[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

本發明公開了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，選取影響T時刻空調冷負荷的輸入變量，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；根據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；利用模擬退火算法優化BP神經網絡；利用優化后的BP神經網絡進行負荷預測，得到預測值。本發明克服了BP神經網絡在權值選擇上的隨機性，降低了空調冷負荷預測偏差大的問題。

技術領域

本發明屬于空調負荷預測技術領域，具體涉及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。

背景技術

建筑能耗作為世界能源消耗的三巨頭之一，占中國社會總能耗的20％左右，從世界視角來看這個比例更高，達到了30％以上。隨著經濟發展，空調能耗占總建筑能耗的比例越來越大。空調系統的能耗量對實現建筑節能具有重大意義。通過對空調未來短期能耗進行預測，調整系統運行模式，可以實現有效的能耗降低。

傳統的空調冷負荷預測方法主要是支持向量機、神經網絡等，但是傳統方法的缺點是容易陷入局部最小值，收斂速度慢，輸入和輸出的匹配度低，造成空調冷負荷預測偏差大。

發明內容

針對現有技術中的技術問題，本發明提供了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，克服了BP神經網絡在權值選擇上的隨機性，提高了BP神經網絡的收斂速度和學習能力，降低了空調冷負荷預測偏差大的問題。

為了解決上述技術問題，本發明通過以下技術方案予以實現：

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，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；

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。

進一步地，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。

進一步地，所述步驟2中，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。

進一步地，隱藏層神經元個數H通過以下公式確定：

H＝(I+O)^1/2+Z。

進一步地，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。