CN113255223B - 一种空调负荷短期预测方法及系统 - Google Patents
一种空调负荷短期预测方法及系统 Download PDFInfo
- Publication number
- CN113255223B CN113255223B CN202110616536.6A CN202110616536A CN113255223B CN 113255223 B CN113255223 B CN 113255223B CN 202110616536 A CN202110616536 A CN 202110616536A CN 113255223 B CN113255223 B CN 113255223B
- Authority
- CN
- China
- Prior art keywords
- air conditioner
- svm
- prediction
- ssa
- short
- 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
- 238000000034 method Methods 0.000 title claims abstract description 91
- 241000287127 Passeridae Species 0.000 claims description 52
- 238000012549 training Methods 0.000 claims description 33
- 238000005457 optimization Methods 0.000 claims description 15
- 239000013598 vector Substances 0.000 claims description 15
- 230000006835 compression Effects 0.000 claims description 11
- 238000007906 compression Methods 0.000 claims description 11
- 238000004378 air conditioning Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 5
- 238000001816 cooling Methods 0.000 claims description 4
- 230000005855 radiation Effects 0.000 claims description 4
- 201000004569 Blindness Diseases 0.000 abstract description 2
- 230000002708 enhancing effect Effects 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 21
- 239000002131 composite material Substances 0.000 description 12
- 230000000694 effects Effects 0.000 description 12
- 230000008569 process Effects 0.000 description 10
- 230000006872 improvement Effects 0.000 description 9
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 7
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 7
- 238000012706 support-vector machine Methods 0.000 description 7
- 230000008901 benefit Effects 0.000 description 6
- 238000013507 mapping Methods 0.000 description 6
- 230000008602 contraction Effects 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 4
- 244000062645 predators Species 0.000 description 4
- 238000013459 approach Methods 0.000 description 3
- 230000002431 foraging effect Effects 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000004134 energy conservation Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000010339 dilation Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005338 heat storage Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 239000011664 nicotinic acid Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/06—Power analysis or power optimisation
-
