继承了传统温度控制的优点,并且修正了其中的缺陷,既实现了舒适的环境又节约了能源消耗。
发明内容
本发明的目的是提供基于遗传算法与神经网络的船舶空调热舒适温度预测方法。此方法旨在解决传统船舶空调恒温控制系统导致的船员和旅客舒适度降低和船舶能源浪费的问题,采用遗传算法优化神经网络系统,提高预测温度的精准值,营造舒适的船舶环境,节约能源,促进船舶工作人员的工作效率。
为达到上述目的,本发明提供了基于遗传算法与神经网络的船舶空调热舒适温度预测方法,包括以下步骤:
步骤1:根据船舶舱室情况对初始设置的PMV-PPD模型进行修正,获得修正后的PMV*-PPD模型;
步骤2:基于遗传算法采用MATLAB软件对PMV*-PPD模型进行仿真计算,得出最优适应度值;
步骤3:在最优适应度值下,基于遗传算法对BP神经网络预设的权值阈值进行优化计算,获取最优权值阈值;
步骤4:构建船舶舱室热舒适度预测模型,对最优权值阈值进行仿真误差计算,获得GA遗传算法-BP神经网络预测的热舒适温度误差;当热舒适温度误差大于内设的温度阈值时,重复步骤4;当热舒适温度误差小于或等于内设的温度阈值时,输出此刻的热舒适温度,完成热舒适温度的预测。
最优选的,仿真计算还包括以下步骤:
步骤2.1:对PMV*-PPD模型进行初始设置,获得遗传种群的初始解;
步骤2.2:根据遗传种群的初始解,构建第一适应度函数,并计算得出遗传种群中个体的适应度值;
步骤2.3:基于遗传算法对个体的适应度值进行计算,筛选出随着遗传代数增加的最优适应度值。
最优选的,筛选最优适应度值还包括以下步骤:
步骤2.3.1:采用选择算子对个体的适应度值进行选择操作,并筛选出能够进入下一代的第一代个体;
步骤2.3.2:对第一代个体在交叉算子的作用下进行交叉操作,获得第二代个体;
步骤2.3.3:根据变异概率在变异算子的作用下对第二代个体进行变异操作,生成新的第三代个体;
步骤2.3.4:对第三代个体的适应度值进行第一判定;若第三代个体的适应度值不为0时,遗传迭代仍能进行,重复步骤2.3;若第三代个体的适应度值为0时,遗传迭代无法进行,则遗传算法结束,输出第三代个体的适应度值为最优适应度值。
最优选的,个体的适应度值包括遗传进化过程中表面传热系数和衣服外表面温度。
最优选的,优化计算包括以下步骤:
步骤3.1:在最优适应度值下,对遗传种群进行初始选定,获得初始种群编码;
步骤3.2:根据初始种群编码和BP神经网络预设的权值阈值,构建第二适应度函数,并计算得出个体权值阈值;
步骤3.3:基于遗传算法对个体权值阈值进行计算,筛选出随着遗传代数增加的最优权值阈值。
最优选的,构建第二适应度函数包括以下步骤:
步骤3.2.1:将初始种群编码进行遗传算法计算,获得种群预测值;
步骤3.2.2:将PMV*-PPD模型计算出的训练数据进行BP神经网络训练,获得种群期望值;
步骤3.2.3:将种群预测值与种群期望值进行误差计算,则种群预测值与种群期望值的误差绝对值为第二适应度函数。
最优选的,筛选最优权值阈值还包括以下步骤:
步骤3.3.1:对个体权值阈值进行选择操作,获得选择权值阈值;
步骤3.3.2:对选择权值阈值采用单点交叉的方式进行交叉操作,获得交叉权值阈值;
步骤3.3.3:对交叉权值阈值进行变异操作,获得变异权值阈值;
步骤3.3.4:对变异权值阈值进行第二判定;若变异权值阈值与设定的平均适应值的标准差不趋于内设的标准差阈值,则重复步骤3.3;若变异权值阈值与设定的平均适应值的标准差趋于内设的标准差阈值,则变异权值阈值收敛,输出变异权值阈值作为最优权值阈值。
运用此发明,解决了传统船舶空调恒温控制系统导致的船员和旅客舒适度降低和船舶能源浪费的问题,采用遗传算法优化神经网络系统,提高了预测温度的精准值,营造了舒适的船舶环境,节约了能源,促进了船舶工作人员的工作效率。
相对于现有技术,本发明具有以下有益效果:
1、本发明提供的修正后的PMV*-PPD模型所对应的热舒适温度较之通用的PMV-PPD模型高,则使用修正后的PMV*-PPD模型在船舶上更加节能。
2、本发明针对船舶热舒适控制中需要实时调节及方便实现的因素,构造热舒适神经网络实时预测系统,满足了热舒适控制的需要,并采用遗传算法优化神经网络系统,提高了预测温度的精准值。
3、本发明采用舒适性控制的间接方式,综合考虑影响热舒适的环境因素和人为因素得到舒适的船舶舱室温度设定值,营造了舒适的船舶环境,节约了能源,对于营造船舶上舒适的舱室环境,促进船舶工作人员的工作效率,缓解工作的劳累有很大的帮助。
附图说明
图1为本发明提供的热舒适温度预测流程图;
图2为本发明提供的实施例中遗传进化过程中hc和tcl的取值图;
图3为本发明提供的实施例中遗传进化过程中适应度值随着遗传代数增加的取值图;
图4为本发明提供的实施例中隐含层阈值B1的向量长度S1=7时,热舒适温度误差比较图;
图5为本发明提供的实施例中隐含层阈值B1的向量长度S1=10时,热舒适温度误差比较图;
