当前位置: 首页 > 专利查询>福州大学专利>正文

基于K值小波神经网络的二阶段空调负荷预测方法技术

技术编号:17516684 阅读:33 留言:0更新日期:2018-03-21 01:15
本发明专利技术涉及一种基于K值聚类和小波神经网络的二阶段空调负荷预测方法。通过K均值聚类方法将样本数据划分为若干簇类,以降低数据相关性对建模精度的影响;再者对每个簇类所属的样本数据建立相应小波神经网络模型。提高对空调负荷预测的精度。本发明专利技术可有效的应用于办公大楼的逐时空调负荷预测,具有很高的预测精度和可靠性能。

Two stage air conditioning load forecasting method based on K value wavelet neural network

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;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。进一步的,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。进一步的,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;设置隐含层个数为l,则输出表达式为:其中:其中,h(j)为隐含层第j节点的输出值;aj和bj分别为第j个节点小波基函数的伸缩和平移因子;wij为各结构层之间的连接权值。输出层表达式:其中:m为输出层节点数;wjk为各结构层的连接权值。进一步的,所述步骤S4中WNN参数的修正具体方法如下:根据误差逆传播思想,WNN参数调整采用梯度修正法:其中,η为学习系数;s表示第s迭代。进一步的,所述步骤S2中样本数据归一化按式(2)进行归一化处理:其中,X为原始样本点值;Xmax和Xmin分别为原始样本点中最大值和最小值;Y为归一化目标值。进一步的,所述步骤S6的具体方法如下:将模型预测计算结果按式(10)进行反归一化处理,结果即为每个簇对应模型的预测值。本专利技术与现有技术相比具有以下有益效果:1、利用k均值聚类算法对样本数据进行无监督的学习划分,有效消除了建模样本中的噪声和非平稳性,从而降低数据相关性对模型预测性能的影响。2、通过实例分析对比,该专利技术的二阶段预测模型预测效果均优于传统独立的WNN(小波神经网络)和BPNN(BP神经网络)模型,具有更好的预测精度和可靠性。附图说明图1是本专利技术预测方法流程图;图2是k值聚类算法结构流程图。具体实施方式下面结合附图及实施例对本专利技术做进一步说明。请参照图1,本专利技术实施例提供一种基于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;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。从上述可知,本专利技术的有益效果在于:通过K均值聚类方法将样本数据划分为若干簇,以降低数据相关性对建模精度的影响;再者对每个簇类所属的样本数据建立相应小波神经网络模型(即WNN模型),提高对空调负荷预测的精度。本专利技术可有效的应用于办公大楼的逐时空调负荷预测,具有很高的预测精度和可靠性能。如图2所示,在本实施例中,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;||X-Vi||p为X与Vi两者间的p阶度量。在步骤S11中,根据样本集特征确定聚类个数K,然后随机选取K个样本点作为每个簇的初始聚类中心。在本实施例中,所述步骤S3的具体方法如下:本专利技术在BP神经网络结构的基础上,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。鉴于Morlet小波拥有较好的光滑性和时域局部性,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)设置隐含层个数为l,则输出表达式为:其中:其中,h(j)为隐本文档来自技高网...
基于K值小波神经网络的二阶段空调负荷预测方法

【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...

【专利技术属性】
技术研发人员:赵超陈肇泉郑守锦
申请(专利权)人:福州大学
类型:发明
国别省市:福建,35

网友询问留言 已有0条评论
  • 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。

1