- 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)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明公开一种空调负荷短期预测方法及系统,采用非线性单纯形对基本SSA算法进行改进以确保算法全局搜索能力与局部搜索能力的均衡,然后将其用于SVM预测模型最优超参数的确定,得到NM‑SSA‑SVM短期空调负荷预测模型,利用NM‑SSA‑SVM短期空调负荷预测模型最终实现对空调冷负荷的精确预测,本发明的提出的预测模型结构简单,具有很强的非线性映射能力和均衡的全局与局部搜索能力,而且增强了预测结果的可靠性与科学性;不仅避免了SSA算法陷入局部最优和SVM模型选参的盲目性,而且也增强了SSA算法前后期的搜索能力;最后将其应用于短期空调负荷预测中,证明了该方法的适用性及预测的准确性。
Description
技术领域
本发明属于空调负荷预测技术领域,具体涉及一种空调负荷短期预测方法及系统。
背景技术
空调负荷的准确预测可以为大型公共建筑的设备节能、房间舒适以及冷机运行和管理提供可靠地支持和保障,也可以充分发挥机组的运行性能,优化负荷分配,提高建筑内空调设备启停管理的有效性。因此,着力提高短期负荷预测的水平,使得空调系统按需供冷,从而降低输配系统的能耗,实现空调节能高效稳定运行,这对于空调系统在运行过程中的稳定性、经济性起到重要作用。因此,亟需一种期空调负荷短期预测的新方法。
目前,该领域提出了许多预测建筑冷负荷的模型和方法,大体可概括为两类:单一模型负荷预测法和复合模型预测法,以实现空调节能高效稳定运行,但是当前节能化发展的大环境下依然存在空调负荷预测精度不准确的问题。针对这个问题,考虑到麻雀算法(Sparrow Search Algorithm,SSA)由于自学能力强,收敛速度快,且能以较大的概率收敛于全局最优解,相对于其他仿生算法性能较好,适用于回归预测问题中,但在实际应用中容易出现算法陷入局部最优,导致所选的最优参数不准确的问题,对此需要对基本SSA算法进行改进。除此之外,考虑到支持向量机(Support Vector Machine,SVM)遵循结构风险最小化原则,在保证学习能力的同时,兼顾到其泛化推广能力,通过将存在于低维特征空间的输入向量映射到高维特征空间,从而很好地满足人们对分类、预测、回归的实际需求,但存在模型对缺失数据敏感,参数依赖人工经验获取等缺点。
发明内容
为了解决现有技术中存在的问题,本发明提供一种空调负荷短期预测方法及系统,以解决空调短期负荷预测精度不高的问题。
为实现上述目的,本发明提供如下技术方案:一种空调负荷短期预测方法,具体步骤如下:
S1、采集影响当前时刻空调冷负荷的因素在不同时刻的历史数据,采用灰色关联度分析法计算所述历史数据与当前时刻空调冷负荷之间的关联度,剔除关联度低于0.8的历史数据,剩余的历史数据作为输入变量构成训练集
T r ,利用训练集
T r 和当前时刻空调冷负荷构造SVM预测模型,并初始化SVM预测模型的参数;
S2、计算麻雀算法中每只麻雀的适应度值,利用适应度值对麻雀种群中的发现者、跟随者以及侦察预警者的位置进行更新得到非线性单纯形法的初始种群,利用非线性单纯形法找出初始种群中适应度值最差的麻雀个体行反射操作,直至适应度值趋于稳定或迭代次数达到最大时终止,输出SVM预测模型的初始最优超参数;
S3、利用初始最优超参数对SVM预测模型进行训练,得到训练好的NM-SSA-SVM空调负荷预测模型;
S4、将待检测数据集输入训练好的NM-SSA-SVM空调负荷预测模型中进行短期空调负荷预测。
进一步的,步骤S2中,所述适应度值采用均方误差函数计算,公式如下:
(11)
其中,为实际值,
y为预测值。
进一步的,步骤S2中,侦察预警者的位置更新后,根据更新后的侦察预警者位置,产生一个一次寻优后的麻雀新种群,并对新种群中所有的适应度值进行更新并排序,产生非线性单纯形法法的初始种群。
进一步的,步骤S2中,利用非线性单纯形法找出最优点,次优点,最差点及中心位置,对初始种群中最差适应度值的麻雀个体的最差点进行反射操作,得到反射点,判断所述反射方向是否是产生最优方案的方向,当适应度值趋于稳定或迭代次数达到最大时终止,若满足就获取初始最优超参数
c和,否则,对麻雀种群中的发现者、跟随者以及侦察预警者的位置进行更新。
进一步的,判断所述反射方向是否是产生最优方案的方向,具体寻优操作如下:
若,执行扩张操作;
若,则;
若,执行压缩操作;
若,执行收缩操作。
进一步的,步骤S1中,选择当前时刻空调冷负荷为输出变量,所述样本数据集包括前1时刻、前2时刻、前24时刻的冷负荷、室外温度、湿球温度、相对湿度以及前一时刻的太阳辐射强度和室外风速在不同时刻的历史数据。
进一步的,步骤S1中,对采集的训练集
T r 进行归一化和反归一化处理后构造SVM预测模型。
进一步的,步骤S2中,根据训练集,构造SVM的网络拓扑架构:
(7)
其中,,,为输入的第
i个特征向量,为输出的第
i个特征向量,为训练样本总数,为拉格朗日因子,为向量机核函数,
b为截距。
进一步的,步骤S2中,所述向量机核函数为高斯核函数,采用高斯核函数建立SVM模型,其模型形式为:
(8)
其中,
g为核参数。
本发明还提供一种空调负荷短期预测系统,包括:
数据预处理模块,用于采集影响当前时刻空调冷负荷的因素在不同时刻的历史数据得到样本数据集,对样本数据集进行预处理,并将样本数据集分成训练集
T r 和测试集
T e ;
建模模块,用于选定的训练集
T r 和当前时刻空调冷负荷构建SVM预测模型,并初始化SVM的参数;
