CN113188243A

CN113188243A - 一种空调能耗的综合预测方法及系统

Info

Publication number: CN113188243A
Application number: CN202110377337.4A
Authority: CN
Inventors: 蔡迪; 段培永; 李俊青
Original assignee: Shandong Normal University
Current assignee: Shandong Normal University
Priority date: 2021-04-08
Filing date: 2021-04-08
Publication date: 2021-07-30
Anticipated expiration: 2041-04-08
Also published as: CN113188243B

Abstract

本公开公开的一种空调能耗的综合预测方法及系统，包括：获取空调运行环境数据；将空调运行环境数据输入训练好的空调能耗预测模型中，输出空调能耗预测结果；其中，空调能耗预测模型包括GA‑BP预测模型和PSO‑BP预测模型，将空调运行环境数据分别输入GA‑BP预测模型和PSO‑BP预测模型中，获取预测结果，从两个预测结果中选取最优值为空调能耗预测结果。实现了对空调能耗的准确预测。

Description

一种空调能耗的综合预测方法及系统

技术领域

本发明涉及空调能耗预测技术领域，尤其涉及一种空调能耗的综合预测方法及系统。

背景技术

本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。

伴随着全球工业化与城市化进程的不断加快，建筑能源需求总量急剧增加。建筑约占全球能源消耗的40％，约占全球温室气体排放量的三分之一。暖通空调(HVAC)系统是建筑物内的主要能源消耗者，占全球能源使用量的30％以上。因此，对建筑能耗进行准确预测，提高建筑物的能源效率和利用率，对我国整体可持续发展具有重要意义。

近年来，一些人工神经网络算法已被用于预测智能建筑暖通空调能耗。应用广泛的算法包括，BP神经网络、带优化算法的人工神经网络等。如BP神经网络是由反向传播算法训练的前馈神经网络，是目前应用最广泛的神经网络类型之一。主要特点是信号向前传播，误差反向传播，根据期望值，不断调整网络的权值和阈值，使得网络预测结果不断逼近期望值。BP神经网络的缺点模型物理意义不明确，容易陷入局部极小值的困境，无法保证得到全局最优值。

近年来，为弥补网络的缺陷，提出引入优化算法，优化神经网络的权值和阈值，确定最佳的初始权值和阈值，避免了初始值的任意性对结果精度的影响。但单一的优化算法对初始神经网络精度的提高具有局限性，网络预测结果也具有不稳定性。

故发明人认为，现有的预测方法均不能对建筑空调的能耗进行准确预测。

发明内容

本公开为了解决上述问题，提出了一种空调能耗的综合预测方法及系统，实现了对建筑空调能耗的准确预测。

为实现上述目的，本公开采用如下技术方案：

第一方面，提出了一种空调能耗的综合预测方法，包括：

获取空调运行环境数据；

将空调运行环境数据输入训练好的空调能耗预测模型中，输出空调能耗预测结果；

其中，空调能耗预测模型包括GA-BP预测模型和PSO-BP预测模型，将空调运行环境数据分别输入GA-BP预测模型和PSO-BP预测模型中，获取预测结果，从两个预测结果中选取最优值为空调能耗预测结果。

第二方面，提出了一种空调能耗的综合预测系统，包括：

数据获取模块，用于获取空调运行环境数据；

能耗预测模块，用于将空调运行环境数据输入训练好的空调能耗预测模型中，输出空调能耗预测结果；

第三方面，提出了一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成一种空调能耗的综合预测方法所述的步骤。

第四方面，提出了一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成一种空调能耗的综合预测方法所述的步骤。

与现有技术相比，本公开的有益效果为：

1、本公开分别通过遗传算法和粒子群优化算法计算了BP神经网络的权值和阈值，获得了GA-BP预测模型和PSO-BP预测模型，从GA-BP预测模型和PSO-BP预测模型获取的预测结果中，选取最优预测结果为空调能耗预测结果，既能通过优化算法对BP网络进行优化，又通过从两个预测结果中选取最优值为空调能耗预测结果，防止了单一优化算法对BP网络优化的局限性，提高了空调能耗预测的准确性。

