[發明專利]一種基于PSO-BP與Markov鏈相結合的空調冷負荷動態預測方法

在審

• 申請號: 201910539184.1
• 申請日: 2019-06-20
• 公開（公告）號: CN110264004A
• 公開（公告）日: 2019-09-20
• 發明（設計）人: 于軍琪;井文強;趙安軍;任延歡;余紫瑞;焦森
• 申請（專利權）人: 西安建筑科技大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06;G06N3/00;G06N3/04;G06N3/08
• 代理公司: 西安通大專利代理有限責任公司 61200
• 代理人: 王艾華

一種基于PSO?BP與Markov鏈相結合的空調冷負荷動態預測方法，包括以下步驟：步驟1，對空調用能數據進行分類；步驟2，對空調冷負荷的T時刻室外溫度、T?1時刻室外溫度、T時刻太陽輻射量、T?1時刻太陽輻射量、T?2時刻太陽輻射量、T時刻相對濕度、T時刻室外風速、T?1時刻冷負荷、T?2時刻冷負荷、T?4時刻冷負荷等10個輸入變量和輸出變量T時刻冷負荷進行關聯度分析；步驟3，利用PSO?BP神經網絡進行負荷預測；步驟4，利用PSO?BP神經網絡的預測結果劃分誤差區間，構建Markov概率轉移矩陣；步驟5，進行Markov鏈誤差修正，得到最終的預測值。不僅對周內和周末的用能情況進行區分，還對與冷負荷相關的變量進行了關聯度分析，選擇關聯度高的變量作為模型的輸入變量，并且對組合模型進行了誤差修正，降低冗余度和特征模型的復雜度，提高算法的運算效率。

技術領域

本發明屬于空調負荷預測領域，特別涉及一種基于PSO-BP與Markov鏈相結合的空調冷負荷動態預測方法。

背景技術

目前空調能耗在商場建筑能耗中的占比越來越大，其巨大的用電量加劇了電網的壓力，有研究者采用冰蓄冷空調解決這一問題。冰蓄冷空調的運行，需要合理匹配電價的波峰波谷時間內冷機和冰槽應提供的冷量，首先對次日建筑物內各個時刻的冷負荷量進行預測，然后根據預測結果來進行冷量的劃分。因此冷負荷的動態預測是冰蓄冷空調的核心內容。

傳統的空調冷負荷預測采用的主要是支持向量機、統計回歸和神經網絡等，存在由于輸入數據與輸出數據存在匹配度低，以及組合模型存在過程誤差，導致預測結果達不到理想需求。

發明內容

本發明的目的在于提供一種基于PSO-BP與Markov鏈相結合的空調冷負荷動態預測方法，以解決上述問題。

為實現上述目的，本發明采用以下技術方案：

一種基于PSO-BP與Markov鏈相結合的空調冷負荷動態預測方法，包括以下步驟：

步驟1，對空調用能數據進行分類；

步驟2，對空調冷負荷的T時刻室外溫度、T-1時刻室外溫度、T時刻太陽輻射量、T-1時刻太陽輻射量、T-2時刻太陽輻射量、T時刻相對濕度、T時刻室外風速、T-1時刻冷負荷、T-2時刻冷負荷、T-4時刻冷負荷等10個輸入變量和輸出變量T時刻冷負荷進行關聯度分析；

步驟3，利用PSO-BP神經網絡進行負荷預測；

步驟4，利用PSO-BP神經網絡的預測結果劃分誤差區間，構建Markov概率轉移矩陣；

步驟5，進行Markov鏈誤差修正，得到最終的預測值。

進一步的，步驟1中的數據分類為根據商場建筑的用能特征進行劃分，周末對空調的負荷需求遠大于周內的需求，將用能數據劃分為周內數據和周末數據。

進一步的，步驟2中對輸入輸出變量利用JMP數據分析軟件進行關聯度分析并且剔除低關聯度的輸入變量。

進一步的，步驟3中的負荷預測，經過關聯度分析后得到T時刻室外溫度、T-1時刻室外溫度、T時刻太陽輻射量、T-1時刻太陽輻射量、T-2時刻太陽輻射量、T時刻相對濕度、T時刻室外風速、T-1時刻冷負荷、T-2時刻冷負荷和T-24時刻冷負荷作為PSO-BP神經網絡的輸入，輸出為一天相應時刻的負荷預測值。

進一步的，步驟5中誤差修正為利用劃分好的誤差區間和Markov概率轉移矩陣陣得出特征值和特征向量，根據特征值和特征向量得到修正后的結果。

與現有技術相比，本發明有以下技術效果：