寻优模块,用于利用非线性单纯形法改进的麻雀算法对SVM预测模型进行寻优,得到SVM预测模型的初始最优超参数,利用初始最优超参数对SVM预测模型进行训练,得到NM-SSA-SVM空调负荷预测模型;
预测模块,将待检测数据集输入NM-SSA-SVM空调负荷预测模型中进行短期空调负荷预测,输出当前时刻空调冷负荷的预测值。
与现有技术相比,本发明至少具有以下有益效果:
本发明提出一种空调负荷短期预测方法,采用非线性单纯形法对基本SSA算法进行改进以确保算法全局搜索能力与局部搜索能力的均衡,然后将其用于SVM预测模型最优超参数的确定,最终实现了对空调短期负荷的精确预测,整个预测模型不仅结构简单,具有很强的非线性映射能力和均衡的全局与局部搜索能力,而且增强了预测结果的可靠性与科学性;不仅避免了SSA算法陷入局部最优和SVM模型选参的盲目性,而且也增强了SSA算法前后期的搜索能力;最后将其应用于短期空调负荷预测中,证明了该方法的适用性及预测的准确性。
本发明对NM-SSA-SVM空调负荷短期预测模型的输入变量采用灰色关联度进行相关性判断,剔除相关性低于0.8的因素,可以有效改善模型的预测速度和预测精度。
本发明提出的一种空调负荷短期预测方法,使得改进NM-SSA-SVM空调负荷短期预测模型更加具有实用性和可操作性,具有很强的现实意义。
本发明采用NM这一局部搜索能力较强的方法对SSA算法的全局寻优性能进行改进,来平衡SSA算法的局部改良能力和全局搜索能力,既解决了SSA算法容易陷入局部最优的缺陷,同时也保存了种群的多样性,继而保证了模型的预测精度。
本发明将NM-SSA-SVM空调负荷短期预测方法应用于SVM模型参数的确定,既解决了SVM模型长期依赖人工经验选取参数导致模型拟合能力不够、预测精度低的问题,也有效提高了模型的准确性、稳定性和鲁棒性。
附图说明
图1是本发明的非线性单纯形法的各搜索点的位置图。
图2是本发明的NM-SSA-SVM短期空调负荷预测模型流程图。
图3是本发明的五种模型各自预测值与实际值的对比图,其中(a)是本发明的BP神经网络模型预测值与实际值的对比结果图;(b)是本发明的SVM模型预测值与实际值的对比结果图;(c)是本发明的SSA-BP神经网络模型预测值与实际值的对比结果图;(d)是本发明的SSA-SVM模型预测值与实际值的对比结果图;(e)是本发明的NM-SSA-SVM模型预测值与实际值的对比结果图。
图4是本发明的五种模型的预测效果对比图。
图5是本发明的各模型两两对比的预测结果图,其中(a)是本发明的BP和SVM模型预测值与实际值的对比结果图(单一模型对比);(b)是本发明的SSA-BP和SSA-SVM模型预测值与实际值的对比结果图(SSA改进后复合模型之间的对比);(c)是本发明的BP和SSA-BP模型预测值与实际值的对比结果图(单一模型与复合模型对比);(d)是本发明的SVM和SSA-SVM模型预测值与实际值的对比结果图(单一模型与复合模型对比);(e)是本发明的SVM和NM-SSA-SVM模型预测值与实际值的对比结果图(单一模型和改进复合模型之间的对比);(f)是本发明的SSA-SVM和NM-SSA-SVM模型预测值与实际值的对比结果图(复合模型和改进复合模型之间的对比)。
图6是本发明的五种预测模型的相对误差结果对比图。
具体实施方式
下面结合附图和具体实施方式对本发明作进一步的说明,以下给出本发明的具体实施例,需要说明的是本发明并不局限于以下具体实施例,凡在本申请技术方案基础上做的等同变换均落入本发明的保护范围。
1、标准麻雀算法
SSA算法是一种模拟麻雀种群觅食并逃避捕食者行为的启发式算法,它通过发现者-加入者-侦查预警者这种机制获得优化问题的解。
麻雀算法的基本思想是:初始化一个种群数量为N存在于D维搜索空间中的麻雀种群,则第
i只麻雀在D维搜索空间中的位置为,其中,表示第
i只麻雀在第D维的位置。
首先,麻雀中找到较好食物的个体本身适应度高,起引导作用,称为发现者,其位置更新公式如下:
(1)
式中,表示种群迭代
t次时第
i只麻雀在第
d维的位置;
t代表当前迭代次数;M为最大迭代次数;为(0,1)之间的均匀随机数;是服从正态分布的随机数;表示一个的矩阵,矩阵中每个元素都为1;表示预警值,表示安全值。当时,意味着此时的觅食环境周围没有捕食者,发现者可以进行广泛的搜索操作;当时,意味着侦查麻雀发现捕食者,向种群发出危险信号,此时种群都要迅速转移到安全区域。
其次,除了发现者,剩余的麻雀皆为加入者,其位置更新公式如下:
(2)
式中,表示种群第
t次迭代时麻雀在第维的最差位置;表示种群第
t+1次迭代时麻雀在第维的最优位置;表示一个的矩阵,每个元素随机赋值1或-1,并且。当时,表明第
i个加入者没有获得食物,适应度值较低,需要飞往其他地方觅食;当时,表明第
i个加入者已在当前最优位置附近觅食。
最后,选定侦查预警者,一般占种群的10%-20%,位置更新公式如下:
(3)
式中,表示种群第次迭代时麻雀在第维的最优位置;作为步长控制参数,服从均值为0,方差为1的正态分布的随机数;是一个随机数,表示麻雀移动的方向;是一个极小常数,避免分母为0;是第只麻雀的适应度值,和分别是当前全局最佳和最差适应度值。当时,表示麻雀处于种群边缘,易收到捕食者的攻击;当时,表示处于种群中间的麻雀意识到了危险,需要及时向其他同伴靠拢以避免被捕。
2、麻雀算法的改进
由于SSA算法是一种全局寻优算法,其主要寻优机制是基于个体间的信息交流来进行平行式的搜索,在全局寻优上具有一定的收敛性及鲁棒性,但也弱化了局部搜索能力。在复杂多维非线性优化问题上,当搜索接近全局最优时,种群多样性急剧减少,最终陷入局部最优,导致相同的参数解可能会被搜索很多次,增加了算法的运行时间,降低了搜索效率,所以需要对基本的SSA进行改进。
