CN113269365B - 一种基于麻雀优化算法的短期空调负荷预测方法及系统 - Google Patents

一种基于麻雀优化算法的短期空调负荷预测方法及系统 Download PDF

Info

Publication number
CN113269365B
CN113269365B CN202110616563.3A CN202110616563A CN113269365B CN 113269365 B CN113269365 B CN 113269365B CN 202110616563 A CN202110616563 A CN 202110616563A CN 113269365 B CN113269365 B CN 113269365B
Authority
CN
China
Prior art keywords
svm
air conditioner
load
sparrow
prediction
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
CN202110616563.3A
Other languages
English (en)
Other versions
CN113269365A (zh
Inventor
闫秀英
王红梅
胡燕
赵光华
常娟
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 CN202110616563.3A priority Critical patent/CN113269365B/zh
Publication of CN113269365A publication Critical patent/CN113269365A/zh
Application granted granted Critical
Publication of CN113269365B publication Critical patent/CN113269365B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION 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
    • G06Q10/00Administration; Management
    • G06Q10/04Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/21Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00Machine learning
    • G06N20/10Machine learning using kernel methods, e.g. support vector machines [SVM]
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/004Artificial life, i.e. computing arrangements simulating life
    • G06N3/006Artificial 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]
    • YGENERAL 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
    • Y04INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04SSYSTEMS 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
    • Y04S10/00Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50Systems 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Development Economics (AREA)
  • Quality & Reliability (AREA)
  • Evolutionary Biology (AREA)
  • Game Theory and Decision Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Medical Informatics (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Air Conditioning Control Device (AREA)

Abstract

本发明公开了一种基于麻雀优化算法的空调负荷短期预测方法及系统,选取冷负荷、室外温度、湿球温度、相对湿度、太阳辐射强度以及室外风速六个因素在不同时刻的历史数据为输入变量;利用熵权法改进的灰色关联度分析法分析上述输入变量与当前时刻空调冷负荷这一输出变量之间的加权关联度,剔除加权关联低于0.02的输入变量,保留剩余变量。根据保留的输入变量的个数以及当前时刻空调冷负荷建立SVM;然后,利用麻雀算法优化SVM的最优超参数,得到SSA‑SVM预测模型;最终,将SSA‑SVM预测模型进行负荷预测,得到预测值。本发明克服了SVM依赖人工经验获取最优超参数的不足,提高了SVM的预测精度,降低了空调冷负荷预测偏差大导致能耗过高的问题。