图6为本发明提供的实施例中隐含层阈值B1的向量长度S1=13时,热舒适温度误差比较图;
图7为本发明提供的实施例中隐含层阈值B1的向量长度S1=16时,热舒适温度误差比较图;
图8为本发明提供的实施例中不同隐含层阈值B1的向量长度S1的热舒适温度误差最大值的比较图;
图9为本发明提供的实施例中不同隐含层阈值B1的向量长度S1的热舒适温度误差平均值的比较图;
图10为本发明提供的实施例中不同隐含层阈值B1的向量长度S1的热舒适温度误差的方差的比较图。
具体实施方式
以下结合附图通过具体实施例对本发明作进一步的描述,这些实施例仅用于说明本发明,并不是对本发明保护范围的限制。
本发明是基于遗传算法与神经网络的船舶空调热舒适温度预测方法,如图1所示,该方法包括以下步骤:
基于遗传算法与神经网络的船舶空调热舒适温度预测方法,包括以下步骤:
步骤1:根据船舶舱室现场的实际情况,对初始设置的第一预测平均评价-预测平均不满意百分比(PMV-PPD)模型中的第一服装热阻值Icl和第一新陈代谢量M进行修正,获得符合船舶舱室的热舒适的修正后的第二预测平均评价-预测平均不满意百分比(PMV*-PPD)模型中的第二服装热阻值Icl *和第二新陈代谢量M*。
将船上工作人员的着装数据统计归纳并把不同着装不同人员在同一环境下的热感觉投票(TSV)进行对比,将男性工作人员长袖、长裤和短袖、长裤的服装看作相同,将女性长袖、长裤和长袖、短裙的服装热阻Icl相同,将短袖、长裤的阻值等同于短袖、短裙,忽略下身着装的差异,仅以上身着装为主进行热舒适分析。其中,服装热阻Icl单位为克罗(clo)。
在其他条件相同的前提下,将本次同等服装热阻Icl下的TSV与PMV进行拟合,得到第二服装热阻值Icl *和美国采暖、制冷与空调工程师学会ASHRAE标准55-2017之间的拟合方程为:
Icl *=0.056Ιcl(ASHRAE55-2017)-0.013。
在新陈代谢量M方面,新陈代谢量M的单位为瓦每平方米(W/m2)。考虑到船员身份的特殊性,在船员舱室进行平躺和静坐两种活动状态下的调查,按照与修正服装热阻Icl同样的方法,得出按美国采暖、制冷与空调工程师学会ASHRAE标准55-2017计算出的第一新陈代谢量M与第二新陈代谢量M*之间的函数关系为:
M*=0.023[M(ASHRAE55-2017)]2+1.35。
将第二服装热阻值Icl *和第二新陈代谢量M*代入PMV-PPD模型方程,得到PMV*-PPD模型方程:
PMV*=[0.303exp(-0.036M*)+0.028]×{(M*-W)-3.05×10-3[5733-6.99(M*-W)-Pa]-0.42[(M*-W)-58.15]-1.7×10-5M*(5867-Pa)-0.0014M*(34-ta)-3.96×10-8fcl[(tcl+273)4-(tr+273)4]-fclhc(tcl-ta)}
其中,W为人体所做的机械功,单位为W/m2;ta为人体周围空气温度,单位为℃;tr为房间的平均辐射温度,单位为℃;fcl为穿衣服人体外表面积与裸身人体表面积之比,且满足:
tcl为衣服外表面温度,单位为℃,且满足:
tcl=35.7-0.0028(M*-W)-Icl{3.96×10-8×fcl[(tcl+273)4+fclhc(tcl-ta)]};
hc为表面传热系数,单位为瓦每平方米每开(W/(m2·k)),且满足:
其中,v为空气流速,单位为米每秒(m/s);Pa为人体周围空气的水蒸气分压力,与空气湿度有关,单位为帕斯卡(Pa),且满足:
其中,为空气相对湿度。
根据舒适性空调室内设计规范要求,人体周围空气温度ta为22~30℃;房间的平均辐射温度tr为22~30℃,空气相对湿度为30%~70%,空气流速v为0~0.5m/s。
本实施例中,设置M=1.2met;Icl=0.5clo;W=0;v=0.2m/s;tr=26℃;ta=26℃;
步骤2:基于遗传算法采用MATLAB软件对PMV*-PPD模型进行仿真计算,得出最优适应度值。
其中,仿真计算还包括以下步骤:
步骤2.1:根据PMV*-PPD模型设定的精度以及变量个数对PMV*-PPD模型中的衣服外表面温度tcl和表面传热系数hc进行初始设置,获得遗传种群的初始解。
其中,初始设置包括选定衣服外表面温度tcl中的第一遗传种群数值、表面传热系数hc中的第二遗传种群数值以及第一染色体长度;遗传种群的初始解为衣服外表面温度tcl中的第一遗传种群数值、表面传热系数hc中的第二遗传种群数值以及第一染色体长度。
在本实施例中,第一遗传种群数值和第二遗传种群数值均为40;第一染色体长度采用二进制编码,取二进制编码为010010011011011110111110,则染色体长度为25。
步骤2.2:根据遗传种群的初始解,构建出第一适应度函数G,并计算得出遗传种群中个体的适应度值。
