CN113177675B - 一种基于天牛群算法优化神经网络的空调冷负荷预测方法 - Google Patents

一种基于天牛群算法优化神经网络的空调冷负荷预测方法 Download PDF

Info

Publication number
CN113177675B
CN113177675B CN202110595303.2A CN202110595303A CN113177675B CN 113177675 B CN113177675 B CN 113177675B CN 202110595303 A CN202110595303 A CN 202110595303A CN 113177675 B CN113177675 B CN 113177675B
Authority
CN
China
Prior art keywords
neural network
air conditioner
longicorn
value
error
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
Application number
CN202110595303.2A
Other languages
English (en)
Other versions
CN113177675A (zh
Inventor
贺宁
刘利强
褚丹雷
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xian University of Architecture and Technology
Original Assignee
Xian University of Architecture and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xian University of Architecture and Technology filed Critical Xian University of Architecture and Technology
Priority to CN202110595303.2A priority Critical patent/CN113177675B/zh
Publication of CN113177675A publication Critical patent/CN113177675A/zh
Application granted granted Critical
Publication of CN113177675B publication Critical patent/CN113177675B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/067—Enterprise or organisation modelling
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Quality & Reliability (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Educational Administration (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Air Conditioning Control Device (AREA)

Abstract

本发明提供了一种基于天牛群算法优化神经网络的空调冷负荷预测方法，选取和输出变量T时刻空调冷负荷相关性高的输入变量。根据相关性高的输入变量和T时刻空调冷负荷建立BP神经网络模型，利用天牛群算法优化建立的BP神经网络，最后用优化后的BP神经网络进行负荷预测，得出预测值。本发明利用天牛群算法的全局搜索能力找到BP神经网络的最优权值和阈值，克服了BP神经网络在权值和阈值选择上的随机性和网络收敛速度慢、易于陷入局部最优的缺点，提高了BP神经网络的收敛速度和学习能力，降低了空调冷负荷预测偏差大的问题。

