[發明專利]基于模擬退火算法優化BP神經網絡的空調冷負荷預測方法

有效

• 申請號: 202010414114.6
• 申請日: 2020-05-15
• 公開（公告）號: CN111598224B
• 公開（公告）日: 2023-05-02
• 發明（設計）人: 于軍琪;黃馨樂;趙安軍;王福
• 申請（專利權）人: 西安建筑科技大學
• 主分類號: G06N3/04
• 分類號: G06N3/04;G06N3/08;F24F11/62
• 代理公司: 西安通大專利代理有限責任公司 61200
• 代理人: 李鵬威

1.基于模擬退火算法優化BP神經網絡的空調冷負荷預測方法，其特征在于，包括以下步驟：

步驟1：選取影響T時刻空調冷負荷的輸入變量，所述輸入變量包括T時刻的室外空氣溫度以及T時刻之前的室外空氣溫度、T時刻的太陽輻射量以及T時刻之前的太陽輻射量、T時刻的相對濕度、T時刻的室外風速和T時刻之前的空調冷負荷，利用關聯度分析法分析所述輸入變量與T時刻空調冷負荷的相關性，剔除關聯度低于0.8的輸入變量，保留剩余輸入變量；

步驟2：根據步驟1中保留的輸入變量的個數以及T時刻空調冷負荷建立BP神經網絡；

所述BP神經網絡的結構包括輸入層、隱藏層和輸出層，其中，根據保留的輸入變量的個數以及T時刻空調冷負荷確定BP神經網絡的輸入層神經元個數I和輸出層神經元個數O，根據輸入層神經元個數I和輸出層神經元個數O確定隱藏層神經元個數H；

隱藏層神經元個數H通過以下公式確定：

H＝(I+O)^1/2+Z

步驟3：利用模擬退火算法優化步驟2建立的BP神經網絡；

步驟4：利用步驟3中優化后的BP神經網絡進行負荷預測，得到預測值。

2.根據權利要求1所述的基于模擬退火算法優化BP神經網絡的空調冷負荷預測方法，其特征在于，所述步驟1中，采用灰色關聯度分析法分析所述輸入變量與T時刻空調冷負荷的相關性。

3.根據權利要求1所述的基于模擬退火算法優化BP神經網絡的空調冷負荷預測方法，其特征在于，所述步驟3具體包括：

步驟31：設置模擬退火算法的初始溫度、終止溫度、溫度下降方式和隨機擾動機制；

步驟32：設置BP神經網絡的初始權值和初始閾值，對BP神經網絡進行梯度下降訓練直至收斂，得到一系列權值和閾值作為模擬退火算法的初始解向量；

步驟33：給出隨機擾動，隨著溫度下降更新權值和閾值；

步驟34：判斷溫度是否下降到終止溫度，如果下降到終止溫度，則終止訓練過程，將更新后的權值和閾值作為BP神經網絡的權值和閾值；否則，執行步驟33。

4.根據權利要求1至3任一項所述的基于模擬退火算法優化BP神經網絡的空調冷負荷預測方法，其特征在于，所述步驟1中，所述輸入變量包括T時刻的室外空氣溫度、T-1時刻的室外溫度、T時刻的太陽輻射量、T-1時刻的太陽輻射量、T時刻的相對濕度、T時刻的室外風速、T-1時刻的空調冷負荷、T-2時刻的空調冷負荷、T-3時刻的空調冷負荷和T-4時刻的空調冷負荷。