其中,适应度值包括遗传进化过程中表面传热系数hc和衣服外表面温度tcl;第一适应度函数G满足:
G=f1 2+f2 2
其中,f1和f2分别为衣服外表面温度tcl和表面传热系数hc变形后公式,且分别满足:
同时,适应度函数G的遗传算法的编程编写如下:
G=f1.^2+f2.^2。
步骤2.3:基于遗传算法对遗传种群中第i个个体的适应度值Fi进行计算,筛选出随着遗传代数增加的最优适应度值。
其中,筛选最优适应度值还包括以下步骤:
步骤2.3.1:采用选择算子对个体的适应度值Fi进行选择操作,并筛选出能够进入下一代的第一代个体。
其中,选择操作满足:
其中,N为遗传种群的个体数,Fi为第i个个体的适应度值,Pi为个体遗传到下一代的概率。
当第i个个体遗传到下一代的概率Pi小于概率阈值,则第i个个体不能直接进入下一代;当第i个个体遗传到下一代的概率Pi大于或等于概率阈值,则第i个个体能够直接进入下一代,从而筛选出能够进入下一代的第一代个体。因此,遗传种群中个体适应度Fi的大小决定个体是否能够直接进入下一代。
步骤2.3.2:对进入下一代的第一代个体在交叉算子的作用下进行交叉操作,获得第一代个体的第二代个体。
其中,交叉操作为根据第一交叉概率,对任意两个相互配对的第一代个体,按照一种特定的方式进行交叉、重组其部分基因,获得两个第二代个体。
本实施例中,第一交叉概率为0.25。
步骤2.3.3:根据第一变异概率在变异算子的作用下对第二代个体进行变异操作,使得第二代个体中的部分基因值发生变异,生成新的第三代个体。
本实施例中,第一变异概率为0.01。
步骤2.3.4:对第三代个体的适应度值进行第一判定;若第三代个体的适应度值大于0时,遗传迭代仍能进行,则重复步骤2.3;若第三代个体的适应度值等于0时,遗传迭代无法进行,则遗传算法结束,输出第三代个体的适应度值为最优适应度值。
输出的第三代个体的适应度值为追踪遗传选择过程中随着历代增加的遗传代数中不再发生变化的表面传热系数hc和衣服外表面温度tcl的值。
本实施例中,如图2所示为遗传进化过程中hc和tcl的取值;如图3所示为追踪遗传选择过程中随着遗传代数增加的适应度值的取值。在连续进行遗传迭代100次的计算过程中,运行到第15次解开始稳定,到第20次遗传迭代得出最优解。
而采用直接迭代运算,根据迭代初始值的选择不同,迭代次数也从几百次到几万次不等,表1所示是迭代初始计算值为tcl=30℃时的计算结果,可以看出使用遗传算法求解tcl和hc迭代次数少,运算精度高。
表1遗传算法与普通迭代算法的对比数据
步骤3:在最优适应度值下,基于遗传算法对误差反向传播(Back Propagation,BP)神经网络预设的权值阈值进行优化计算,获取最优权值阈值。
其中,基于遗传算法优化计算进行全局优化搜索,优化预设的权值阈值,提高BP神经网络精度。基于遗传算法优化计算包括以下步骤:
步骤3.1:在最优适应度值下,对遗传种群进行初始选定,获得初始种群编码。
BP神经网络为经典的三层结构,包括输入层、输出层和隐含层。
其中,BP神经网络的输入层神经元数量为R,输入层神经元数量R根据实际情况变化。本实施例中,输入层神经元数量R等于6。
BP神经网络的隐含层的阈值为B1,且隐含层阈值B1的向量长度为S1。隐含层阈值B1的向量长度S1需要通过多次测试,最终选择设定的最佳值,其中,隐含层阈值B1的向量长度S1满足S形(Sigmoid)函数:
BP神经网络的输出层的阈值为B2,且输出层阈值B2的向量长度为S2。输出层阈值B2的向量长度S2需要通过多次测试,最终选择设定的最佳值,且输出层阈值B2的向量长度S2=1表示空气温度舒适。其中,输出层阈值B2的向量长度S2满足纯粹线性(Purelin)函数:
g(x)=x。
同时,BP神经网络的输入层与隐含层的连接权值为W1,W1为矩阵R×S1,且满足:
W1(i,k)=R(i-1)+k,i∈[1,R]
其中,i和k分别为BP神经网络的输入层和输出层的神经网络节点。
BP神经网络的隐含层与输出层的连接权值为W2,W2为矩阵S1×S2,且满足:
W2(i,k)=S1(i-1)+k+RS1,i∈[1,S2],k∈[1,S1]。
同时,隐含层阈值B1满足:
B1(i,1)=RS1+S1S2+i,i∈[1,S1];
输出层阈值B2满足:
B2(i,1)=RS1+S1S2+S1+i,i∈[1,S2]。
对BP神经网络采用实数编码的方式,来简化后续遗传算法的计算过程。BP神经网络的编码长度为S,且S满足:
S=R×S1+S1×S2+S1+S2;
编码长度是从1开始增加的实数,W2以W1为基础进行递增;B1基于W2的基础上进行递增;B2在B1的基础上进行递增。将其连在一起形成一个长串并构成一个完整的染色体。在权值阈值的范围内,由染色体形成初始种群。在本实施例中,初始种群的规模取50。
步骤3.2:采用MATLAB软件进行模型仿真,根据初始种群编码和BP神经网络预设的权值阈值,构建出第二适应度函数Ffit,并计算得出遗传种群中的个体权值阈值。