考虑到单纯形法(Simplex Method,SM)是一种局部寻优算法,在一定区域内具有较好的搜索效率,因此,本发明在SSA算法的基本框架之下,结合非线性单纯形法(Nelder-Mead Simplex Method,NM)进行改进,NM是在SM基础上发展出来的一种广泛用于非线性无约束优化问题的直接局部搜索技术。
有效改进的原因有三点:(1)在搜索能力方面,两者互补性较强,SSA全局搜索能力强而NM局部搜索能力强;(2)在搜索前进方向上,SSA以随机位置规则来指导搜索而NM以确定性规则搜索方向;(3)在搜索方式上,SSA每次改变一个变量进行搜索而NM同时改变多个变量。因此,两者结合可以极大的丰富SSA的搜索方式,具体的NM方法如下:
基本原理是:在
n维空间中构建一个多面体,求出各顶点的适应度值,比较找出最优点、次优点以及最差点;然后通过非线性单纯形法中反射、扩张、收缩和压缩等操作找出一个较优探索点,取代最差点;如此重复每一次都会用一个更好的解替换当前的最差解,直至找到或逼近最优解。设最优点为,次优点为,中心位置,最差点为,则有:
(1)反射操作:,其中,为反射点,为反射系数,本发明中取1;
(2)扩张操作:,其中,为扩张点,为扩张系数,本发明中取2;
(3)压缩操作:,其中,为压缩点,为压缩系数,本发明中取0.5;
(4)收缩操作:,其中,为压缩点,为压缩系数,本发明中取0.5;
因此,NM法搜索点的位置如图1所示。
在非线性单纯形法操作中,反射操作能使最差点搜索所有可行解;扩张操作能使最优值点向距离最差点更远的反方向搜索,如果当前最优值点为极值点,扩张操作能使该点跳出局部极小值处;收缩操作则能使较差点收缩到更好的位置,提高算法的寻优能力。本发明在SSA算法进入下一次迭代前,结合NM这一局部搜索能力较强的方法对对多个较差的麻雀个体进行更新,能够解决SSA算法局部搜索效率低的问题,同样的,SSA算法也能使非线性单纯形法走出局部范围内的搜索趋势。所以,两者取长补短,有效均衡全局和局部搜索能力,高效的寻找SVM模型最优超参数。
3、基于NM改进SSA算法优化SVM的短期空调负荷预测模型的建立
3.1支持向量机的模型与结构
支持向量机(Support Vector Machine,SVM)是在结构风险最小化原则上发展而来的,在保证学习能力的同时,兼顾到其泛化推广能力。SVM的基本思想是:通过将存在于低维特征空间的输入向量映射到高维特征空间,再采用解决线性问题的方法,从而很好地满足人们对分类、预测、回归的实际需求。
使用SVM做相关预测时,对于给定的训练集,,,为输入的第
i个特征向量,为输出的第
i个特征向量,为训练样本总数,构造回归函数:
(4)
使得与实际值
y尽可能接近,
w是权重向量,
b为截距,为非线性映射。
引入惩罚函数
C、不敏感损失因子和松弛变量后,将回归问题转化为如下关于变量
w、
b的凸二次规划问题,SVM可以形式化为:
(5)
(6)
其中,分别为松弛变量的上下限(均为非负数)。
引入拉格朗日因子法得到超平面的SVM判定函数为:
(7)
式中,为拉格朗日因子;
K 为向量机核函数。
本发明选取高斯核函数建立模型,其模型形式为:
(8)
式中,
g为核参数。之所以选用高斯核函数,是因为它具有良好的处理输入输出样本之间复杂非线性的能力,能很好地实现样本由低维到高维空间的映射,适用性广泛。
3.2 SVM的模型输入变量选取及数据预处理
本发明以西安市高新区某一类高层综合办公楼为研究对象,空调冷源包括3台单台制冷量为1519kW的螺杆式电制冷机组,且集中空调逐时冷负荷综合最大值为4460kW。
大型公共建筑中影响空调冷负荷的因素有很多,常用的影响因素有室外温度、湿球温度、相对湿度、历史冷负荷值,考虑到负荷变化具有周期性和波动性,因而选取同一影响因素的三个不同时刻(前1时刻(T-1)、前2时刻(T-2)、前24时刻(T-24))的历史数据作为输入变量;除此之外,建筑也具有蓄热特性,如前一时刻的太阳辐射强度和风速等对当前冷负荷影响也很大,也纳入变量范围。为了准确输入变量与输出变量具有最强相关度的影响因子,本发明采用灰色关联度分析法来计算影响因素与输出变量之间的关联度,剔除与输入变量关联度低的影响因素,剩余影响因素为输入变量。计算影响因素和输出变量之间的关联度结果如表1所示:
表1:NM-SSA-SVM空调负荷预测模型的影响因素与输出变量的关联度结果
影响因素 | 关联度 | 影响因素 | 关联度 |
T-1时刻冷负荷 | 0.9548 | T-2时刻相对湿度 | 0.8351 |
T-2时刻冷负荷 | 0.9025 | T-1时刻室外温度 | 0.8440 |
T-1时刻室外风速 | 0.8340 | T-1时刻太阳辐射强度 | 0.8703 |
T-2时刻室外温度 | 0.8105 | T-24时刻冷负荷 | 0.9496 |
T-24时刻相对湿度 | 0.5738 | T-1时刻相对湿度 | 0.8183 |
T-24时刻室外温度 | 0.8137 | T-2时刻湿球温度 | 0.6986 |
T-1 时刻湿球温度 | 0.7988 | T-24时刻湿球温度 | 0.8107 |
注:时刻单位为小时, T-1表示所有相关因素前1时刻的数据,T-2表示所有相关因素前2时刻的数据,T-24表示所有相关因素前24时刻的数据;
结合表1的分析结果来看,剔除T-1时刻的湿球温度、T-2时刻的湿球温度和T-24时刻的相对湿度这三个输入变量,选取相关度大于0.8的因素为模型最终输入变量,即改进的NM-SSA-SVM复合模型共有11个输入变量,一个当前时刻的冷负荷输出变量。
根据采集到11个输入变量的实际数据作为样本数据集进行仿真实验,本发明将上述样本数据集按9:1的比例划分出训练集