Description

一种基于天牛群算法优化神经网络的空调冷负荷预测方法
技术领域
本发明属于空调负荷预测技术领域，具体涉及一种基于天牛群算法优化神经网络的空调冷负荷预测方法。
背景技术
近年来，随着公共建筑规模的增长及平均能耗强度的增长，公共建筑的能耗已经成为中国建筑能耗中比例最大的一部分，建筑能源问题已经成为社会可持续发展进程中的核心问题之一。科学分析和准确预测空调冷负荷，对指导建筑节能方案分析和政策制定具有重要意义。
传统的空调冷负荷预测方法主要是通过数学模型和神经网络等，但是数学模型方法的缺点是不易收集变量数据且现实工程中数据无法准确测量，限制了此类模型的使用。神经网络的缺点是容易陷入局部最小值，收敛速度慢，造成空调冷负荷预测偏差大。
发明内容
本发明的目的在于克服上述现有技术的缺点，提供一种基于天牛群算法优化神经网络的空调冷负荷预测方法，以解决现有技术中数学模型不易收集变量数据，在权值选择上的随机性大，神经网络预测偏差大的问题。
为达到上述目的，本发明采用以下技术方案予以实现：
一种基于天牛群算法优化神经网络的空调冷负荷预测方法，包括以下步骤：
步骤1，建立样本数据集，去除样本数据集中的无效数据，所述样本数据集中的元素包括输入向量和输出向量；
步骤2，归一化样本数据集中的数据，获得归一化后的输入向量；
步骤3，通过输入向量中变量的个数和输出变量的个数确定BP神经网络的结构；
步骤4，通过天牛群算法优化BP神经网络，获得优化后的BP神经网络以及BP神经网络的权值和阈值的设定开始值，具体为：
步骤4.1，设置天牛群算法的初始参数，通过输入向量设置初始参数中粒子的位置，所述粒子的位置为BP神经网路中初始的权值和阈值；
步骤4.2，所述BP神经网络通过对初始的权值和阈值进行训练获得每一个粒子的预测值，进而获得每个粒子的初始误差数值，通过比较每个粒子的初始误差，获得群体初始的全局最优解和个体最优解；
步骤4.3，将每一个粒子视作一个独立的天牛，计算每一个天牛前进方向的位移增量ξ，通过更新的位移增量ξ、速度v和位置x获得新的位置xk+1，结合适应度函数，获得全局最优解和个体最优解，更新步骤4.2获得的全局最优解和个体最优解；
步骤4.4，重复步骤4.2和步骤4.3，达到设定迭代次数，输出全局最优解，为BP神经网络的权值和阈值的设定开始值，同时获得优化后的BP神经网络；
步骤5，通过BP神经网络进行空调冷负荷的预测。
优选的，步骤1中，所述输入向量包括T时刻的室外空气温度、T-1时刻的室外空气温度、T时刻的太阳辐射量、T-1时刻的太阳辐射量、T时刻的室外湿度、T-1时刻的空调冷负荷和T-2时刻的空调冷负荷；所述输出变量为T时刻的空调冷负荷。
优选的，所述归一化为将样本数据集中同一元素的所有数值进行归一化处理，所述元素为一个输入向量。
优选的，步骤4.1中，所述初始参数包括粒子群的规模、最大迭代次数、粒子位置的取值范围、粒子速度的取值范围、粒子的初始速度、迭代的步长、粒子左和右两个天线之间的距离、惯性权重、学习因子和搜索空间维度k。
优选的，步骤4.3中，所述适应度函数的计算公式为：
error＝∑|Y预测-Y实际| (3)
其中Y预测是预测值，Y实际是实际冷负荷值。
优选的，步骤4.3中，根据天牛的位置计算每个天牛的左侧距离xleft、左侧适应度fleft、右侧距离xright和右侧适应度fright；比较一个天牛的左侧适应度fleft和右侧适应度fright，获得天牛前进方向的位移增量ξ：
ξk+1＝δk*vk*sign(fleft-fright) (6)。
优选的，步骤4.3中，更新的位移速度v、更新的位置x和搜索步长δ的计算公式为：
vk+1＝ωvk+c1*rand(pbestk-xk)+c2*rand(gbestk-xk) (7)
xk+1＝xk+λ*vj+(1-λ)*ζk (8)
δk+1＝eta*δk (9)。
优选的，步骤4后，通过ARMA模型对优化后的BP神经网络进行修正。
优选的，步骤4中，ARMA模型修正BP神经网络的过程为：
1)通过优化后BP神经网络训练获得空调冷负荷和实际空调冷负荷建立误差序列；
2)对误差序列进行平稳性检验，如果稳定执行步骤3)，如果不稳定进行平稳化处理；
3)通过稳定的误差序列获得ARMA表达式，获得误差序列的残差；
4)对残差进行相关性检验，当残差不存在一阶相关性时，对误差序列中的样本进行误差预测，获得误差预测值；
5)通过误差预测值对BP神经网络训练获得空调冷负荷进行修正。
优选的，步骤2)中，通过ADF检验和KPSS检验对误差序列进行平稳性检验。
与现有技术相比，本发明具有以下有益效果：