Description

一种基于麻雀优化算法的短期空调负荷预测方法及系统
技术领域
本发明属于空调负荷预测技术领域,具体涉及一种基于麻雀优化算法的短期空调负荷预测方法及系统。
背景技术
空调负荷预测是冷水机组运行的基础条件,是冷冻站控制策略制定的必要依据。目前,冷水机组的选型都是按照最大制冷量选取的,即按照最大建筑负荷进行选取。但是一般情况下,冷水机组满负荷的运行时间不到总运行时间的3%,而且据国外学者实测得到,空调机组80%以上的时间是在60%以下的部分负荷情况下运行,所以冷水机组能耗主要是其在部分负荷运行工况下的能耗。空调系统的能耗量对实现建筑节能具有重大意义。通过对空调未来短期能耗进行预测,调整系统运行模式,可以实现有效的能耗降低。传统的空调冷负荷预测方法主要是支持向量机、BP神经网络等,但是传统方法的缺点是容易陷入局部最小值,收敛速度慢,输入和输出的匹配度低,造成空调冷负荷预测偏差大。
发明内容
为了解决现有技术中存在的问题,本发明提供了一种基于麻雀优化算法的短期空调负荷预测方法,包括以下步骤:
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,得到样本数据集,对样本数据进行预处理,将样本数据集分成训练集Tr和测试集Te
S2、根据步骤S1得到的训练集Tr和当前时刻的空调冷负荷构造SVM并初始化SVM的参数;
S3、利用麻雀算法对步骤S2初始化后的SVM参数进行优化得到最优超参数值,利用最优超参数值对SVM进行训练,得到SSA-SVM预测模型;
S4、将待检测的数据集输入步骤S3得到的SSA-SVM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。
进一步的,步骤S1中,选择当前时刻空调冷负荷为输出变量,采用熵权法改进的灰色关联度分析法计算影响当前时刻空调冷负荷的因素与当前时刻空调冷负荷之间的加权关联度,剔除加权关联度较低的因素,剩余的因素作为输入变量。
进一步的,步骤S1中,剔除与当前时刻空调冷负荷的加权关联度低于0.02的因素。
进一步的,步骤S2中,根据训练集Tr={(xi,yi),i=1,2,…l},构造SVM的网络拓扑架构:
Figure BDA0003097952020000021
其中,xi∈Rn,yi∈R,xi为输入的第i个特征向量,yi为输出的第i个特征向量,l为训练样本总数,
Figure BDA0003097952020000022
为拉格朗日因子,K(x,xi)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:
k(x,xi)=exp(-g‖x-xi2) (7)
其中,g为核参数。
进一步的,步骤S3中,优化的具体步骤如下:
1)根据训练集Tr中的数据初始化麻雀算法的参数;
2)计算训练集Tr中数据的适应度值,根据适应度值更新麻雀种群中发现者、跟随者以及侦察者的位置,当适应度值趋于稳定或者达到最大迭代次数,则得到更新后的最优超参数值;
3)利用最优超参数值对SVM进行训练,将测试集Te输入训练后的SVM中,得到预测空调冷负荷值,将得到的预测空调冷负荷值与实际负荷值进行比较,计算预测日的相对误差,若相对误差满足精度要求,则得到训练好的SSA-SVM预测模型;否则,返回步骤2),更新最优超参数,重新对SVM进行训练。
进一步的,步骤S3中,适应度值采用适应度函数计算,适应度函数选取均方误差函数,具体计算如下:
Figure BDA0003097952020000031
其中,yi为实际值,y为预测值。
进一步的,步骤S1中,对样本数据集中的数据进行归一化处理。
进一步的,步骤S1中,所述影响当前时刻空调冷负荷因素包括前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1时刻的太阳辐射强度和室外风速。
本发明还提供一种基于麻雀优化算法的短期空调负荷预测系统,包括:
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,对样本数据进行预处理,将样本数据集分成训练集Tr和测试集Te
建模模块,用于利用训练集Tr和当前时刻空调冷负荷构造SVM,并初始化SVM的参数;
寻优模块,用于利用麻雀算法对初始化后的SVM参数进行优化得到最优超参数值,利用最优超参数值对SVM进行训练,得到SSA-SVM预测模型;
预测模型,将待检测的数据集输入SSA-SVM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:
本发明提供一种基于麻雀优化算法的空调冷负荷预测方法及系统,利用麻雀优化算法对SVM进行优化,利用SVM的内积核函数代替高维空间非线性映射,并结合麻雀算法较强的自学能力,较快的收敛速度,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的优点,可以有效克服了SVM依赖人工经验获取参数的不足,提高了SVM的运行效率,最终实现了对空调短期负荷的精确预测。
本发明中采用熵权法改进的灰色关联度方法计算当前时刻空调冷负荷和影响当前时刻空调冷负荷的因素之间的加权关联度,剔除加权关联度低于0.02的因素,可以有效改善SVM的预测速度和预测精度。
附图说明
为了更清楚地说明本发明具体实施方式中的技术方案,下面将对具体实施方式描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明用麻雀算法优化SVM支持向量机的流程框图;
