The invention relates to a two stage air conditioning load forecasting method based on K value clustering and wavelet neural network. The K mean clustering method is applied to divide the sample data into several cluster classes, so as to reduce the influence of data correlation on modeling accuracy, and establish a corresponding wavelet neural network model for each cluster class's sample data. Improve the precision of air conditioning load forecasting. The invention can be effectively applied to the time - to - hour air conditioning load forecasting of the office building, and has high prediction accuracy and reliable performance.
【技术实现步骤摘要】
基于K值小波神经网络的二阶段空调负荷预测方法
本专利技术涉及一种基于K值小波神经网络的二阶段空调负荷预测方法。
技术介绍
随着空调系统在我国工业和民用建筑中的应用日益广泛。空调能耗(负荷)在建筑总能耗中的占比也在大幅上升,空调系统节能迫在眉睫。空调负荷预测是空调系统运行和节能调度的重要依据。准确、快速的负荷预测有利于提高空调系统运行的经济性和可靠性。空调负荷与气象条件、环境温度以及建筑围护结构等多种影响因素之间存在复杂的非线性关系,且各因素之间具有强相关性;此外,建筑室内人员随机变动和设备启停等不确定性工况也在一定程度上加剧了负荷的波动性,从而使得空调负荷数据呈现出非线性、相关性和非平稳等特征,建立其精确预测模型面临很大的困难。近十几年来,众多专家学者针对空调负荷预测的特点,提出了许多基于数据驱动的预测方法,如基于模糊分析、灰色理论、回归分析和人工神经网络等方法。人工神经网络因其具有强大的非线性映射能力和自学习能力,近年来已被广泛应用于负荷预测之中。但是由于神经网络训练采用大样本学习的方式,易产生过学习而导致泛化能力下降,另外还存在诸如网络结构难以确定、易陷入局部极小等缺点。
技术实现思路
本专利技术的目的在于提供一种基于小波神经网络的二阶段空调负荷预测方法,能够有效消除样本数据的高噪声和非平稳性,具有较高预测精度和泛化能力以及可靠性能。为实现上述目的,本专利技术采用如下技术方案:一种基于K值小波神经网络的二阶段空调负荷预测方法,包括以下步骤:步骤S1:采用k值聚类算法将原始样本数据划分为若干簇;步骤S2:将原始样本数据进行归一化处理;步骤S3:构造WNN模型 ...
【技术保护点】
一种基于K值小波神经网络的二阶段空调负荷预测方法,其特征在于,包括以下步骤:步骤S1:采用k值聚类算法将原始样本数据划分为若干簇;步骤S2:将原始样本数据进行归一化处理;步骤S3:构造WNN模型;基于聚类后的K个簇样本点,确定每个簇样本点对应的WNN模型的网络结构;设置小波基函数伸缩平移因子a、b及各网路结构层之间的连接权值,确定网络学习系数η;步骤S4:进行模型训练;输入训练样本,计算预测值和训练误差,并修正WNN参数,判断训练误差是否达到期望值,若是则训练结束,否则返回步骤S4;步骤S5:将待预测样本数据选择所对应的WNN模型进行预测;步骤S6:对模型预测计算结果
【技术特征摘要】
1.一种基于K值小波神经网络的二阶段空调负荷预测方法,其特征在于,包括以下步骤:步骤S1:采用k值聚类算法将原始样本数据划分为若干簇;步骤S2:将原始样本数据进行归一化处理;步骤S3:构造WNN模型;基于聚类后的K个簇样本点,确定每个簇样本点对应的WNN模型的网络结构;设置小波基函数伸缩平移因子a、b及各网路结构层之间的连接权值,确定网络学习系数η;步骤S4:进行模型训练;输入训练样本,计算预测值和训练误差,并修正WNN参数,判断训练误差是否达到期望值,若是则训练结束,否则返回步骤S4;步骤S5:将待预测样本数据选择所对应的WNN模型进行预测;步骤S6:对模型预测计算结果进行反归一化处理。2.根据权利要求1所述的基于K值小波神经网络的二阶段空调负荷预测方法,其特征在于,所述步骤S1中的k值聚类算法具体包括以下步骤:设在Rm空间中存在数据点集S={X1,X2...Xn},其中Xi=(xi1,xi2,...xim),(i=1,2...n),步骤S11:确定聚类的个数K,并随机选取数据点Vi(i=1,2,...,K)作为各个簇的初始聚类中心;步骤S12:依据距离就近原则将每个数据点的均值划分到离其最近的聚类中心所在的簇;步骤S13:更新每个簇的聚类中心,以每个簇所包含数据点的均值定义为该簇新的聚类中心;步骤S14:按式(1)目标函数计算每个数据点到所在簇中心的距离平方和,若目标函数值达到最小值时则聚类完成,否则依据新的聚类中心返回步骤S12;其中E为各数据点到所在簇中心距离的平方和;X为Rm中数据点;Vi为簇Ci中数据点的均值,即聚类中心,Ci表示聚类的第i个簇;||X-Vi||p为X与Vi两者间的p阶度量。3.根据权利要求2所述的基于K值小波神经网络的二阶段空调负荷预测方法,其特征在于,所述步骤S3的具体方法如下:用母小波函数的伸缩平移作为小波神经网络的隐节点的Sigmoid函数,并且采用Morlet小波基函数替代隐含层的Sigmoid函数,表达式为式(3):ψ(x)=cos(1.75x)exp(-x2/2)(3)其中:x为网络的输入值;设置...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。