本发明提供了一种基于天牛群算法优化神经网络的空调冷负荷预测方法，选取和输出变量T时刻空调冷负荷相关性高的输入变量。根据相关性高的输入变量和T时刻空调冷负荷建立BP神经网络模型，利用天牛群算法优化建立的BP神经网络，最后用优化后的BP神经网络进行负荷预测，得出预测值。本发明利用天牛群算法的全局搜索能力找到BP神经网络的最优权值和阈值，克服了BP神经网络在权值和阈值选择上的随机性和网络收敛速度慢、易于陷入局部最优的缺点，提高了BP神经网络的收敛速度和学习能力，降低了空调冷负荷预测偏差大的问题。此外，通过对数据集的筛选，删去无效数据同时将白天和晚上数据区分开建立模型，以及选取最优的BP神经网络隐含层神经元数，提高了BP神经网络的泛化能力，在预测空调冷负荷时降低了空调冷负荷预测偏差大的问题。最后利用ARMA模型对预测误差进行修正，使预测值更加精确。
附图说明
图1为冷负荷异常数据筛选图；
图2为本发明用天牛群算法优化BP神经网络的流程框图；
图3为ARMA模型流程图；
图4为是本发明隐藏层节点数与对应的训练与预测平均相对误差；
图5为本发明的预测效果图。
具体实施方式
下面结合附图对本发明做进一步详细描述：
在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制；术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性；此外，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
本发明公开了一种基于天牛群算法优化BP神经网络的空调冷负荷预测方法，参见图2，包括以下步骤：
步骤1：选取与T时刻空调冷负荷相关性高的变量作为输入变量，所述输入变量包括T时刻的室外空气温度以及T-1时刻的室外空气温度、T时刻的太阳辐射量以及T-1时刻的太阳辐射量、T时刻的室外湿度、T-1时刻的空调冷负荷和T-2时刻的空调冷负荷，共选择N个T时刻空调冷负荷相关性高的变量作为输入变量。
步骤2：对数据集进行筛选，去除无效数据，去除无效数据后，获得输入变量数据集。所述无效数据为白天太阳辐射量为0的数据，偏离正常范围的冷负荷值。上述7个输入变量，每一个输入量变量都有N个数值，对每一个输入变量的N个数值进行归一化处理。
因为不同元素的单位不同且数量级不同，为消除不同变量间的量纲影响，利用公式(1)对输入变量数据集进行归一化处理，获得归一化的数据向量。
y＝(ymax-ymin)*(x-xmin)/(xmax-xmin)+ymin (1)
其中y为归一化后的输入数据向量。该向量中xmax为同一元素向量中最大的数，xmin为同一元素向量中最小的数，ymax为1，ymin为-1。所述该数据向量中的元素即为上述的一个输入变量。因此获得数据向量为7*1的向量。
步骤3：根据步骤1中的输入变量的个数以及T时刻空调冷负荷建立BP神经网络；
所述步骤3中，BP神经网络的结构包括输入层、隐含层和输出层。根据输入层节点个数和输出层节点个数，通过经验公式确定隐含层节点个数。
Figure BDA0003090759070000061
其中A为输入层节点个数，B为输出层节点个数，C为隐含层节点个数，λ为[1，10]的常数。最终获得隐藏层神经元数量，输入层个数和输出层个数。
步骤4：利用天牛群算法优化步骤3建立的BP神经网络；
天牛群算法是粒子群算法和天牛须算法的结合，可以很好地克服PSO算法的稳定性差、运算量大、易陷入局部最优等问题。PSO中的每个粒子都可视为一只天牛并进行搜索，天牛的初始位置和速度与标准PSO相同。但是，在迭代过程中，天牛位置的更新规则不再只依赖于历史最佳解决方案和当前全局最优解，而是引入了天牛天线搜索的思想，在每次迭代中添加了天牛自身对环境的判断。BAS-PSO中的个体将在迭代过程中对左、右侧的适应度函数值进行比较，将更好的值，用于更新天牛群的位置。进而更好地提高算法的全局搜索性能，防止过早收敛而陷入局部最优。粒子群算法的群体性使其精细搜索表现较好，而天牛须算法则在搜索速度和全局搜索有一定的优势，故将二者结合来发挥两者的特长以实现全局搜索和快速搜索的有机结合。利用BAS-PSO算法优化BP神经的权值和阈值大大提高的BP神经网络预测的精度和训练速度。天牛群位置的更新公式如下：
步骤4.1：初始化天牛群参数。设置粒子群的规模sizepop、最大迭代次数maxgen、粒子位置的取值范围[popmin，popmax]、速度边界vmax和vmin、粒子的初始速度v，迭代的步长δ，左、右两个天线之间的距离为d，惯性权重ω，学习因子c1、c2、λ，搜索空间维度k等，其中粒子群的规模、最大迭代次数、速度边界、粒子的初始速度、迭代的补偿、左、右两个天线之间的距离、惯性权重、学习因子均为设定值。所述搜索空间维度的计算公式如下：
k＝inputnum*hiddennum+outputnum*hiddennum+hiddennum+outputnum (3)
式中：inputnum表示输入层神经元个数；hiddennum表示隐含层神经元个数；outputnum表示输出层神经元个数。