图2为BP神经网络模型预测值与实际值对比图;
图3为SVM模型预测值与实际值对比图;
图4为SSA优化BP神经网络模型预测值与实际值对比图;
图5为SSA优化SVM模型预测值与实际值对比图;
图6为BP神经网络模型预测值、SVM模型预测值、SSA-BP神经网络模型预测值、SSA-SVM模型预测值和实际值之间的对比图;
图7为BP神经网络模型预测值、SVM模型预测值和实际值之间的对比图;
图8为SSA-BP神经网络模型预测值、SSA-SVM模型预测值和实际值之间的对比图;
图9为BP神经网络模型预测值、SSA-BP神经网络模型预测值和实际值之间的对比图;
图10为SVM模型预测值、SSA-SVM模型预测值和实际值之间的对比图;
图11为BP神经网络模型预测、SVM模型预测、SSA-BP神经网络模型预测、SSA-SVM模型预测之间的相对误差对比图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明提供一种基于麻雀优化算法的短期空调负荷预测方法及系统,以7月1日-8月25日的数据作为SVM支持向量机的训练集(4344h-5688h),对8月26日-8月31日(5688h-5832h)的数据进行预测。基于此,采用基于麻雀算法优化SVM的空调冷负荷预测方法,具体步骤如下:
1.采集样本数据集
选择当前时刻空调冷负荷为输出变量,利用熵权法改进的灰色关联度分析法计算影响当前时刻空调冷负荷的因素与当前时刻空调冷负荷之间的加权关联度,剔除加权关联度较低的因素,剩余的因素作为输入变量,采集所述输入变量在前1时刻(T-1)、前2时刻(T-2)、前24时刻(T-24)的冷负荷、室外温度、湿球温度、相对湿度以及前1时刻的太阳辐射和室外风速的历史数据,得到样本数据集,将样本数据集分成训练集Tr和测试集Te,对训练集Tr进行预处理;
具体的,剔除加权关联度低于0.02的因素,保留剩余因素作为输入变量。
基于熵权法改进的灰色关联度分析法步骤如下:
(1)确定比较对象(评价对象)和参考数列(评价标准),m为指标的个数,n为数据列的个数,参考数列为Xi=(xi(1),xi(2),…,xi(m)),i=1,2,…,n,比较数列为Y=[y(1),y(2),···,y(m)]。
(2)计算灰色关联系数:
Figure BDA0003097952020000061
其中,Δi(j)=y0(j)-xi(j),y0(j)是数据无量纲化处理后得到的新参考序列,xi(j)是数据无量纲化处理后得到的新比较序列,ρ∈[0,1]为分辨系数,
Figure BDA0003097952020000062
Figure BDA0003097952020000063
分别为两级最小差和两级最大差。
(3)计算灰色关联度:
Figure BDA0003097952020000064
(4)利用熵权法计算每个指标值对应的比重:
Figure BDA0003097952020000065
(5)计算各指标的信息熵:
Figure BDA0003097952020000066
如果pi(j)=0,那么令
Figure BDA0003097952020000067
Ej表示指标j的信息熵,Ej越小,说明该组数据在指标j上的表现差异性越大。
(6)计算各指标的权重:
Figure BDA0003097952020000068
式中,Ej越小,指标j提供的信息越多,则该指标被赋予的权重越大,且各指标权重之和为1。
(7)结合灰色关联分析法得到的灰色关联度ri与熵权法得到的权重ωi,得到最终各影响因素的加权关联度:
r′j=ri×ωi
得到各影响因素的加权关联度后,对其进行排序,剔除加权关联度低于0.02的影响因素。
需要说明的是:由于灰色关联度虽然能较好地反映数据的波动性,但仍不能完全根据特征反映其影响力。对于空调负荷预测,不同影响因素所起的作用和影响力可能存在差异,所以需给各影响因素相应的权重系数,以突出不同因素固有的特点,提高识别的准确性,所以在此选择加权关联度大于0.02的评价指标作为模型输入变量。
利用熵权法改进的灰色关联度分析法对影响因素和输出变量之间的关联度进行计算,如表1所示。
表1各影响因素和输出变量之间的关联度数据表
Figure BDA0003097952020000071
注:时刻的单位为小时,T-1统一表示所有相关因素前1时刻的数据,T-2统一表示所有相关因素前2时刻的数据,T-24统一表示所有相关因素前24时刻的数据
结合前述以及表1的分析结果,剔除T-1时刻湿球温度、T-2时刻湿球温度、T-24时刻相对湿度这三个影响因素,选取前1时刻、前2时刻、前24时刻的冷负荷;前1时刻、前2时刻、前24时刻的室外温度;前24时刻的湿球温度;前1时刻、前2时刻、的相对湿度;前1时刻的太阳辐射;前1时刻的室外风速,共十一个变量作为SSA-SVM支持向量机预测模型的输入变量。
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:
Figure BDA0003097952020000081
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:
X′i=Xi(Xmax-Xmin)+Xmin (2)
其中,X′i为归一化后的数据;Xi为原始的数据;Xmax为样本数据中的最大值;Xmin为样本数据的最小值。
2.根据训练集Tr中训练样本的总数以及输出变量确定SVM的网络拓扑的架构
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。