T r 和测试集
T e :以7月1日-8月25日的数据作为训练集
T r (4344h-5688h),对8月26日-8月31日(5688h-5832h)连续六天的数据进行预测。
为了消除各类数据之间不同量纲的影响,也为了避免在进行网络训练时一些奇异样本导致模型收敛速度不稳定以及无法收敛的现象,现需要对样本数据集的数据进行归一化处理,加速优化过程,提高训练精度。其归一化公式为:
(9)
同时,为了使获得的数据能够反映原有量纲的真实值,需要进行反归一化处理:
(10)
其中,为归一化后的数据;为原始的数据;为样本数据中的最大值;为样本数据的最小值。
3.3建立NM-SSA-SVM短期空调负荷预测模型
本发明提出的基于非线性单纯形法改进麻雀算法优化支持向量机(NM-SSA-SVM)的短期空调负荷预测方法,流程图如图2所示。建模步骤如下:
(1)初始化SVM模型的参数。确定SVM模型的输入变量即训练集
T r 以及网络拓扑的架构设定相关参数,比如:惩罚因子、核函数参数、不敏感损失因子;
对于给定的训练集,,,为训练样本总数,构造回归函数:
(4)
使得与实际值
y尽可能接近,
w是权重向量,
b为截距,为非线性映射。
引入惩罚函数
C、不敏感损失因子和松弛变量后,将回归问题转化为如下关于变量
w、
b的凸二次规划问题,SVM可以形式化为:
(5)
(6)
其中,分别为松弛变量的上下限(均为非负数)。
引入拉格朗日因子法得到超平面判定函数:
(7)
式中,为拉格朗日因子
K 为向量机核函数。
优选的,选取高斯核函数建立模型,其模型形式为:
(8)
式中,
g为核参数。之所以选用高斯核函数,是因为它具有良好的处理输入输出样本之间复杂非线性的能力,能很好地实现样本由低维到高维空间的映射,适用性广泛。
(2)根据步骤1设定的训练集
T r 和相关参数初始化非线性单纯形法改进麻雀算法的参数,得到非线性单纯形法改进的麻雀算法。相关参数包括种群规模、最大迭代次数、反射系数、扩张系数、压缩系数和收缩系数等;
(3)根据步骤2的非线性单纯形法改进麻雀算法计算适应度值。选择均方误差函数为适应度函数,并对适应度值进行排序,适应度函数如下:
(11)
其中,为实际值,
y为预测值,用此来评价种群。适应度的值越小,说明该预测效果越好,被作为下一代父本的可能性就越高。
(4)根据步骤3计算得到的适应度值更新麻雀位置。根据公式(1)-(3)更新麻雀种群中发现者、跟随者以及侦察预警者的位置。
(5)根据步骤4更新的侦察预警者位置,产生一个一次寻优后的麻雀新种群。
(6)根据步骤5生成麻雀新种群的所有的适应度值进行更新并排序,产生非线性单纯形法的初始种群,利用找出最优点,次优点,最差点及中心位置,即,。
(7)根据步骤6确定的最差点,对种群中最差适应度值的麻雀个体的最差点进行反射操作,以便能搜索空间中各种可行解,得到反射点。
(8)根据步骤7的反射方案,判断该反射方向是否是产生最优方案的方向,具体寻优操作如下:
(a)若,说明反射方向正确,然后沿反射方向进行扩张操作得到扩张点。若,说明扩张操作的解更好,则;否则。
(b)若,说明虽没有最优解好,但却是最优解的潜在解,则,这样可以逐渐逼近最优解。
(c)若,说明反射方向更差,执行压缩操作得到压缩点,若,则。
(d)若,执行收缩操作得到收缩点,若,则,否则。
(9)根据步骤8非线性单纯形法寻优的结果判断终止条件。当适应度值趋于稳定或迭代次数达到最大时终止,若满足就获取初始最优超参数
c和,否则,返回步骤4。
(10)根据步骤9获得的最优超参数构建NM-SSA-SVM空调负荷短期预测模型,将训练集
T r 输入短期预测模型中得到预测负荷值,将预测负荷值和实际负荷值相比较,计算预测日的相对误差。
(11)对步骤10得到的相对误差结果进行评价,若误差满足精度要求,则输出预测结果,否则返回步骤9更新最优超参数,重新对SVM模型进行训练。
4、基于NM-SSA-SVM的短期空调负荷预测实验结果分析
(1)模型评价指标
为了更好地量化评估本发明所提的NM-SSA-SVM这一复合模型的预测性能,选取平均绝对百分比误差()、根均方误差()和决定系数()三个评价指标对模型预测效果进行分析。其中,和数值越小,的值越接近1,表示拟合优度越大,模型预测效果越准确,各指标计算公式如下:
(12)
(13)
(14)
式中,
n为预测点个数,即样本个数;为预测时刻点
t的空调实际负荷值;为
t时刻空调负荷的预测值;为预测样本真实值的平均值;表示回归平方和,表示总离差平方和。
(2)实验结果分析
为验证提出的NM-SSA-SVM负荷预测模型的科学性与可靠性,本发明以西安市高新区某综合办公楼采集的负荷数据为例,最后将实验结果与BP、SSA-BP、SVM以及SSA-SVM四种模型进行对比,分析不同模型的预测精度。
将收集到的样本集数据经GRA分析且标准化处理后,作为特征向量输入NM-SSA-SVM模型,再利用非线性单纯形法改进的SSA算法对SVM的超参数(
c和)进行寻优,得出两个关键参数的寻优值为:,,然后将NM改进后的SSA算法的寻优结果输入SVM中进行预测,该复合模型的参数设置以及搜索范围如表2所示。
表2:NM-SSA-SVM复合预测模型的参数设置表
