[發(fā)明專利]一種基于自適應(yīng)深度置信網(wǎng)絡(luò)的空調(diào)冷負(fù)荷預(yù)測方法

有效

• 申請?zhí)枺?/td>: 202010415187.7
• 申請日: 2020-05-15
• 公開（公告）號: CN111598225B
• 公開（公告）日: 2023-05-02
• 發(fā)明（設(shè)計）人: 于軍琪;冉彤;趙安軍;任延歡;周昕瑋;張萬虎;席江濤
• 申請（專利權(quán)）人: 西安建筑科技大學(xué)
• 主分類號: G06N3/047
• 分類號: G06N3/047;G06N3/0499;G06N3/09;G06N3/084;G06N3/088
• 代理公司: 西安通大專利代理有限責(zé)任公司 61200
• 代理人: 高博

1.一種基于自適應(yīng)深度置信網(wǎng)絡(luò)的空調(diào)冷負(fù)荷預(yù)測方法，其特征在于，首先收集冷負(fù)荷數(shù)據(jù)，采用拉格朗日插值法對缺失和異常的能耗數(shù)據(jù)進(jìn)行彌補處理，對處理后的能耗數(shù)據(jù)進(jìn)行歸一化處理；將處理后的數(shù)據(jù)通過獨立的高斯分布處理，處理后的CRBM輸入給預(yù)測模型；通過RBM無監(jiān)督機制進(jìn)行訓(xùn)練，以前一層的RBM隱藏層作為下一層RBM的可視層輸入，調(diào)節(jié)網(wǎng)絡(luò)參數(shù)θ＝{w,a,b}；然后通過有監(jiān)督的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行反向訓(xùn)練，再次調(diào)節(jié)網(wǎng)絡(luò)參數(shù)θ＝{w,a,b}；再采用Adam優(yōu)化算法調(diào)節(jié)網(wǎng)絡(luò)參數(shù)θ＝{w,a,b}；最后選取預(yù)測模型的參數(shù)及結(jié)構(gòu)，采用重構(gòu)誤差RE對預(yù)測模型進(jìn)行結(jié)構(gòu)評估選取；采用均方根相對誤差RMSPE和平均絕對百分誤差MAPE對結(jié)果進(jìn)行評價，完成空調(diào)冷負(fù)荷預(yù)測；

RBM無監(jiān)督機制訓(xùn)練中，RBM通過激活函數(shù)，將輸入向量由可視層轉(zhuǎn)換到隱藏層，從隱藏層再到可視層，通過訓(xùn)練最小化內(nèi)部能量函數(shù)，完成特征的提取，得到可視層與隱藏層之間的聯(lián)合組態(tài)能量函數(shù)E(v,h；θ)，以可視層和隱藏層的聯(lián)合分布確保函數(shù)分布標(biāo)準(zhǔn)化，根據(jù)確定的可視層和隱藏層計算得到條件概率分布，通過使用梯段上升法最大化似然函數(shù)確定最佳模型，當(dāng)給定一組訓(xùn)練樣本集合S＝{v¹,v²,...vⁿ)時，計算得到目標(biāo)函數(shù)為最大化下對數(shù)似然函數(shù)Ls，最大化下對數(shù)似然函數(shù)Ls為：

其中，P(vⁿ)為每一個輸入樣本的激活概率，N為訓(xùn)練樣本個數(shù)；

可視層和隱藏層之間的聯(lián)合分布為：

P(v,h|θ)＝exp(-E(v,h))/Z(θ)

其中，Z(θ)為配分函數(shù)，v為可視層單元，h為隱藏層單元，確定可視層以及隱藏層后，條件概率分布計算如下：

其中，a_i為可視層的偏移量，h_j為隱藏單元j的二進(jìn)制狀態(tài)，n為可視層的預(yù)測冷負(fù)荷數(shù)量，w_ij為兩者之間的權(quán)重，m為可視層對應(yīng)的隱藏層數(shù)量，v_i為可視層輸入i的二進(jìn)制狀態(tài)，b_j為隱藏層的偏移量。

2.根據(jù)權(quán)利要求1所述的基于自適應(yīng)深度置信網(wǎng)絡(luò)的空調(diào)冷負(fù)荷預(yù)測方法，其特征在于，預(yù)測模型在線性單元中加入獨立高斯分布的連續(xù)值來模擬真實的數(shù)據(jù)，能量函數(shù)E(v,h；θ)為：

其中，θ＝{w,a,b,σ}，σ_i為可視層v_i對應(yīng)的高斯噪聲的標(biāo)準(zhǔn)差；

更新可視層和隱藏層的激活概率為：

其中，N(μ,σ²)代表高斯函數(shù)的均值μ和方差σ²，a_i為可視層的偏移量，h_j為隱藏單元j的二進(jìn)制狀態(tài)，w_ij為兩者之間的權(quán)重，n為可視層預(yù)測冷負(fù)荷的數(shù)量，v_i為可視層輸入i的二進(jìn)制狀態(tài)，b_j為隱藏層的偏移量。

3.根據(jù)權(quán)利要求1所述的基于自適應(yīng)深度置信網(wǎng)絡(luò)的空調(diào)冷負(fù)荷預(yù)測方法，其特征在于，再次調(diào)節(jié)網(wǎng)絡(luò)參數(shù)θ＝{w,a,b}具體為：

將包含時間、溫度、濕度和太陽輻射的輸入向量輸入到網(wǎng)絡(luò)模型中，通過無監(jiān)督網(wǎng)絡(luò)訓(xùn)練，通過高斯分布CRBM處理成連續(xù)的數(shù)值，進(jìn)行模型訓(xùn)練；

然后將訓(xùn)練樣本劃分為f組訓(xùn)練樣本，對f組訓(xùn)練樣本進(jìn)行訓(xùn)練以調(diào)節(jié)預(yù)測模型的網(wǎng)絡(luò)參數(shù)θ＝{w,a,b}，達(dá)到預(yù)測模型訓(xùn)練層數(shù)后保存網(wǎng)絡(luò)參數(shù)。

4.根據(jù)權(quán)利要求1所述的基于自適應(yīng)深度置信網(wǎng)絡(luò)的空調(diào)冷負(fù)荷預(yù)測方法，其特征在于，采用Adam優(yōu)化算法調(diào)節(jié)網(wǎng)絡(luò)參數(shù)θ＝{w,a,b}具體為：

對參數(shù)向量、一階矩向量和二階矩向量進(jìn)行初始化，然后循環(huán)迭代地更新各個部分，使參數(shù)θ收斂，即時間t加1，對應(yīng)的更新偏差的各個參數(shù)，最后用計算的參數(shù)值更新預(yù)測模型的參數(shù)θ。