SVM做相关预测时,SVM的网络拓扑的架构包括:根据训练集Tr={(xi,yi),i=1,2,…l},xi∈Rn,yi∈R,xi为输入的第i个特征向量,yi为输出的第i个特征向量,l为训练样本总数,构造回归函数:
f(x)=wTφ(x)+b (3)
其中w是权重向量,b为截距,
Figure BDA0003097952020000082
为非线性映射;
引入惩罚函数C、不敏感损失因子ε和松弛变量
Figure BDA0003097952020000083
后,将回归问题转化为关于变量w、b的凸二次规划问题,SVM可以形式化为:
Figure BDA0003097952020000084
Figure BDA0003097952020000085
其中,
Figure BDA0003097952020000086
分别为上松弛变量的下限(均为非负数);
引入拉格朗日因子法得到超平面的判定函数,即为:
Figure BDA0003097952020000087
其中,
Figure BDA0003097952020000091
为拉格朗日因子,K(x,xi)为向量机核函数。
优选的,本发明选取高斯核函数建立模型,其模型形式为:
k(x,xi)=exp(-g‖x-xi2) (7)
其中,g为核参数。
本发明中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关系的能力,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.利用麻雀算法优化SVM支持向量机
SSA麻雀优化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。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xi=[xi1,xi2,…xid],其中i=1,2,…N,xid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,一般占到种群的10%-20%,其发现者位置更新公式如下:
Figure BDA0003097952020000092
式中,
Figure BDA0003097952020000093
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;α为(0,1)之间的均匀随机数;Q是服从正态分布的随机数;L表示一个1×d的矩阵,矩阵中每个元素都为1;R2∈[0,1]表示预警值,ST∈[0.5,1]表示安全值。当R2<ST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R2≥ST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,其加入者位置更新公式如下:
Figure BDA0003097952020000094
式中,
Figure BDA0003097952020000101
表示种群第t次迭代时麻雀在第d维的最差位置;/>
Figure BDA0003097952020000102
表示种群第t+1次迭代时麻雀在第d维的最优位置;A表示一个1×d的矩阵,每个元素随机赋值1或-1,并且A+=AT(AAT)-1。当i>n/2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i≤n/2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%,其警戒者位置更新公式如下:
Figure BDA0003097952020000103
式中,
Figure BDA0003097952020000104
表示种群第t次迭代时麻雀在第d维的最优位置;β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;K∈[-1,1]是一个随机数,表示麻雀移动的方向;τ是一个极小常数,避免分母为0;fi是第i只麻雀的适应度值,fg和fw分别是当前全局最佳和最差适应度值。当fi≠fg时,表示麻雀处于种群边缘,易收到捕食者的攻击;当fi=fg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。
如图1所示,麻雀算法优化SVM的具体步骤如下:
步骤1:设置SVM的自变量和网络拓扑结构并初始化网络参数,进行数据归一化处理,选定相关的训练集和测试集样本,设定相关参数。
步骤2:麻雀算法初始化,包括种群个数n、迭代次数N等。
步骤3:计算种群中个体的适应度值,选取均方误差函数为适应度函数,对所有适应度值进行更新并排序,适应度f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。适应度函数如下:
Figure BDA0003097952020000105
其中,yi为实际值,y为预测值,用此来评价种群。
步骤4:根据麻雀公式更新麻雀的位置,当适应度值趋于稳定或者达到最大迭代次数,则完成迭代,此时的位置为更新最优超参数值,否则返回步骤3继续训练。
步骤5:从步骤4中选出最优超参数值进行SVM训练,得到SSA-SVM预测模型。
步骤6:将测试集Te的数据输入SSA-SVM预测模型中进行短期空调负荷预测,得到预测负荷值与实际负荷值相比较,计算预测日的相对误差;