上述变量由神经网络的权值和阈值构成，进一步的，通过上式(3)获得的空间维度k为权值和阈值的总和数量。
步骤4.2：种群初始化。随机生成粒子的位置、速度。计算出适应度函数a值，保存天牛个体极值以及群体极值。更新天牛步长δ，其公式为：
δk+1＝eta*δk (3)
式中eta为常数0.95。
步骤4.3：迭代寻优:分别对天牛位置、速度以及惯性权重进行更新。计算各天牛位置的适应度值，通过与历史个体极值与历史群体极值相比较，更新天牛群体的个体极值和群体极值。
步骤4.4：当迭代次数达到设定的值时，将BAS-PSO寻找到的最优解赋给BP神经网络的初始权值、阈值。
步骤4.5：训练BP神经网络模型。计算误差，通过误差反向传播不断更新网络权值、阈值，直到达到设定的精度或者满足迭代的最大次数。
步骤4.6：将训练好的网络模型输出预测值，并将结果以可视化的方式呈现出来。
步骤6：进一步，考虑到天气变化原因将白天和晚上的数据区分开来，分别建立BAS-PSO-BP模型。
步骤7：通过ARMA模型对BAS-PSO-BP模型的误差进行修正。ARMA的模型表达式为
x＝α1xt-1+α2xt-2+…+αpxt-p+βt-β1γt-1+β2γt-2+…+βqγt-q
其中p，q为ARMA模型的阶数，α为自回归参数，β为滑动平均参数，γ为待估参数。
实施例
作为本发明的某一具体实施例，选择了338组有效的样本数据，每一组样本数据包含7个输入变量和一个输出变量。其中的325组数据用于BP神经网络的训练，剩余的13组数据用于对训练好的BP神经网络进行测试，参见图1，采用基于天牛群算法优化BP神经网络的空调冷负荷预测方法如下：
步骤1：样本数据中包括输入、输出变量的所有数据，所述输入变量为T时刻的室外温度、T-1时刻的室外温度、T时刻的太阳辐射量、T-1时刻的太阳辐射量、T时刻的室外相对湿度、T-1时刻的空调冷负荷和T-2时刻的空调冷负荷。输出变量是T时刻空调冷负荷。
步骤2，对数据进行筛选，如去除白天太阳辐射量为0的数据，去除远偏离正常范围的冷负荷值如图1所示。筛选后剩余330组有效样本，前317组为训练样本，后13组为测试样本。本实施例中的输入变量数据集中，因为不同元素的单位不同且数量级不同，为消除不同变量间的量纲影响，对数据进行归一化，利用公式(1)
y＝(ymax-ymin)*(x-xmin)/(xmax-xmin)+ymin (1)
其中y为归一化后的数，其范围是[-1,1]，xmax为同一元素向量中最大的数，xmin为同一元素向量中最小的数，本实验中ymax取1，ymin取-1。
步骤3，根据输入变量的个数以及输出变量个数确定BP神经网络的结构；本发明采用三层BP神经网络模型，BP神经网络的结构包括输入层、隐含层和输出层三层。BP神经网络结构的主要因素是输入层、隐含层和输出层神经元数量，这三个数量决定了BP神经网络的结构；通常，输入层和输出层中的节点数量分别等于输入变量和输出变量的数量，故输入层节点数为7，输出层节点数为1；BP神经网络的隐含层节点个数通过经验公式计算：
Figure BDA0003090759070000091
其中A为输入层个数，B为输出层个数，C为隐含层神经元个数，为是一个常数，取区间[1,10]中的值，在相同的参数和迭代次数下，隐藏层神经元数量与均方训练误差之间的关系如图4所示，可见，当隐藏层神经元数量为7时，BP神经网络的均方误差最小，所以隐藏层神经元数量为7。
步骤4，利用天牛群算法优化BP神经网络；
1)初始化参数，包括设置粒子群规模为sizepop，粒子位置的取值范围[popmin，popmax]和速度取值范围[vmin,vmax]，设置最大迭代次数maxgen，粒子的初始速度v，迭代的步长δ，左、右两个天线之间的距离为d，惯性权重ω，学习因子c1、c2、λ，搜索空间维度k等。
因为数据归一化范围为[-1,1]，故本实施例将粒子位置即权值和阈值取值范围设为[-1,1]，速度取值范围设为[-1,1]。根据步骤4.1公式计算搜索空间维度k即权值和阈值的数量为64。初始化设置一个权值和阈值的数量，还有一个计算的过程。
2)种群初始化。随机生成粒子位置、速度。每个粒子的位置可以表示为pop(i)＝rands(1,64)，速度表示为v(i)＝rands(1,64)，v(i)代表粒子移动的快慢，pop(i)代表个数总和为64个的权值和阈值，将这64个权值和阈值赋值给BP神经网络，然后训练网络得出预测值Y预测，一共有sizepop个粒子，故有sizepop个Y预测。再利用适应度函数，通过比较不同粒子得出的误差error的大小，小的为最优值。求出群体初始的全局最优值gbest，和个体最优解pbest，并保存起来。每个粒子单独搜寻的最优解叫做个体最优值，粒子群中最优的个体最优值作为当前全局最优解。
error＝∑|Y预测-Y实际| (3)