本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。

图1为本公开实施例1公开方法的流程图；

图2为本公开实施例1中涉及的试验样本；

图3为本公开实施例1公开方法与其余预测方法预测结果比较图；

图4为本公开实施例1中涉及的GA-BP神经网络预测误差图；

图5为本公开实施例1中涉及的PSO-BP神经网络预测误差图。

具体实施方式：

下面结合附图与实施例对本公开作进一步说明。

应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

在本公开中，术语如“上”、“下”、“左”、“右”、“前”、“后”、“竖直”、“水平”、“侧”、“底”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，只是为了便于叙述本公开各部件或元件结构关系而确定的关系词，并非特指本公开中任一部件或元件，不能理解为对本公开的限制。

本公开中，术语如“固接”、“相连”、“连接”等应做广义理解，表示可以是固定连接，也可以是一体地连接或可拆卸连接；可以是直接相连，也可以通过中间媒介间接相连。对于本领域的相关科研或技术人员，可以根据具体情况确定上述术语在本公开中的具体含义，不能理解为对本公开的限制。

实施例1

在该实施例中，公开了一种空调能耗的综合预测方法，包括：

获取空调运行环境数据；

进一步的，GA-BP预测模型为通过遗传算法确定BP神经网络模型的权值和阈值，PSO-BP预测模型为通过粒子群优化算法确定BP神经网络模型的权值和阈值。

进一步的，通过遗传算法确定BP神经网络模型权值和阈值时，种群中的每个个体都包含BP神经网络内所有的权值和阈值，通过适应度函数计算个体的适应度值，筛选出最优适应度值对应的个体，该个体中的权值和阈值为确定的BP神经网络模型的权值和阈值。

进一步的，通过粒子群优化算法确定BP神经网络模型权值和阈值时，每个粒子代表BP神经网络的权值和阈值，通过迭代寻优，获得BP神经网络模型的权值和阈值。

进一步的，BP神经网络模型是由反向传播算法训练的前馈神经网络，包括输入层、隐藏层和输出层。

进一步的，空调运行环境数据均输入GA-BP预测模型和PSO-BP预测模型的BP神经网络模型中输出预测结果。

进一步的，分别计算GA-BP预测模型和PSO-BP预测模型预测结果的适应度，通过适应度选取两个预测结果中的最优值为空调能耗预测结果。

对本实施例公开的一种空调能耗的综合预测方法进行详细说明，如图1所示，包括：

S1：获取空调运行环境数据。

在具体实施时，获取的空调运行环境数据包括环境温度、湿度和风速，也可以根据实际的预测需求，包括其余的运行环境数据。

S2：将空调运行环境数据输入训练好的空调能耗预测模型中，输出空调能耗预测结果。

其中，空调能耗预测模型包括GA-BP预测模型和PSO-BP预测模型，GA-BP预测模型和PSO-BP预测模型中均包括BP神经网络模型，GA-BP预测模型通过遗传算法确定BP神经网络模型的权值和阈值，PSO-BP预测模型通过粒子群优化算法确定BP神经网络模型的权值和阈值，GA-BP预测模型和PSO-BP预测模型分别对空调能耗进行预测，获取预测结果，从GA-BP预测模型和PSO-BP预测模型输出的预测结果中，选取误差最小值对应的预测结果为空调能耗预测结果。

BP神经网络是由反向传播算法训练的前馈神经网络，包括输入层、隐藏层和输出层，输入、输出以及隐藏层节点个数，分别为n、l和m，x_i是输入层的输入，y_k是输出层的输出。w_ij和w_jk分别是输入层与隐藏层、隐藏层与输出层连接的权值，a_j、b_k是隐藏层、输出层阈值，更新公式如(1)(2)所示。