分别用BP、SSA-BP、SVM、SSA-SVM以及NM-SSA-SVM五种模型对训练样本进行训练,得到各模型负荷预测值和实际值的对比测试结果,结果中的预测和实际输出均为反归一化后的值,如图3和图4所示:从图3(a)并结合图4中可以看出BP负荷预测模型的效果最差,尤其是5697h-5706h段和5793h-5802h这两个时间里,预测值和实际值偏差最为明显;从图3(b-d)中可以看出SSA-BP预测效果略好于BP,SVM预测模型已经有小部分预测值重合与实际值,SSA-SVM预测效果较单一SVM模型预测效果又有明显提高;此外,从图3(e)中可以清晰看出:NM-SSA-SVM模型的预测曲线与目标曲线重合度更高,预测结果更加准确,这就证明了用非线性单纯形法对模型改进的有效性。图4是五种模型空调冷负荷预测曲线和实际曲线的对比结果图,可以明显看出无论是在哪个预测时间点,NM-SSA-SVM模型都比其它模型更具备负荷预测所需要的可靠性、稳定性和准确性,可作为一种最优的预测方法来选择。
本发明还提供一种基于改进麻雀优化算法的短期空调负荷预测方法的系统,包括:
数据预处理模块,用于采集影响当前时刻空调冷负荷的因素在不同时刻的历史数据,得到样本数据集,对样本数据集进行预处理,并将样本数据集分成训练集
T r 和测试集
T e ;
建模模块,用于训练集
T r 和当前时刻空调冷负荷构建SVM,并初始化SVM的参数;
寻优模块,用于利用非线性单纯形法对麻雀算法进行改进,利用非线性单纯形法改进的麻雀算法对SVM预测模型进行寻优,到SVM预测模型的初始最优超参数,利用初始最优超参数对SVM预测模型进行训练,以此构建NM-SSA-SVM空调负荷预测模型。
如图5所示,本发明对不同模型进行两两对比,模型连续六天预测结果的评价指标如表3所示。图5(a)是单一模型之间的对比,可以看出SVM模型预测效果要好于BP神经网络,其MAPE指标比BP降低了49.49%,RMSE降低42.62%,这是因为SVM算法遵循结构风险最小化原则,寻求全局最优解,适用于高维数和小样本问题处理,而BP神经网络基于随机逼近原则,存在局部极小值隐患;图5(b)是SSA算法改进后组合模型之间的比较,SSA-SVM预测效果优于SSA-BP,其MAPE指标降低61.95%,RMSE降低49.72%;相较于单一模型,组合模型预测精度都有所提高,如图5(c)和(d)所示:SSA-BP模型比BP神经网络模型MAPE指标降低15.94%,RMSE降低22.77%,SSA-SVM模型比SVM模型MAPE指标降低36.67%,RMSE降低32.32%,这体现了采用智能优化算法选取模型参数的必要性,有效避免了由于人工经验不足而导致选取模型参数不准确的问题,也表明了SSA-SVM预测模型在处理时间序列问题上有着更好的预测效果;图5(e)和(f)是本发明提出的NM-SSA-SVM预测模型与SVM模型和SSA-SVM模型的对比结果,相较于SVM模型,其MAPE指标降低56.89%,RMSE降低66.05%,与SSA-SVM模型相比,其MAPE降低31.93%,RMSE降低49.83%,这就证明了本发明对基本SSA算法进行局部寻优改进的正确性,将NM算法与SSA算法两者结合取长补短,有效均衡了全局和局部搜索能力,结果表明该模型确实有很好的预测性能以及泛化能力。
进一步量化分析五种模型连续六天预测的效果,由决定系数R2的计算结果可知:本发明所提的NM-SSA-SVM预测模型的R2值为0.9966,最接近于1,即模型预测效果最好。相较于BP、SSA-BP、SVM和SSA-SVM四种模型,NM-SSA-SVM预测模型的R2指标分别提高了14.75%、11.63%、7.26%和4.63%。
表3:五种预测模型的误差评价指标对比
模型类型 | MAPE(%) | RMSE(%) | R2 |
BP | 0.0891 | 245.4103 | 0.8496 |
SSA-BP | 0.0749 | 189.5350 | 0.8807 |
SVM | 0.0450 | 140.8175 | 0.9242 |
SSA-SVM | 0.0285 | 95.2986 | 0.9505 |
NM-SSA-SVM | 0.0194 | 47.8074 | 0.9966 |
图6为五种模型连续六天预测的相对误差结果图,从图中可以看出改进后的NM-SSA-SVM复合预测模型的相对误差波动范围都在[-0.1-0.1]之间,预测误差均低于BP、SSA-BP、SVM和SSA-SVM方法,整体预测误差波动最小,且基本没有预测异常点的出现,表明改进后的模型不仅在预测精度上有很大改善,而且在处理异常样本上也具有很大提高,具有较高的预测稳定性、可靠性和鲁棒性。
Claims (10)
1.一种空调负荷短期预测方法,其特征在于,具体步骤如下:
S1、采集影响当前时刻空调冷负荷的因素在不同时刻的历史数据,采用灰色关联度分析法计算所述历史数据与当前时刻空调冷负荷之间的关联度,剔除关联度低于0.8的历史数据,剩余的历史数据作为输入变量构成训练集T r ,利用训练集T r 和当前时刻空调冷负荷构造SVM预测模型,并初始化SVM预测模型的参数;
S2、计算麻雀算法中每只麻雀的适应度值,利用适应度值对麻雀种群中的发现者、跟随者以及侦察预警者的位置进行更新得到非线性单纯形法的初始种群,利用非线性单纯形法找出初始种群中适应度值最差的麻雀个体进行反射操作,直至适应度值趋于稳定或迭代次数达到最大时终止,输出SVM预测模型的初始最优超参数;
S3、利用初始最优超参数对SVM预测模型进行训练,得到训练好的NM-SSA-SVM空调负荷预测模型;
S4、将待检测数据集输入训练好的NM-SSA-SVM空调负荷预测模型中进行短期空调负荷预测。
2.根据权利要求1所述的一种空调负荷短期预测方法,其特征在于,步骤S2中,所述适应度值采用均方误差函数计算,公式如下:
(11)
其中,为实际值,y为预测值,n为预测点个数。
3.根据权利要求1所述的一种空调负荷短期预测方法,其特征在于,步骤S2中,侦察预警者的位置更新后,根据更新后的侦察预警者位置,产生一个一次寻优后的麻雀新种群,并对新种群中所有的适应度值进行更新并排序,产生非线性单纯形法的初始种群。