步骤7:对步骤6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4更新最优超参数,重新对SVM模型进行训练。
本发明中用7月1日-8月25日(4344h-5688h)的数据作为训练集训练SVM后,再用8月26日-8月31日(5688h-5832h)连续六天的数据来测试已经训练好的SSA-SVM,得到预测值。选择三种现有模型和本发明预测模型对8月26日-8月31日(5688h-5832h)连续六天的数据进行预测,以MAPE平均绝对百分比误差、RMSE均方根误差、R2作为四种模型的预测误差评价指标,各指标计算公式如下:
Figure BDA0003097952020000111
Figure BDA0003097952020000112
Figure BDA0003097952020000113
式中,n为预测点个数,即样本个数;Y(t)为预测时刻点t的空调实际负荷值;Y*(t)为t时刻空调负荷的预测值;
Figure BDA0003097952020000114
为预测样本真实值的平均值;SSSR表示回归平方和,SSST表示总离差平方和。
4.利用SSA-SVM预测模型进行负荷预测,得到当前时刻空调冷负荷预测值。
为验证提出的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以及SVM三种模型进行对比,分析不同模型的预测精度。
将收集到的样本集数据经熵权法改进的GRA分析且标准化处理后,作为特征向量输入SSA-SVM模型,再利用SSA算法对SVM的超参数(c和σ)进行寻优,得出两个关键参数的寻优值为:c=1.7433,σ=32,然后将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2NM-SSA-SVM复合预测模型的参数设置表
Figure BDA0003097952020000121
分别用BP、SSA-BP、SVM以及SSA-SVM四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2所示:从图中可以看出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、4、5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模型预测效果明显的提高了运行效率。图6是四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SSA-SVM模型都比其它模型预测更加准确,更具备负荷预测所需要的可靠性和稳定性。
本发明还包括一种基于麻雀优化算法的短期空调负荷预测的系统,该系统能够用于实现上述基于麻雀优化算法的短期空调负荷预测方法,具体的,该基于麻雀优化算法的短期空调负荷预测系统包括预处理模块、建模模块、寻优模块以及预测模块。
其中,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,对样本数据进行预处理,将样本数据集分成训练集Tr和测试集Te
建模模块,用于利用训练集Tr和当前时刻空调冷负荷构造SVM,并初始化SVM的参数;寻优模块,用于利用麻雀算法对初始化后的SVM参数进行优化得到最优超参数值,利用最优超参数值对SVM进行训练,得到SSA-SVM预测模型;
预测模型,将测试集Te的数据输入SSA-SVM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。
如图7、8、9和10所示,本发明给出了不同模型两两对比的结果,模型连续六天预测结果的评价指标如表3所示。图7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降低了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8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指标降低了61.95%,RMSE降低了49.72%;相较于单一模型,组合模型预测精度都有所提高,如图9、10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%,这表明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,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。
进一步分析四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:SSA-SVM预测模型的R2值为0.9505,最接近于1,即模型预测效果最好。相较于BP、SSA-BP、和SVM三种模型,SSA-SVM预测模型的R2指标分别提高了14.75%、11.63%、7.26%。图11四种模型连续六天预测的相对误差结果图,从图中可以看出SSA-SVM复合预测模型的预测误差均低于BP、SSA-BP和SVM模型,整体预测误差波动最小,表明SSA和SVM组合后的模型具有较高的预测稳定性和可靠性,四种模型的预测误差评价指标对比结果如表3所示:
表3四种模型的预测误差评价指标对比
Figure BDA0003097952020000141
最后应说明的是:以上所述实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。

Claims (7)

1.一种基于麻雀优化算法的短期空调负荷预测方法,其特征在于,包括以下步骤:
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,得到样本数据集,对样本数据进行预处理,将样本数据集分成训练集T r和测试集T e
S2、根据步骤S1得到的训练集T r和当前时刻空调冷负荷构造SVM并初始化SVM的参数;
S3、利用麻雀算法对步骤S2初始化后的SVM参数进行优化得到最优超参数值,利用最优超参数值对SVM进行训练,得到SSA-SVM预测模型;
S4、将待检测的数据集输入步骤S3得到的SSA-SVM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;
步骤S1中,选择当前时刻空调冷负荷为输出变量,采用熵权法改进的灰色关联度计算影响当前时刻空调冷负荷的因素与当前时刻空调冷负荷之间的加权关联度,剔除加权关联度较低的因素,剩余的因素作为输入变量;
步骤S1中,剔除与当前时刻空调冷负荷的加权关联度低于0.02的因素;
步骤S3中,优化的具体步骤如下:
1)根据训练集T r中的数据初始化麻雀算法的参数;
2)计算训练集T r中数据的适应度值,根据适应度值更新麻雀种群中发现者、跟随者以及侦察者的位置,当适应度值趋于稳定或者达到最大迭代次数,则得到更新后的最优超参数值;
3)利用最优超参数值对SVM进行训练,将测试集T e输入训练后的SVM中,得到预测空调冷负荷值,将得到的预测空调冷负荷值与实际负荷值进行比较,计算预测日的相对误差,若相对误差满足精度要求,则得到训练好的SSA-SVM预测模型;否则,返回步骤2),更新最优超参数,重新对SVM进行训练。
2.根据权利要求1所述的一种基于麻雀优化算法的短期空调负荷预测方法,其特征在于,步骤S2中,根据训练集
Figure QLYQS_1
,构造 SVM的网络拓扑架构:
Figure QLYQS_2
(6)
其中,
Figure QLYQS_3
,/>
Figure QLYQS_4
,/>
Figure QLYQS_5
为输入的第i个特征向量,/>
Figure QLYQS_6
为输出的第i个特征向量,/>
Figure QLYQS_7
为训练样本总数,/>
Figure QLYQS_8
为拉格朗日因子,/>
Figure QLYQS_9
为向量机核函数,b为截距。
3.根据权利要求2所述的一种基于麻雀优化算法的短期空调负荷预测方法,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:
Figure QLYQS_10
(7)
其中,g为核参数。
4.根据权利要求1所述的一种基于麻雀优化算法的短期空调负荷预测方法,其特征在于,步骤S3中,适应度值采用适应度函数计算,适应度函数选取均方误差函数,具体计算如下:
Figure QLYQS_11
(11)
其中,
Figure QLYQS_12
为实际值,y为预测值。
5.根据权利要求1所述的一种基于麻雀优化算法的短期空调负荷预测方法,其特征在于,步骤S1中,对样本数据集中的数据进行归一化处理。
6.根据权利要求1所述的一种基于麻雀优化算法的短期空调负荷预测方法,其特征在于,步骤S1中,所述影响当前时刻空调冷负荷因素包括前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1时刻的太阳辐射强度和室外风速。
7.一种基于麻雀优化算法的短期空调负荷预测系统,其特征在于,包括:
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,对样本数据进行预处理,将样本数据集分成训练集T r和测试集T e;选择当前时刻空调冷负荷为输出变量,采用熵权法改进的灰色关联度计算影响当前时刻空调冷负荷的因素与当前时刻空调冷负荷之间的加权关联度,剔除与当前时刻空调冷负荷的加权关联度低于0.02的因素,剩余的因素作为输入变量;
建模模块,用于利用训练集T r和当前时刻空调冷负荷构造SVM,并初始化SVM的参数;
寻优模块,用于利用麻雀算法对初始化后的SVM参数进行优化得到最优超参数值,利用最优超参数值对SVM进行训练,得到SSA-SVM预测模型,优化的具体步骤如下:
1)根据训练集T r中的数据初始化麻雀算法的参数;
2)计算训练集T r中数据的适应度值,根据适应度值更新麻雀种群中发现者、跟随者以及侦察者的位置,当适应度值趋于稳定或者达到最大迭代次数,则得到更新后的最优超参数值;
3)利用最优超参数值对SVM进行训练,将测试集T e输入训练后的SVM中,得到预测空调冷负荷值,将得到的预测空调冷负荷值与实际负荷值进行比较,计算预测日的相对误差,若相对误差满足精度要求,则得到训练好的SSA-SVM预测模型;否则,返回步骤2),更新最优超参数,重新对SVM进行训练;
预测模型,将待检测的数据集输入SSA-SVM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。
CN202110616563.3A 2021-06-02 2021-06-02 一种基于麻雀优化算法的短期空调负荷预测方法及系统 Active CN113269365B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110616563.3A CN113269365B (zh) 2021-06-02 2021-06-02 一种基于麻雀优化算法的短期空调负荷预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110616563.3A CN113269365B (zh) 2021-06-02 2021-06-02 一种基于麻雀优化算法的短期空调负荷预测方法及系统