其中,构建第二适应度函数包括以下步骤:
步骤3.2.1:将初始种群编码进行遗传算法计算,获得种群预测值;
步骤3.2.2:根据PMV*-PPD模型计算出的训练数据进行BP神经网络训练,获得种群期望值;
GA遗传算法-BP神经网络根据PMV*-PPD模型计算出的训练数据进行训练;训练数据为PMV*-PPD模型计算出的平均辐射温度,舱室空气流速,舱室内相对湿度,人体服装热阻,人体新陈代谢速率和舱室内空气温度。
初始种群编码向BP神经网络提供足够多的算法数据,并通过遗传算法调整BP神经网络的结构,主要是调节权值阈值,使BP神经网络输出的种群预测值与预期值相符,完成BP神经网络训练。
本实施例中,GA遗传算法-BP神经网络对四种不同神经元隐层拓扑结构进行训练和测试100次,训练精度为0.0004;四种不同的神经元数量分别为S1-1=7,S1-2=10,S1-3=13,S1-4=16。学习速率取0.01-0.9之间;学习率指的是该神经网络的学习率,作用是不断调整权值阈值;且学习率为0.1。
步骤3.2.3:将种群预测值与种群期望值进行误差计算,则种群预测值与种群期望值的误差绝对值e为第二适应度函数Ffit,且满足:
其中,n为BP神经网络的输出节点数;yi为BP神经网络中第i个节点的种群期望值;oi为BP神经网络中第i个节点的种群预测值;Aabs为绝对值函数。
步骤3.3:基于遗传算法对遗传种群中的第i个个体的个体权值阈值进行计算,筛选出随着遗传代数增加的最优权值阈值。
筛选最优权值阈值还包括以下步骤:
步骤3.3.1:对个体权值阈值进行选择操作,获得选择权值阈值。
其中,采用排序选择的方法,将个体权值阈值从小到大进行排序,根据轮盘赌的选择方法对种群个体进行选择,获取选择权值阈值。
步骤3.3.2:对选择权值阈值采用单点交叉的方式进行交叉操作,获得交叉权值阈值。
其中,交叉操作为随机选择两个选择权值阈值,随机选择一个交换点对两个选择权值阈值进行交叉,获得交叉权值阈值。在本实施例中,第二交叉概率为0.3。
步骤3.3.3:对交叉权值阈值进行变异操作,获得变异权值阈值。
变异操作为使用均匀分布的随机数在交叉权值阈值的编码字符串中选择进行突变的基因,并替换为其他基因。在本实施例中,第二变异概率为0.1。
步骤3.3.4:对变异权值阈值进行第二判定;若变异权值阈值与设定的平均适应值的标准差不趋于内设的标准差阈值,则重复步骤3.3;若变异权值阈值与设定的平均适应值的标准差趋于内设的标准差阈值,则变异权值阈值收敛,输出变异权值阈值作为最优权值阈值。
步骤4:构建船舶舱室热舒适度预测模型,对最优权值阈值进行仿真误差计算,获得GA遗传算法-BP神经网络预测的热舒适温度误差;当热舒适温度误差大于内设的温度阈值时,重复步骤4;当热舒适温度误差小于或等于内设的温度阈值时,输出此刻的热舒适温度,完成热舒适温度的预测。
在本实施例中,以PMV*设定值,平均辐射温度,舱室空气流速,舱室内相对湿度,人体服装热阻和人体新陈代谢速率作为输入数据,热舒适条件下舱室空气温度为输出数据,输入数据和输出数据均由所述步骤1中修正后的PMV*方程计算所得。
所得数据共2000组,随机抽取95%的数据作为训练样本,即训练样本1900组,其余5%的数据作为测试样本,即测试样本100组,对GA遗传算法-BP神经网络和BP神经网络模型进行训练和测试。所用数据列于表2船舶舱室热舒适值:
表2船舶舱室热舒适值
测试用的100组样本,分别在BP神经网络预测系统和GA遗传算法-BP神经网络预测系统下所得的热舒适温度误差如图4到图7所示。
如图4所示,隐含层神经元数量S1等于7时,BP神经网络预测系统的热舒适温度误差范围在[-0.8,0.8],GA遗传算法-BP神经网络预测系统的热舒适温度误差范围在[-0.4,0.2]。
如图5所示,隐含层神经元数量S1等于10时,BP神经网络预测系统的热舒适温度误差范围在[-0.6,0.4],GA遗传算法-BP神经网络预测系统的热舒适温度误差范围在[-0.4,0.2]。
如图6所示,隐含层神经元数量S1等于13时,BP神经网络预测系统的热舒适温度误差范围在[-0.2,0.2],GA遗传算法-BP神经网络预测系统的热舒适温度误差范围在[-0.12,0.12]。
如图7所示,隐含层神经元数量S1等于16时,BP神经网络预测系统的热舒适温度误差范围在[-0.7,0.3],GA遗传算法-BP神经网络预测系统的热舒适温度误差范围在[-0.7,0.2]。
图8、图9和图10分别为不同隐含层神经元数量S1的热舒适温度误差最大值的比较图、热舒适温度误差平均值的比较图和热舒适温度误差的方差的对比图。
由图8可知,隐含层神经元数量S1等于7时,BP神经网络预测系统的热舒适温度误差最大值0.72,GA遗传算法-BP神经网络预测系统的热舒适温度误差最大值0.33;