4.根据权利要求1所述的一种空调负荷短期预测方法,其特征在于,步骤S2中,利用非线性单纯形法找出最优点,次优点,最差点及中心位置,对初始种群中最差适应度值的麻雀个体的最差点进行反射操作,得到反射点,判断反射方向是否是产生最优方案的方向,当适应度值趋于稳定或迭代次数达到最大时终止,若满足就获取初始最优超参数c和,否则,对麻雀种群中的发现者、跟随者以及侦察预警者的位置进行更新。
5.根据权利要求4所述的一种空调负荷短期预测方法,其特征在于,判断所述反射方向是否是产生最优方案的方向,具体寻优操作如下:
若,执行扩张操作;
若,则;
若,执行压缩操作;
若,执行收缩操作。
6.根据权利要求1所述的一种空调负荷短期预测方法,其特征在于,步骤S1中,选择当前时刻空调冷负荷为输出变量,所述训练集T r 包括前1时刻、前2时刻、前24时刻的冷负荷、室外温度、湿球温度、相对湿度以及前一时刻的太阳辐射强度和室外风速在不同时刻的历史数据。
7.根据权利要求1所述的一种空调负荷短期预测方法,其特征在于,步骤S1中,对采集的训练集T r 进行归一化和反归一化处理后构造SVM预测模型。
8.根据权利要求1所述的一种空调负荷短期预测方法,其特征在于,步骤S2中,根据训练集,构造SVM的网络拓扑架构:
(7)
其中,,,为输入的第i个特征向量,为输出的第i个特征向量,为训练样本总数,为拉格朗日因子,为向量机核函数,b为截距。
9.根据权利要求8所述的一种空调负荷短期预测方法,其特征在于,步骤S2中,所述向量机核函数为高斯核函数,采用高斯核函数建立SVM模型,其模型形式为:
(8)
其中,g为核参数。
10.一种空调负荷短期预测系统,其特征在于,包括:
数据预处理模块,用于采集影响当前时刻空调冷负荷的因素在不同时刻的历史数据得到样本数据集,对样本数据集进行预处理,并将样本数据集分成训练集T r 和测试集T e ;
建模模块,用于选定的训练集T r 和当前时刻空调冷负荷构建SVM预测模型,并初始化SVM预测模型的参数;
寻优模块,用于计算麻雀算法中每只麻雀的适应度值,利用适应度值对麻雀种群中的发现者、跟随者以及侦察预警者的位置进行更新得到非线性单纯形法的初始种群,利用非线性单纯形法找出初始种群中适应度值最差的麻雀个体进行反射操作,直至适应度值趋于稳定或迭代次数达到最大时终止,输出SVM预测模型的初始最优超参数,利用初始最优超参数对SVM预测模型进行训练,得到NM-SSA-SVM空调负荷预测模型;
预测模块,将待检测数据集输入NM-SSA-SVM空调负荷预测模型中进行短期空调负荷预测,输出当前时刻空调冷负荷的预测值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110616536.6A CN113255223B (zh) | 2021-06-02 | 2021-06-02 | 一种空调负荷短期预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110616536.6A CN113255223B (zh) | 2021-06-02 | 2021-06-02 | 一种空调负荷短期预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113255223A CN113255223A (zh) | 2021-08-13 |
CN113255223B true CN113255223B (zh) | 2023-04-28 |
Family
ID=77186252
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110616536.6A Active CN113255223B (zh) | 2021-06-02 | 2021-06-02 | 一种空调负荷短期预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113255223B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117423067B (zh) * | 2023-12-18 | 2024-03-12 | 成都华芯智云科技有限公司 | 一种基于tof技术的客流统计终端 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103912966A (zh) * | 2014-03-31 | 2014-07-09 | 武汉科技大学 | 一种地源热泵制冷系统优化控制方法 |
CN111950564A (zh) * | 2020-07-23 | 2020-11-17 | 江苏大学 | 一种基于ssa-elm算法的猪肉新鲜度检测分类方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8498879B2 (en) * | 2006-04-27 | 2013-07-30 | Wellstat Vaccines, Llc | Automated systems and methods for obtaining, storing, processing and utilizing immunologic information of individuals and populations for various uses |
CN109657869A (zh) * | 2018-12-26 | 2019-04-19 | 国网内蒙古东部电力有限公司经济技术研究院 | 基于ssa-lssvm的高纬度严寒地区变电站lcc预测模型 |