Publications (2)

Publication Number Publication Date
CN113269365A CN113269365A (zh) 2021-08-17
CN113269365B true CN113269365B (zh) 2023-06-16

Family

ID=77234062

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110616563.3A Active CN113269365B (zh) 2021-06-02 2021-06-02 一种基于麻雀优化算法的短期空调负荷预测方法及系统

Country Status (1)

Country Link
CN (1) CN113269365B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113836801A (zh) * 2021-09-13 2021-12-24 湖北工业大学 基于ceemd和改进ssa-lssvm的预测方法
CN113902016A (zh) * 2021-10-11 2022-01-07 大连海事大学 一种船舶机械运行模式的判定方法
CN114464266B (zh) * 2022-01-27 2022-08-02 东北电力大学 一种基于改进SSA-GPR的煤粉锅炉NOx排放量预测方法及装置
CN114841427B (zh) * 2022-04-26 2024-05-07 东南大学 基于多目标回归的二次泵变流量系统分区域负荷预测方法
CN114879769B (zh) * 2022-05-31 2023-03-14 友联船厂(蛇口)有限公司 一种船舱湿度控制方法及装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102799953A (zh) * 2012-07-16 2012-11-28 安徽省电力公司池州供电公司 基于层叠泛化训练策略的母线负荷预测方法
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
CN112084707A (zh) * 2020-09-02 2020-12-15 西安建筑科技大学 基于冷冻水和冷却水变流量解耦的制冷机房节能优化方法及系统
AU2020104000A4 (en) * 2020-12-10 2021-02-18 Guangxi University Short-term Load Forecasting Method Based on TCN and IPSO-LSSVM Combined Model
CN112633577A (zh) * 2020-12-23 2021-04-09 西安建筑科技大学 一种短期家庭用电负荷预测方法、系统、存储介质及设备

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019144386A1 (zh) * 2018-01-26 2019-08-01 大连理工大学 一种航空发动机过渡态关键性能参数预测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102799953A (zh) * 2012-07-16 2012-11-28 安徽省电力公司池州供电公司 基于层叠泛化训练策略的母线负荷预测方法
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
CN112084707A (zh) * 2020-09-02 2020-12-15 西安建筑科技大学 基于冷冻水和冷却水变流量解耦的制冷机房节能优化方法及系统
AU2020104000A4 (en) * 2020-12-10 2021-02-18 Guangxi University Short-term Load Forecasting Method Based on TCN and IPSO-LSSVM Combined Model
CN112633577A (zh) * 2020-12-23 2021-04-09 西安建筑科技大学 一种短期家庭用电负荷预测方法、系统、存储介质及设备

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Jongwon Yoon ; Minsik Jin ; Yungbum Jung.Reducing False Alarms from an Industrial-Strength Static Analyzer by SVM.IEEE.2015,全文. *
基于MFCC和时频图等多种特征的综合鸟声识别分类器设计;徐淑正;孙忆南;皇甫丽英;方玮骐;;实验室研究与探索(第09期);全文 *
基于SVM模型的自然环境声音的分类;余清清;李应;李勇;;计算机与数字工程(第07期);全文 *

Also Published As

Publication number Publication date
CN113269365A (zh) 2021-08-17

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
CN108564192B (zh) 一种基于气象因子权重相似日的短期光伏功率预测方法
CN108320016B (zh) 一种建筑能耗短期预测方法
CN109583635B (zh) 一种面向运行可靠性的短期负荷预测建模方法
CN111028100A (zh) 考虑气象因素的精细化短期负荷预测方法、装置及介质
JP7078873B2 (ja) 機械学習装置、デマンド制御システム、及び、空調制御システム
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
CN110781595B (zh) 能源使用效率pue的预测方法、装置、终端及介质
CN112085254A (zh) 基于多重分形协同度量门控循环单元的预测方法及模型
CN114662201B (zh) 一种自然通风智能调控的寻优方法
CN110794485A (zh) 基于集成学习的强对流天气持续时间预报方法
Li et al. Forecasting of short-term photovoltaic power generation using combined interval type-2 Takagi-Sugeno-Kang fuzzy systems
Wang et al. Short-term load forecasting with LSTM based ensemble learning
CN115511100A (zh) 一种基于环境温度相关数据学习的空调负荷回归预测方法
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
CN113962819A (zh) 一种基于极限学习机的工厂化水产养殖溶解氧预测方法
CN113255223B (zh) 一种空调负荷短期预测方法及系统
CN117313795A (zh) 一种基于改进dbo-lstm的智慧楼宇能耗预测方法
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
CN115481788B (zh) 相变储能系统负荷预测方法及系统
CN114234392B (zh) 一种基于改进pso-lstm的空调负荷精细预测方法
Kalogirou et al. Predicting the pressure coefficients in a naturally ventilated test room using artificial neural networks
Hou et al. Evolving dendritic neuron model by equilibrium optimizer algorithm
Tan et al. Time Series Prediction using Backpropagation Network Optimized by Hybrid K-means-Greedy Algorithm.
CN113177675A (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

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