隐含层神经元数量S1等于10时,BP神经网络预测系统的热舒适温度误差最大值0.54,GA遗传算法-BP神经网络预测系统的热舒适温度误差最大值0.34;
隐含层神经元数量S1等于13时,BP神经网络预测系统的热舒适温度误差最大值0.20,GA遗传算法-BP神经网络预测系统的热舒适温度误差最大值0.12;
隐含层神经元数量S1等于16时,BP神经网络预测系统的热舒适温度误差最大值0.61,GA遗传算法-BP神经网络预测系统的热舒适温度误差最大值0.67。
由图9可知,隐含层神经元数量S1等于7时,BP神经网络预测系统的热舒适温度误差平均值0.20,GA遗传算法-BP神经网络预测系统的热舒适温度误差平均值0.07;
隐含层神经元数量S1等于10时,BP神经网络预测系统的热舒适温度误差平均值0.09,GA遗传算法-BP神经网络预测系统的热舒适温度误差平均值0.04;
隐含层神经元数量S1等于13时,BP神经网络预测系统的热舒适温度误差平均值0.04,GA遗传算法-BP神经网络预测系统的热舒适温度误差平均值0.03;
隐含层神经元数量S1等于16时,BP神经网络预测系统的热舒适温度误差平均值0.08,GA遗传算法-BP神经网络预测系统的热舒适温度误差平均值0.05。
由图10可知,隐含层神经元数量S1等于7时,BP神经网络预测系统的热舒适温度误差方差0.0717,GA遗传算法-BP神经网络预测系统的热舒适温度误差方差0.0088;
隐含层神经元数量S1等于10时,BP神经网络预测系统的热舒适温度误差方差0.0172,GA遗传算法-BP神经网络预测系统的热舒适温度误差方差0.0037;
隐含层神经元数量S1等于13时,BP神经网络预测系统的热舒适温度误差方差0.0038,GA遗传算法-BP神经网络预测系统的热舒适温度误差方差0.0019;
隐含层神经元数量S1等于16时,BP神经网络预测系统的热舒适温度误差方差0.0157,GA遗传算法-BP神经网络预测系统的热舒适温度误差方差0.0084。
因此在四种不同神经元数量的预测系统中,不论BP神经网络预测系统还是GA遗传算法-BP神经网络预测系统,都是当隐含层神经元数量等于13时,热舒适温度误差最大值最小,热舒适温度误差平均值最小,热舒适温度误差方差最小。并且,当隐含层神经元数量为13时,GA遗传算法-BP神经网络预测系统的热舒适温度误差最大值比BP神经网络预测系统小0.08,GA遗传算法-BP神经网络预测系统的热舒适温度误差平均值比BP神经网络预测系统小0.01,GA遗传算法-BP神经网络预测系统的热舒适温度误差方差比BP神经网络预测系统小0.0019。在所有的预测结果中,隐含层神经元数量为13时的GA遗传算法-BP神经网络预测结果的误差最小,最准确,且波动最小,最稳定。
本发明的工作原理:
根据船舶舱室情况对初始设置的PMV-PPD模型进行修正,获得修正后的PMV*-PPD模型;基于遗传算法采用MATLAB软件对PMV*-PPD模型进行仿真计算,得出最优适应度值;在最优适应度值下,基于遗传算法对BP神经网络预设的权值阈值进行优化计算,获取最优权值阈值;构建船舶舱室热舒适度预测模型,对最优权值阈值进行仿真误差计算,获得GA遗传算法-BP神经网络预测的热舒适温度误差;当热舒适温度误差大于内设的温度阈值时,重复仿真误差计算;当热舒适温度误差小于或等于内设的温度阈值时,输出此刻的热舒适温度,完成热舒适温度的预测。
综上所述,本发明基于遗传算法与神经网络的船舶空调热舒适温度预测方法,解决了传统船舶空调恒温控制系统导致的船员和旅客舒适度降低和船舶能源浪费的问题,采用遗传算法优化神经网络系统,提高了预测温度的精准值,营造了舒适的船舶环境,节约了能源,促进了船舶工作人员的工作效率。
尽管本发明的内容已经通过上述优选实施例作了详细介绍,但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后,对于本发明的多种修改和替代都将是显而易见的。因此,本发明的保护范围应由所附的权利要求来限定。
Claims (4)
1.基于遗传算法与神经网络的船舶空调热舒适温度预测方法,其特征在于,包括以下步骤:
步骤1:根据船舶舱室情况对初始设置的PMV-PPD模型进行修正,获得修正后的PMV*-PPD模型;
步骤2:基于遗传算法采用MATLAB软件对所述PMV*-PPD模型进行仿真计算,得出最优适应度值;
步骤3:在所述最优适应度值下,基于遗传算法对BP神经网络预设的权值阈值进行优化计算,获取最优权值阈值;
步骤4:构建船舶舱室热舒适度预测模型,对所述最优权值阈值进行仿真误差计算,获得GA遗传算法-BP神经网络预测的热舒适温度误差;当热舒适温度误差大于内设的温度阈值时,重复步骤4;当热舒适温度误差小于或等于内设的温度阈值时,输出此刻的热舒适温度,完成热舒适温度的预测;
所述仿真计算还包括以下步骤:
步骤2.1:对所述PMV*-PPD模型进行初始设置,获得遗传种群的初始解;