CN110516831A (zh) * | 2019-06-18 | 2019-11-29 | 国网(北京)节能设计研究院有限公司 | 一种基于mwoa算法优化svm的短期负荷预测方法 |
CN112485692A (zh) * | 2020-11-12 | 2021-03-12 | 李忠 | 一种基于麻雀搜索和最小二乘支持向量机的电池健康状态估计与剩余寿命预测方法 |
-
2021
- 2021-06-02 CN CN202110616536.6A patent/CN113255223B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103912966A (zh) * | 2014-03-31 | 2014-07-09 | 武汉科技大学 | 一种地源热泵制冷系统优化控制方法 |
CN111950564A (zh) * | 2020-07-23 | 2020-11-17 | 江苏大学 | 一种基于ssa-elm算法的猪肉新鲜度检测分类方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113255223A (zh) | 2021-08-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113269365B (zh) | 一种基于麻雀优化算法的短期空调负荷预测方法及系统 | |
CN110866592B (zh) | 模型训练方法、装置、能效预测方法、装置和存储介质 | |
CN109063366A (zh) | 一种基于时间和空间加权的建筑性能数据在线预处理方法 | |
CN109165819B (zh) | 一种基于改进AdaBoost.M1-SVM的有源配电网可靠性快速评估方法 | |
CN113762603B (zh) | 基于改进麻雀算法优化的光伏基站短期光伏功率预测方法 | |
CN113762387B (zh) | 一种基于混合模型预测的数据中心站多元负荷预测方法 | |
CN110837223A (zh) | 一种燃气轮机燃烧优化控制方法及系统 | |
Ceylan et al. | Estimation of healthcare expenditure per capita of Turkey using artificial intelligence techniques with genetic algorithm‐based feature selection | |
CN112884012A (zh) | 基于支持向量机原理的建筑能耗预测方法 | |
Ma et al. | An estimating combination method for interval forecasting of electrical load time series | |
Tian et al. | An adaptive ensemble predictive strategy for multiple scale electrical energy usages forecasting | |
CN109657147A (zh) | 基于萤火虫和加权极限学习机的微博异常用户检测方法 | |
CN114282730A (zh) | 一种用于建筑负荷预测的数据完备性检验与特征学习方法 | |
Mengcan et al. | Constrained voting extreme learning machine and its application | |
CN113255223B (zh) | 一种空调负荷短期预测方法及系统 | |
Jingming et al. | Research on credit risk measurement of small and micro enterprises based on the integrated algorithm of improved GSO and ELM | |
CN115964503B (zh) | 基于社区设备设施的安全风险预测方法及系统 | |
Liu et al. | A hybrid forecasting method for cooling load in large public buildings based on improved long short term memory | |
CN113344589A (zh) | 一种基于vaegmm模型的发电企业串谋行为的智能识别方法 | |
CN117313795A (zh) | 一种基于改进dbo-lstm的智慧楼宇能耗预测方法 | |
CN117332288A (zh) | 一种建筑节能技术评估系统及方法 | |
CN116663414A (zh) | 一种用于电力变压器的故障诊断方法及系统 | |
CN113762591B (zh) | 一种基于gru和多核svm对抗学习的短期电量预测方法及系统 | |
Dong et al. | Research on academic early warning model based on improved SVM algorithm | |
Yu et al. | Neural network model for energy low carbon economy and financial risk based on PSO intelligent algorithms |
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 |