其中Y预测是BAS-PSO-BP的预测值，Y实际是实际冷负荷值。
3)开始进行迭代
将每个粒子看成一个独立的天牛，根据天牛的位置计算每个天牛的左侧距离xleft和适应度fleft，右侧距离xright和适应度fright。适应度同样利用上述适应度函数求出，通过比较两者适应度fleft和fright，fleft小就朝左走，fright小就朝右走，然后得到天牛前进方向的位移增量ξ；
xrightk+1＝xrightk+vk*d/2 (4)
xleftk+1＝xleftk-vk*d/2 (5)
ξk+1＝δk*vk*sign(fleft-fright) (6)
结合粒子群和天牛须搜索更新规则，生成新的速度v、位置x，更新方式：
vk+1＝ωvk+c1*rand(pbestk-xk)+c2*rand(gbestk-xk) (7)
xk+1＝xk+λ*vk+(1-λ)*ζk (8)
并更新搜索步长
δk+1＝eta*δk (9)
其中eta取0.95
得到新的位置xk+1后，同样利用适应度函数更新粒子群粒子的个体最优解和全局最优解pbest和gbest。并与之前保存起来的初始个体最优值和全局最优值进行比较，将小的pbest和gbest作为新的个体最优值和全局最优值。
其中，x代表个数总和为64个的权值和阈值，将这64个权值和阈值赋值给BP神经网络，然后训练网络得出预测值Y预测。再利用适应度函数，通过比较不同粒子得出的error的大小，小的为最优值。求出群体初始的全局最优值gbest，和个体最优解pbest。
2.5)判断迭代是否满足停止条件，若满足，输出全局最优值；否则，返回步骤4)继续搜索，直到满足为止。
2.6)将更新后的权值和阈值作为BP神经网络的权值和阈值的初值。
步骤5，利用优化后的BP神经网络进行冷负荷预测，得到最终的预测值。
步骤6，考虑到商场的工作特点，实验以十点至晚十点的输入变量作为训练数据，用317组训练数据训练BP神经网络后，再用13组测试数据来测试已经训练好的BAS-PSO－BP神经网络，得到预测值；
步骤7，分模型进行对比，模型1是未区分白天和晚上且对数据进行筛选的BP模型，模型2为未区分白天和晚上且未对数据进行筛选的BAS-PSO-BP模型，模型3是区分白天和晚上且对数据进行筛选的BAS-PSO-BP模型，模型4是区分白天和晚上且对数据进行筛选后，对误差进行修正后的模型即ARMA-BAS-PSO-BP模型。
步骤8，参见图3，利用ARMA模型对误差进行修正。
ARMA的模型表达式为
x＝α1xt-1+α2xt-2+…+αpxt-p+βt-β1γt-1+β2γt-2+…+βqγt-q(10)
其中p，q为ARMA模型的阶数，α为自回归参数，β为滑动平均参数，γ为待估参数
1)利用BAS-PSO-BP模型的训练样本中数据建立误差序列，即训练集的冷负荷预测值与实际值之差。
A＝Y预测-Y实际 (11)
2)平稳性检验。本发明采用ADF检验和KPSS检验对A′进行平稳性检验，当adftest值为1，kpsstest值为0时，序列平稳，否则继续步骤2)，直至adftest值为1，kpsstest值为0时，获得平稳的序列。
本实验是平稳序列，如不平稳进行平稳化处理。可利用差分方法进行平稳化处理，差分处理公式为：
A′(i)＝A(i)-A(i-1) (12)
其中A为冷负荷预测值误差的数组，A′为差分后的数组。
3)确定ARMA表达式。通过步骤3)获得的平稳序列，得出ARMA的表达式。
4)残差检验。利用Durbin-Watson对相关性进行检验，其公式为：
Figure BDA0003090759070000131
式中A为残差，当r越接近2时，说明残差不存在一阶相关性，若存在一阶相关性则不能用，需要重新对BP神经网络进行优化。
5)对n个预测样本进行误差预测，误差预测值为Δy。
6)误差修正，修正后的预测值为：
y1＝y-Δy (14)
其中y1为修正后的预测值数组，y为BAS-PSO-BP模型预测出的预测值数组，Δy为误差预测值数组。
以RMSPE均方根误差作为四种预测模型的误差评价指标，其与未处理的模型对比结果如表1所示。RMSPE公式如下式所示：
Figure BDA0003090759070000132
式中yi是真实值，yi’是预测值。
表1
Figure BDA0003090759070000133
Figure BDA0003090759070000141
参见图5为预测值和实际值的对比图，从图中可以看出，其中折线x为本发明提出的方法即ARMA-BAS-PSO-BP模型的预测值曲线图，O为冷负荷实际值曲线图。其预测效果符合要求，平均误差为2.71％，RMSPE为3.23％。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种基于天牛群算法优化神经网络的空调冷负荷预测方法，其特征在于，包括以下步骤：
步骤1，建立样本数据集，去除样本数据集中的无效数据，所述样本数据集中的元素包括输入向量和输出向量；
所述输入向量包括T时刻的室外空气温度、T-1时刻的室外空气温度、T时刻的太阳辐射量、T-1时刻的太阳辐射量、T时刻的室外湿度、T-1时刻的空调冷负荷和T-2时刻的空调冷负荷；所述输出向量为T时刻的空调冷负荷；
步骤2，归一化样本数据集中的数据，获得归一化后的输入向量；
步骤3，通过输入向量中变量的个数和输出变量的个数确定BP神经网络的结构；
步骤4，通过天牛群算法优化BP神经网络，获得优化后的BP神经网络以及BP神经网络的权值和阈值的设定开始值，具体为：
步骤4.1，设置天牛群算法的初始参数，通过输入向量设置初始参数中粒子的位置，所述粒子的位置为BP神经网路中初始的权值和阈值；
所述初始参数包括粒子群的规模sizepop、最大迭代次数maxgen、粒子位置的取值范围[popmin，popmax]、粒子速度的取值范围vmax和vmin、粒子的初始速度v、迭代的步长δ、粒子左和右两个天线之间的距离d、惯性权重ω、学习因子c1、c2、λ和搜索空间维度k；
步骤4.2，所述BP神经网络通过对初始的权值和阈值进行训练获得每一个粒子的预测值，进而获得每个粒子的初始误差数值，通过比较每个粒子的初始误差，获得群体初始的全局最优解和个体最优解；
步骤4.3，将每一个粒子视作一个独立的天牛，计算每一个天牛前进方向的位移增量
Figure QLYQS_1
，通过更新的位移增量/>
Figure QLYQS_2
、速度v和位置x获得新的位置/>
Figure QLYQS_3
，结合适应度函数，获得全局最优解和个体最优解，更新步骤4.2获得的全局最优解和个体最优解；
根据天牛的位置计算每个天牛的左侧距离xleft、左侧适应度fleft、右侧距离xright和右侧适应度fright；比较一个天牛的左侧适应度fleft和右侧适应度fright，获得天牛前进方向的位移增量
Figure QLYQS_4
：
Figure QLYQS_5
（6）
更新的位移速度v、更新的位置x和搜索步长
Figure QLYQS_6
的计算公式为：
Figure QLYQS_7
（7）
Figure QLYQS_8
（8）
Figure QLYQS_9
（9）
其中，eta为常数0.95，
Figure QLYQS_10
为个体最优解，gbest为全局最优解；
步骤4.4，重复步骤4.2和步骤4.3，达到设定迭代次数，输出全局最优解，为BP神经网络的权值和阈值的设定开始值，同时获得优化后的BP神经网络；
步骤5，通过BP神经网络进行空调冷负荷的预测。
2.根据权利要求1所述的一种基于天牛群算法优化神经网络的空调冷负荷预测方法，其特征在于，所述归一化为将样本数据集中同一元素的所有数值进行归一化处理，所述元素为一个输入向量。
3.根据权利要求1所述的一种基于天牛群算法优化神经网络的空调冷负荷预测方法，其特征在于，步骤4.3中，所述适应度函数的计算公式为：
Figure QLYQS_11
（3）
其中Y预测是预测值，Y实际是实际冷负荷值。
4.根据权利要求1所述的一种基于天牛群算法优化神经网络的空调冷负荷预测方法，其特征在于，步骤4后，通过ARMA模型对优化后的BP神经网络进行修正。
5.根据权利要求1所述的一种基于天牛群算法优化神经网络的空调冷负荷预测方法，其特征在于，步骤4中，ARMA模型修正BP神经网络的过程为：
1）通过优化后BP神经网络训练获得空调冷负荷和实际空调冷负荷建立误差序列；
2）对误差序列进行平稳性检验，如果稳定执行步骤3），如果不稳定进行平稳化处理；
3）通过稳定的误差序列获得ARMA表达式，获得误差序列的残差；
4）对残差进行相关性检验，当残差不存在一阶相关性时，对误差序列中的样本进行误差预测，获得误差预测值；
5）通过误差预测值对BP神经网络训练获得空调冷负荷进行修正。
6.根据权利要求5所述的一种基于天牛群算法优化神经网络的空调冷负荷预测方法，其特征在于，步骤2）中，通过ADF检验和KPSS检验对误差序列进行平稳性检验。
CN202110595303.2A 2021-05-28 2021-05-28 一种基于天牛群算法优化神经网络的空调冷负荷预测方法 Active CN113177675B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110595303.2A CN113177675B (zh) 2021-05-28 2021-05-28 一种基于天牛群算法优化神经网络的空调冷负荷预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110595303.2A CN113177675B (zh) 2021-05-28 2021-05-28 一种基于天牛群算法优化神经网络的空调冷负荷预测方法

Publications (2)

Publication Number Publication Date
CN113177675A CN113177675A (zh) 2021-07-27
CN113177675B true CN113177675B (zh) 2023-05-23

Family

ID=76927118

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110595303.2A Active CN113177675B (zh) 2021-05-28 2021-05-28 一种基于天牛群算法优化神经网络的空调冷负荷预测方法

Country Status (1)

Country Link
CN (1) CN113177675B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113887801A (zh) * 2021-09-29 2022-01-04 西安建筑科技大学 建筑冷负荷预测方法、系统、设备及可读存储介质
CN113820062B (zh) * 2021-09-30 2022-07-12 浙江大学 六维力传感器的温度补偿方法
CN114091758A (zh) * 2021-11-23 2022-02-25 四川信天启智能技术有限公司 一种中短期负荷预测方法、系统以及存储介质
CN117494870B (zh) * 2023-09-28 2024-09-17 南昌轨道交通集团有限公司 一种地铁站人员负荷预测方法及系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20180066300A (ko) * 2016-12-07 2018-06-19 (주)가교테크 냉방부하 예측을 이용한 나이트 퍼지 운전방법
CN110264004A (zh) * 2019-06-20 2019-09-20 西安建筑科技大学 一种基于PSO-BP与Markov链相结合的空调冷负荷动态预测方法
CN110852902A (zh) * 2019-11-14 2020-02-28 合肥工业大学 一种基于bas-bp的光伏发电功率预测方法
CN111311077A (zh) * 2020-01-21 2020-06-19 南京航空航天大学 一种基于天牛须搜索的粒子群算法求解柔性作业车间调度的方法
CN111598224A (zh) * 2020-05-15 2020-08-28 西安建筑科技大学 基于模拟退火算法优化bp神经网络的空调冷负荷预测方法
CN112182957A (zh) * 2020-09-15 2021-01-05 西北工业大学 一种基于天牛群算法的一子级伞控回收航迹规划方法
CN112418495A (zh) * 2020-11-10 2021-02-26 江苏农林职业技术学院 一种基于天牛须优化算法和神经网络的建筑能耗预测方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20180066300A (ko) * 2016-12-07 2018-06-19 (주)가교테크 냉방부하 예측을 이용한 나이트 퍼지 운전방법
CN110264004A (zh) * 2019-06-20 2019-09-20 西安建筑科技大学 一种基于PSO-BP与Markov链相结合的空调冷负荷动态预测方法
CN110852902A (zh) * 2019-11-14 2020-02-28 合肥工业大学 一种基于bas-bp的光伏发电功率预测方法
CN111311077A (zh) * 2020-01-21 2020-06-19 南京航空航天大学 一种基于天牛须搜索的粒子群算法求解柔性作业车间调度的方法
CN111598224A (zh) * 2020-05-15 2020-08-28 西安建筑科技大学 基于模拟退火算法优化bp神经网络的空调冷负荷预测方法
CN112182957A (zh) * 2020-09-15 2021-01-05 西北工业大学 一种基于天牛群算法的一子级伞控回收航迹规划方法
CN112418495A (zh) * 2020-11-10 2021-02-26 江苏农林职业技术学院 一种基于天牛须优化算法和神经网络的建筑能耗预测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
A review on renewable energy and electricity requirement forecasting models for smart grid and buildings;Tanveer Ahmad et al;《Sustainable Cities and Society》;全文 *
基于BAS-BP神经网络的异步电机电流预测;党盈伟;刘广璞;郭彦青;杨韩峰;林炳乾;;机械设计与制造工程(第04期);全文 *
基于粒子群神经网络的空调冷负荷短期预测;墨蒙;赵龙章;龚嫒雯;吴扬;;建筑热能通风空调(第05期);全文 *