步骤2.2:根据所述初始解,构建第一适应度函数,并计算得出遗传种群中个体的适应度值;
步骤2.3:基于遗传算法对所述个体的适应度值进行计算,筛选出随着遗传代数增加的最优适应度值;
筛选所述最优适应度值还包括以下步骤:
步骤2.3.1:采用选择算子对所述个体的适应度值进行选择操作,并筛选出能够进入下一代的第一代个体;
步骤2.3.2:对所述第一代个体在交叉算子的作用下进行交叉操作,获得第二代个体;
步骤2.3.3:根据变异概率在变异算子的作用下对所述第二代个体进行变异操作,生成新的第三代个体;
步骤2.3.4:对所述第三代个体的适应度值进行第一判定;若第三代个体的适应度值不为0时,遗传迭代仍能进行,则重复步骤2.3;若所述第三代个体的适应度值为0时,遗传迭代无法进行,则遗传算法结束,输出所述第三代个体的适应度值为最优适应度值;
所述优化计算包括以下步骤:
步骤3.1:在所述最优适应度值下,对遗传种群进行初始选定,获得初始种群编码;
步骤3.2:根据所述初始种群编码和所述BP神经网络预设的权值阈值,构建第二适应度函数,并计算得出所述个体权值阈值;
步骤3.3:基于遗传算法对所述个体权值阈值进行计算,筛选出随着遗传代数增加的最优权值阈值。
2.如权利要求1所述的基于遗传算法与神经网络的船舶空调热舒适温度预测方法,其特征在于,所述个体的适应度值包括遗传进化过程中表面传热系数和衣服外表面温度。
3.如权利要求1所述的基于遗传算法与神经网络的船舶空调热舒适温度预测方法,其特征在于,构建所述第二适应度函数包括以下步骤:
步骤3.2.1:将所述初始种群编码进行遗传算法测试计算,获得种群预测值;
步骤3.2.2:将所述PMV*-PPD模型计算出的训练数据进行BP神经网络训练,获得种群期望值;
步骤3.2.3:将所述种群预测值与所述种群期望值进行误差计算,则所述种群预测值与所述种群期望值的误差绝对值为所述第二适应度函数。
4.如权利要求1所述的基于遗传算法与神经网络的船舶空调热舒适温度预测方法,其特征在于,筛选所述最优权值阈值还包括以下步骤:
步骤3.3.1:对所述个体权值阈值进行选择操作,获得选择权值阈值;
步骤3.3.2:对所述选择权值阈值采用单点交叉的方式进行交叉操作,获得交叉权值阈值;
步骤3.3.3:对所述交叉权值阈值进行变异操作,获得变异权值阈值;
步骤3.3.4:对所述变异权值阈值进行第二判定;若所述变异权值阈值与设定的平均适应值的标准差不趋于内设的标准差阈值,则重复步骤3.3;若所述变异权值阈值与设定的平均适应值的标准差趋于内设的标准差阈值,则变异权值阈值收敛,输出所述变异权值阈值作为所述最优权值阈值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010025305.3A CN111291465B (zh) | 2020-01-10 | 2020-01-10 | 基于遗传算法与神经网络的船舶空调热舒适温度预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010025305.3A CN111291465B (zh) | 2020-01-10 | 2020-01-10 | 基于遗传算法与神经网络的船舶空调热舒适温度预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111291465A CN111291465A (zh) | 2020-06-16 |
CN111291465B true CN111291465B (zh) | 2023-10-03 |
Family
ID=71024186
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010025305.3A Active CN111291465B (zh) | 2020-01-10 | 2020-01-10 | 基于遗传算法与神经网络的船舶空调热舒适温度预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111291465B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113673039B (zh) * | 2021-09-06 | 2023-12-12 | 江南造船(集团)有限责任公司 | 基于热环境仿真的船舶通风系统设计方法、系统、介质及终端 |
CN116910482B (zh) * | 2023-08-08 | 2024-05-28 | 雅莹集团股份有限公司 | 预测羽绒服防寒温度的方法及其系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5436852A (en) * | 1990-09-21 | 1995-07-25 | Yamatake-Honeywell Co., Ltd. | Method and apparatus for calculating predicted mean thermal sensitivity |