其中，i＝1,2,...,n；j＝1,2,...,l；k＝1,2,...,m；H_j是隐藏层输出。

通过遗传算法(GA算法)确定BP神经网络模型的权值和阈值时，遗传算法种群中的每个个体都包含BP神经网络内所有的权值和阈值，并通过适应度函数计算个体的适应度值，由此筛选出最优值对应的个体，此个体包含的信息则为BP神经网络预测所用的最佳权值和阈值。

遗传算法最早是由美国Holland教授提出的，是将“优胜劣汰，适者生存”的生物生存法则引入到优化算法中，按照自然界中生物遗传中选择、交叉和变异进行个体淘汰，保留适应度函数值好的。经过一定次数的迭代后，新的种群既继承了先辈的优点，却又优于祖先。

遗传算法的优点有：高效启发式搜索、并行计算等。目前已经应用在函数优化、组合优化以生产调度等方面。

通过遗传算法确定BP神经网络模型的权值和阈值的具体过程为：

步骤1：随机初始化种群；

步骤2：计算种群适应度值，从中找出最优个体；

步骤3：选择操作；

步骤4：交叉操作；

步骤5：变异操作；

步骤6：判断进化是否结束，若否，则返回步骤2。

GA算法的优化目标为：

w_ij＝x(1:n*l)；

a_j＝x(n*l+1:n*l+l)；

w_jk＝x(n*l+l+1:n*l+l+l*m)；

b_k＝x(n*l+l+l*m+1:n*l+l+l*m+m)；

式中，n,l,m分别表示输入层、隐藏层和输出层的节点个数，w_ij和w_jk分别是输入层与隐藏层、隐藏层与输出层连接的权值，a_j、b_k是隐藏层、输出层阈值。

在具体实施时，设定GA算法的迭代次数为10，种群规模为50，交叉概率为0.2，变异概率为0.1。

在通过粒子群优化算法(PSO算法)确定BP神经网络模型的权值和阈值时，每个粒子代表BP神经网络的权值和阈值，通过迭代寻优，获得BP神经网络模型的权值和阈值。

粒子群优化算法属于群体智能优化算法，最早由由Kennedy和Eberhart在1995年提出的。该算法是受鸟类捕食行为特征的启发，即鸟类寻找食物是搜寻以个体为中心范围内距离最近的区域，该方法简单又高效。

PSO算法则是将该原理用于求解优化问题。该方法是在有解空间内，初始化一群粒子，并假设每个粒子代表一个可能的最优解。粒子群具有位置、速度和适应度值三个特征，其中，位置是指适应度值最优位置，速度决定其移动的方向和距离，适应度值用来区分粒子的优劣。PSO算法过程主要是在每次迭代中，粒子在可解空间中运动时，通过个体极值和群体极值来更新粒子位置和速度，更新公式如(3)(4)所示。其中，个体极值是指单个粒子的运动位置中适应度值最佳位置，群体极值是全体粒子运动过程中位置的适应度最佳位置。粒子每次到达新位置就会计算一次适应度值，并通过对比新粒子的个体极值和群体极值来更新自身的这两个值。

粒子群优化算法收敛快，具有很强的通用性，PSO算法用于优化BP神经网络的权值和阈值。每个粒子代表神经网络的权值和阈值，通过迭代寻优找到最佳的初始值，从而使得BP神经网路预测能力提高。

通过粒子群优化算法确定BP神经网络模型的权值和阈值的具体过程为：

步骤1：随机初始化种群；

步骤2：计算种群适应度值，从中找出最优个体；

步骤3：更新个体极值和群体极值；

步骤4：更新粒子位置和速度；

步骤5：判断进化是否结束，若否，则返回步骤2。

PSO算法的优化目标为：

w_ij＝x(1:n*l)；

a_j＝x(n*l+1:n*l+l)；

w_jk＝x(n*l+l+1:n*l+l+l*m)；

b_k＝x(n*l+l+l*m+1:n*l+l+l*m+m)；

在具体实施时，设定PSO算法的进化次数为1000，种群规模为30，c₁、c₂为1.49445，V的范围为[-1,1]，pop范围为[-5,5]

将遗传算法确定的权值和阈值作为GA-BP预测模型中BP神经网络模型的初始参数值，将通过粒子群优化算法确定的权值和阈值作为PSO-BP预测模型中BP神经网络模型的初始参数值。

采用训练样本对空调能耗预测模型进行训练，训练过程为：

步骤1：GA-BP模型随机运行t次，设定e_ij为预测值，

为实际能耗值，将预测值e_ij存储到E中，则e_ij(0≤i<t,0≤j≤6)。

步骤2：PSO-BP模型随机运行t次，设定e_ij为预测值，

为实际能耗值，将预测值e_ij存储到E中，则e_ij(t≤i<2t,0≤j≤6)，获得的E为：

步骤3：实际能耗值

存储到E^R中，即

步骤4：设置算法运行次数t，令t＝0；

步骤5：开始初始优化阶段，即分别通过遗传算法和粒子群优化算法确定BP神经网络模型的初始参数值，初始的参数值包括权值和阈值；

步骤6：对两个BP神经网络模型进行训练，获取预测值e_ij；

步骤7：通过e_ij更新能耗预测解集E；

步骤8：令t＝t+1，判断t≥5条件是否满足，如果满足，则退出算法，输出最好参数配置方案；否则，转入步骤1。

从GA-BP预测模型和PSO-BP预测模型的预测结果中选取最优值，为空调能耗预测结果。

在具体实施时，按类分组，记录组内最优值，得到最优值组合。

按同类分组：在E中，每列数据预测条件一致，预测的同一值，属于同类数据，所以按每列将数据分组，并定义为同类种群。

筛选组内最优值个体：

(1)计算个体适应度c；计算公式为：

c＝e_ij-e_0j (5)

(2)记录同类群体最优个体，逐步选择出最优值个体，淘汰适应度值大的个体。

若c：个体<最优个体，

则更新替换当前最优个体值e_ij；

(3)判断同类种群是否遍历结束。否，则返回(1)；是，则输出最优值

将每类群体最优值组合，形成最优值群体E^*输出。

其中

为能耗最佳预测值，k为最佳值在E中的行数。

则，得到的最佳能耗预测值为

由于BP神经网络在合理的结构和适当的权值条件下，可以逼近任意非线性连续函数，它利用误差梯度下降算法，使网络的输出值与实际输出值之间的均方误差最小化，这使得它在非线性预测建筑能耗上的得到了广泛应用。但是，因为BP神经网络存在收敛速度慢，极易陷入局部极小值的问题。为解决该问题，引入优化算法，确定BP神经网络最佳的初始权值和阈值，但预测方法仍然具有不稳定性，精确度也有待提高。但本实施例公开的一种空调能耗的综合预测方法，是基于带优化方案的BP神经网络方法，将多次局部最优预测结果再次寻优，达到预测的全局最优，能耗预测精确度显著提高，实现建筑空调能耗精准且稳定预测。

结合具体的训练样本对空调能耗预测模型的训练过程进行详细说明，包括初始优化阶段、预测阶段和综合优化阶段。

(1)初始优化阶段策略

优化阶段的主要步骤包括：

步骤1：初始优化算法

设置优化算法的初始参数，GA算法参数有，迭代次数为10，种群规模为50，交叉概率为0.2，变异概率为0.1；PSO算法参数有进化次数为1000，种群规模为30。

步骤2：执行优化算法

选择优化算法GA或PSO优化BP神经网络，分别记录两种优化算法优化的BP神经网络的权值和阈值。

(2)预测阶段策略

步骤1：选择训练数据和预测数据，执行并输出解。例如，给定一组数据{3.00，9.00，21.60，151.36，194.33，187.44，212.89，223.27，165.46，192.27，191.68，140.29，142.66，123.09，124.16，95.48，5.74，5.74，5.50，4.80，5.00，4.55，5.70，4.65，4.40，9.85，90.45}，令t＝1,则得到GA-BP预测结果e₀₀＝{166.12},PSO-BP预测结果e₁₀＝{215.02}。

步骤2，更新解集E。

(3)综合优化阶段策略

步骤1：选择两个个体，实际能耗值

和预测值e_i0。

步骤2：基于公式(5)计算个体的适应度，根据适应度计算最优值

例如，预测值e_0j＝{(166.12),(189.19),(201.64),(158.26),(205.93)，(215.02),(212.90),(221.84),(165.56),(166.15)}，

则综合优化后得到

步骤3，更新优化结果。

为验证所本实施例公开的一种空调能耗的综合预测方法的性能，选择图2中所列的部分建筑空调能耗系统能耗数据，采用C++编程语言，在MATLAB实现了所提算法与GA优化的BP神经网络模型、PSO优化的BP神经网络模型的预测结果对比分析。

图3给出了三种算法预测所得数据的比较结果。由图可见，针对10次运行数据，本实施例公开方法获得了全部最优解，而PSO优化的BP神经网络算法仅获得了其中四个最优解，GA优化的BP神经网络算法获得了3个最优解，比较结果验证了本实施例公开方法的优越性。另外，本实施例公开方法找到了两种算法的综合最优解，验证了算法的全局搜索能力。

图4和图5分别给出了GA-BP、PSO-BP算法求解得到的多次解的MAPE(平均绝对百分比误差)比较，并给出了五次预测结果的平均MAPE。由图可见，GA-BP、PSO-BP算法均会在某一次求解中表现了良好的性能。

实施例2

在该实施例中，公开了一种空调能耗的综合预测系统，包括：

数据获取模块，用于获取空调运行环境数据；

实施例3

在该实施例中，公开了一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成实施例1公开的一种空调能耗的综合预测方法所述的步骤。

实施例4

在该实施例中，公开了一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成实施例1公开的一种空调能耗的综合预测方法所述的步骤。

以上仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims

1.一种空调能耗的综合预测方法，其特征在于，包括：

获取空调运行环境数据；

2.如权利要求1所述的空调能耗的综合预测方法，其特征在于，GA-BP预测模型为通过遗传算法确定BP神经网络模型的权值和阈值，PSO-BP预测模型为通过粒子群优化算法确定BP神经网络模型的权值和阈值。

3.如权利要求2所述的空调能耗的综合预测方法，其特征在于，通过遗传算法确定BP神经网络模型权值和阈值时，种群中的每个个体都包含BP神经网络内所有的权值和阈值，通过适应度函数计算个体的适应度值，筛选出最优适应度值对应的个体，该个体中的权值和阈值为确定的BP神经网络模型的权值和阈值。

4.如权利要求2所述的空调能耗的综合预测方法，其特征在于，通过粒子群优化算法确定BP神经网络模型权值和阈值时，每个粒子代表BP神经网络的权值和阈值，通过迭代寻优，获得BP神经网络模型的权值和阈值。

5.如权利要求2所述的空调能耗的综合预测方法，其特征在于，BP神经网络模型是由反向传播算法训练的前馈神经网络，包括输入层、隐藏层和输出层。

6.如权利要求2所述的空调能耗的综合预测方法，其特征在于，空调运行环境数据均输入GA-BP预测模型和PSO-BP预测模型的BP神经网络模型中输出预测结果。

7.如权利要求1所述的空调能耗的综合预测方法，其特征在于，分别计算GA-BP预测模型和PSO-BP预测模型预测结果的适应度，根据适应度从两个预测结果中选取最优值为空调能耗预测结果。

8.一种空调能耗的综合预测系统，其特征在于，包括：

数据获取模块，用于获取空调运行环境数据；

9.一种电子设备，其特征在于，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成权利要求1-7任一项所述的空调能耗的综合预测方法的步骤。

10.一种计算机可读存储介质，其特征在于，用于存储计算机指令，所述计算机指令被处理器执行时，完成权利要求1-7任一项所述的空调能耗的综合预测方法的步骤。