Also Published As

Publication number Publication date
CN113177675A (zh) 2021-07-27

Similar Documents

Publication Publication Date Title
CN113177675B (zh) 一种基于天牛群算法优化神经网络的空调冷负荷预测方法
CN110705743B (zh) 一种基于长短期记忆神经网络的新能源消纳电量预测方法
CN111598224B (zh) 基于模拟退火算法优化bp神经网络的空调冷负荷预测方法
CN113705922B (zh) 一种改进的超短期风电功率预测算法及模型建立方法
CN108399470B (zh) 一种基于多示例遗传神经网络的室内pm2.5预测方法
CN115374995A (zh) 一种分布式光伏、小风电场站功率预测方法
CN110097929A (zh) 一种高炉铁水硅含量在线预测方法
CN112418495A (zh) 一种基于天牛须优化算法和神经网络的建筑能耗预测方法
CN112182709A (zh) 大型水库叠梁门分层取水设施的下泄水温快速预测方法
CN113393057A (zh) 一种基于深度融合机器学习模型的小麦产量集成预测方法
CN114167898B (zh) 一种无人机收集数据的全局路径规划方法及系统
CN116187835A (zh) 一种基于数据驱动的台区理论线损区间估算方法及系统
CN116796141A (zh) 一种基于gbdt回归模型的办公建筑能耗预测方法
CN106296434A (zh) 一种基于pso‑lssvm算法的粮食产量预测方法
CN118195853A (zh) 基于大数据的智慧校园信息管理方法及系统
CN117810987A (zh) 一种住宅净负荷区间的预测方法、装置、终端和存储介质
CN110909492B (zh) 一种基于极端梯度提升算法的污水处理过程软测量方法
CN116525135B (zh) 基于气象因素的时空模型对疫情发展态势进行预测的方法
CN104899464B (zh) 一种适应噪声条件下的抽样学习机遥感定量反演方法
CN116757323A (zh) 一种基于IVMD-IAO-BiLSTM的滑坡位移预测方法
CN116663404A (zh) 一种耦合人工智能和贝叶斯理论的洪水预报方法及系统
CN116090608A (zh) 一种基于动态加权组合的短期风电功率预测方法及系统
CN115796327A (zh) 一种基于vmd和iwoa-f-gru模型的风电功率区间预测方法
CN116049938A (zh) 一种基于多因素指数和gm灰色系统的建筑能耗预测方法
CN114861555A (zh) 一种基于Copula理论的区域综合能源系统短期负荷预测方法

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
GR01 Patent grant
GR01 Patent grant