JPH085126A (ja) * | 1994-06-24 | 1996-01-12 | Hitachi Eng Co Ltd | 空調機運転制御装置および制御方法 |
CN104700147A (zh) * | 2015-03-17 | 2015-06-10 | 芜湖凯博实业股份有限公司 | 冷却塔出水温度预测方法 |
CN107909149A (zh) * | 2017-10-26 | 2018-04-13 | 西北农林科技大学 | 一种基于遗传bp神经网络的日光温室温度预测方法 |
CN108413588A (zh) * | 2018-02-12 | 2018-08-17 | 北京工业大学 | 一种基于热成像及bp神经网络的个性化空调控制系统及方法 |
CN109165421A (zh) * | 2018-08-03 | 2019-01-08 | 武汉理工大学 | 基于遗传算法优化bp神经网络的船舶轴系轴承负荷值预测方法 |
CN109615139A (zh) * | 2018-12-14 | 2019-04-12 | 西安理工大学 | 一种基于文化遗传算法的居民中长期用电量预测方法 |
CN110298487A (zh) * | 2019-05-30 | 2019-10-01 | 同济大学 | 一种用于满足用户个性化需求的室内温度预测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107229972A (zh) * | 2017-03-10 | 2017-10-03 | 东莞理工学院 | 一种基于拉马克获得性遗传原理的全局优化、搜索和机器学习方法 |
CN108416103A (zh) * | 2018-02-05 | 2018-08-17 | 武汉大学 | 一种串联混合动力电动汽车交直流变换器的故障诊断方法 |
-
2020
- 2020-01-10 CN CN202010025305.3A patent/CN111291465B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5436852A (en) * | 1990-09-21 | 1995-07-25 | Yamatake-Honeywell Co., Ltd. | Method and apparatus for calculating predicted mean thermal sensitivity |
JPH085126A (ja) * | 1994-06-24 | 1996-01-12 | Hitachi Eng Co Ltd | 空調機運転制御装置および制御方法 |
CN104700147A (zh) * | 2015-03-17 | 2015-06-10 | 芜湖凯博实业股份有限公司 | 冷却塔出水温度预测方法 |
CN107909149A (zh) * | 2017-10-26 | 2018-04-13 | 西北农林科技大学 | 一种基于遗传bp神经网络的日光温室温度预测方法 |
CN108413588A (zh) * | 2018-02-12 | 2018-08-17 | 北京工业大学 | 一种基于热成像及bp神经网络的个性化空调控制系统及方法 |
CN109165421A (zh) * | 2018-08-03 | 2019-01-08 | 武汉理工大学 | 基于遗传算法优化bp神经网络的船舶轴系轴承负荷值预测方法 |
CN109615139A (zh) * | 2018-12-14 | 2019-04-12 | 西安理工大学 | 一种基于文化遗传算法的居民中长期用电量预测方法 |
CN110298487A (zh) * | 2019-05-30 | 2019-10-01 | 同济大学 | 一种用于满足用户个性化需求的室内温度预测方法 |
Non-Patent Citations (2)
Title |
---|
基于禁忌遗传神经网络的热舒适度预测模型研究;朱婵等;《建筑节能》;20191225(第12期);全文 * |
基于鸟群算法优化BP神经网络的热舒适度预测;郭彤颖等;《计算机系统应用》;20180415(第04期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111291465A (zh) | 2020-06-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Optimal design of building environment with hybrid genetic algorithm, artificial neural network, multivariate regression analysis and fuzzy logic controller | |
