[發明專利]一種基于遺傳算法-神經網絡的熱負荷預測方法

在審

• 申請號: 201811252715.0
• 申請日: 2018-10-25
• 公開（公告）號: CN109086952A
• 公開（公告）日: 2018-12-25
• 發明（設計）人: 介鵬飛;焉富春;方舟;羅錦文;張欣楠;王梓灃
• 申請（專利權）人: 北京石油化工學院
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06
• 代理公司: 北京凱特來知識產權代理有限公司 11260
• 代理人: 鄭立明;陳亮

本發明公開了一種基于遺傳算法?神經網絡的熱負荷預測方法，首先仿真獲取一段時間內每天四個特征向量以及一個待預測標簽；將上述仿真出的數據按照時間進行劃分，分為訓練集數據和預測集數據；再利用z?scroe算法將兩個數據集的特征向量以及待預測標簽進行歸一化處理，進而將各數據的量綱統一；對遺傳算法的參數和BP神經網絡參數進行設置和初始化；基于初始化參數建立BP神經網絡；計算某一個體的適應度值；通過遺傳算法對參數進行尋優獲得最佳BP神經網絡，對預測集數據的熱負荷進行預測。上述方法可以克服傳統人工神經網絡容易陷入局部極小值的缺點，并對熱負荷進行有效預測，保證了熱負荷預測的準確性。

技術領域

本發明涉及供暖系統技術領域，尤其涉及一種基于遺傳算法-神經網絡的熱負荷預測方法。

背景技術

由于我國當前集中供暖系統的控制發展不夠完善，經常出現用戶端無法滿足按需供暖，所以合理的熱量生產顯得十分重要，現有技術中常用的熱負荷預測方法主要有時間序列預測法、情景分析預測法和人工神經網絡法等，其中：

時間序列預測法通過時間序列模型來描述的運行規律，最終確定熱負荷的預測數學公式，通過數學公式來計算出未來的熱負荷的需求，雖然對于供暖系統熱負荷的預測速度快，準確度高，但是建立模型的過程復雜，沒有考慮到特殊天氣的變化因素，因此對于實時預測或數據波動大的情況預測效果并不理想。

情景分析預測法將多個建筑物進行組合，確定區域內建筑物的熱負荷的情景。它能提供最可能出現的熱負荷預測結果，屬于高概率性預測，精度較高，但結果依賴于各個熱負荷的變化規律，一旦出現突發情況，預測偏差將無法估量。

人工神經網絡預測法不用依賴具體的復雜數學模型就能夠處理非線性問題，能夠自組織、自學習和自適應，并且有強大的非線性映射與泛化能力，但是確定網絡參數耗時耗力，缺乏一定理論指導，神經網絡基于經驗風險最小化的緣故使其易陷入局部極小值，預測速度也較為緩慢。

發明內容

本發明的目的是提供一種基于遺傳算法-神經網絡的熱負荷預測方法，該方法可以克服傳統人工神經網絡容易陷入局部極小值的缺點，并對熱負荷進行有效預測，保證了熱負荷預測的準確性。

本發明的目的是通過以下技術方案實現的：

一種基于遺傳算法-神經網絡的熱負荷預測方法，所述方法包括：

步驟1、首先仿真獲取一段時間內每天四個特征向量以及一個待預測標簽；其中，所述四個特征向量包括室外干球溫度、太陽照度、風速和濕球溫度；待預測標簽為熱負荷數值；

步驟2、將上述仿真出的數據按照時間進行劃分，分為訓練集數據和預測集數據；

步驟3、再利用z-scroe算法將兩個數據集的特征向量以及待預測標簽進行歸一化處理，進而將各數據的量綱統一；

步驟4、對遺傳算法的參數和BP神經網絡參數進行設置和初始化；

步驟5、基于初始化參數建立BP神經網絡，將BP神經網絡的所有權值和閾值作為一組有序染色體，依據權值和閾值的數目，用相應維數的實數變量表示；

步驟6、計算某一個體的適應度值，將預測的熱負荷數值進行反歸一化后計算得到待預測標簽的MSE數值；

步驟7、通過遺傳算法對參數進行尋優獲得最佳BP神經網絡，對預測集數據的熱負荷進行預測。

由上述本發明提供的技術方案可以看出，上述方法可以克服傳統人工神經網絡容易陷入局部極小值的缺點，并對熱負荷進行有效預測，保證了熱負荷預測的準確性。

附圖說明