CN106920006B (zh) | 一种基于isoa-lssvm的地铁站空调系统能耗预测方法 | |
CN111881505B (zh) | 一种基于ga-rbf算法的既有建筑多目标优化改造决策方法 | |
CN109932903A (zh) | 多父代优化网络和遗传算法的风机控制多目标优化方法 | |
CN111291465B (zh) | 基于遗传算法与神经网络的船舶空调热舒适温度预测方法 | |
CN104490371B (zh) | 一种基于人体生理参数的热舒适检测方法 | |
CN109084415A (zh) | 基于神经网络和遗传算法的中央空调运行参数寻优方法 | |
Zhai et al. | Inverse design methods for indoor ventilation systems using CFD-based multi-objective genetic algorithm | |
CN106765959A (zh) | 基于遗传算法和深度bp神经网络算法的暖通空调节能控制方法 | |
CN109634121A (zh) | 基于径向基函数神经网络的多父代遗传算法空气源热泵多目标优化控制方法 | |
CN112613232B (zh) | 一种冬季供暖条件下室内人体热舒适预测及评价方法 | |
CN108399470B (zh) | 一种基于多示例遗传神经网络的室内pm2.5预测方法 | |
Wu et al. | Intelligent optimization framework of near zero energy consumption building performance based on a hybrid machine learning algorithm | |
CN108303898B (zh) | 新型太阳能-空气能耦合冷热联供系统的智能调度方法 | |
Ye et al. | Optimization study of heating performance for an impinging jet ventilation system based on data-driven model coupled with TOPSIS method | |
CN105550437A (zh) | 一种基于遗传算法的室内环境反向设计方法 | |
CN109435630A (zh) | 一种基于人工神经网络算法的乘员舱温度控制方法 | |
CN111597609B (zh) | 一种包含太阳辐射的基本运算单元及应用该单元的建筑能耗快速模拟方法 | |
CN107065520B (zh) | 一种冷风机参数配置优化方法 | |
CN106503793B (zh) | 一种基于改进差分算法的神经网络短期风速预测方法 | |
CN112097378A (zh) | 一种基于前馈型神经网络的空调舒适度调节方法 | |
CN116360266A (zh) | 一种基于多目标优化算法的猪舍温度节能控制方法 | |
CN110033118A (zh) | 弹性网络建模且基于遗传算法的风机多目标优化控制方法 | |
Wang et al. | A model-based control of CO2 concentration in multi-zone ACB air-conditioning systems | |
Ismail et al. | A comprehensive optimization study of personal cooling radiant desks integrated to HVAC system for energy efficiency and thermal comfort in office buildings |
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 | ||
CB03 | Change of inventor or designer information |
Inventor after: Liu Hongmin Inventor after: Shi Hao Inventor before: Shi Hao Inventor before: Liu Hongmin |
|
CB03 | Change of inventor or designer information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |