基于改进IHCMAC神经网络的建筑负荷预测方法和装置制造方法及图纸

本发明专利技术公开了一种基于改进IHCMAC神经网络模型的建筑负荷预测方法和装置，所述方法包括：对建筑物的实际运行情况进行模拟仿真，获取建筑冷/热负荷数据及其影响因素数据；根据影响因素和建筑冷/热负荷的相关程度确定模型的输入变量；根据粒子群‑K均值聚类算法对输入变量进行聚类，得到L个聚类中心的值即模型节点值，并对每个节点定义高斯核函数；通过权值训练算法对节点的权值进行更新，得到模型的建筑负荷预测值。本发明专利技术的方法收敛速度快，学习精度高，泛化能力强，能够为建筑系统的节能优化控制提供决策依据。

Building load forecasting method and device based on improved IHCMAC neural network

The invention discloses a method and a device for building load forecasting based on improved IHCMAC neural network model, the method includes: Simulation on the actual operation of the building, get the cooling / heating load data and the influencing factors of data; according to the influence factors and correlation degree of cooling / heat load to determine the input variables of the model according to; particle swarm K clustering algorithm to cluster the input variables, get the L clustering center value model of node values for each node, and definition of Gauss kernel function; updated through weight training algorithm for the node, by building load model value. The method of this invention has fast convergence speed, high learning precision and strong generalization ability, and it can provide the decision basis for energy saving optimization control of building system.

【技术实现步骤摘要】
基于改进IHCMAC神经网络的建筑负荷预测方法和装置
本专利技术属于建筑物能耗优化领域，尤其涉及一种基于改进IHCMAC神经网络的建筑负荷预测方法和装置。
技术介绍
随着我国经济的快速发展，能源需求量日益剧增，建筑行业已跻身为三大“耗能大户”之一。据相关数据统计，该行业能耗约占世界能源消耗量的20％，国内的建筑能耗约占社会总能耗的28％，目前，以优化建筑围护结构、建筑环境智能控制、系统操作设备等建筑节能的工作已全面展开。但由于建筑结构的复杂性、人为因素的影响以及热延迟等特性，使建筑实际用能存在能源浪费、用电高峰期时供能不足、供能不均衡等现象，不仅降低了建筑能源的利用率也影响了人们的舒适程度。因此，构建有效的建筑能耗预测模型，合理分配能源显得十分关键。建筑负荷预测根据预测期限的长短可分为短期、中期、长期负荷预测三类，建筑能耗的研究以中短期负荷预测方法为研究重点。一般包括时间序列、支持向量机、灰色系统、人工神经网络等预测方法。时间序列方法多用于变化趋势不明显的情况，对于实时预测或数据波动大的情况预测效果并不理想；支持向量机法可使模型的预测精度与学习能力达到最佳平衡，但按经验选择核函数会影响预测效果；灰色系统多用于在庞大的不完全统计数据中找到事物发展的规律，并不适合建筑负荷预测的研究。如何对建筑负荷预测的实现方法进行改进，在保证预测精度的前提下实现自适应学习，是本领域技术人员目前迫切解决的技术问题。
技术实现思路
为克服上述现有技术的不足，本专利技术提供了一种基于改进IHCMAC神经网络的建筑负荷预测方法和装置，所述方法基于仿真获取建筑冷/热负荷数据及其影响因素数据；通过相关性分析确定网络模型的输入变量，采用粒子群和K均值聚类相结合的方法确定网络模型节点值。相对于现有的其他算法收敛速度快，学习精度高。为实现上述目的，本专利技术采用如下技术方案：一种基于改进IHCMAC神经网络模型的建筑负荷预测方法，包括以下步骤：对建筑物的实际运行情况进行模拟仿真，获取建筑冷/热负荷数据及其影响因素数据；根据影响因素和建筑冷/热负荷的相关程度确定模型的输入变量；根据粒子群-K均值聚类算法对输入变量进行聚类，得到L个聚类中心的值即模型节点值，并对每个节点定义高斯核函数；通过权值训练算法对节点的权值进行更新，得到模型的建筑负荷预测值。进一步地，所述影响因素包括环境参数和人员分布数据。进一步地，所述环境参数包括室外温度、室外湿度、室外风速、太阳辐射强度；所述人员分布数据包括人员在室率。进一步地，所述影响因素和建筑冷/热负荷的相关程度通过相关性分析确定。进一步地，确定输入变量后，对所述输入变量进行归一化处理。进一步地，所述粒子群-K均值聚类算法为：(1)首先确定粒子群规模n，初始化各粒子的位置、速度。每个粒子的位置由L个聚类中心组成，维度与样本向量维度m相同，即每个粒子位置均是L*m维向量，计算各粒子适应度；(2)比较各粒子的适应度，把当前适应度看做个体极值Pi，根据个体极值Pi找到全局极值Gi，若粒子适应度值更好则更新Pi和Gi；(3)根据Pi和Gi的值更新粒子的速度和位置；(4)根据粒子位置的编码，对各样本按照最小距离原则进行分类，并计算聚类中心，更新粒子适应度值；(5)判断前后聚类中心是否相同或达到最大迭代次数，如果是，则结束，否则转步骤(2)；通过上述过程获得L个簇，簇中心的值P＝[P1,P2,...,PL]。进一步地，所述权值训练算法采用改进的C-L算法。进一步地，所述方法还包括对所述模型进行评价。根据本专利技术的第二目的，本专利技术还提供了一种基于基于改进IHCMAC神经网络的建筑负荷预测装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现以下步骤：接收对建筑物的实际运行情况进行模拟仿真获取的建筑冷/热负荷数据及其影响因素数据；根据影响因素和建筑冷/热负荷的相关程度确定模型的输入变量；根据粒子群-K均值聚类算法对输入变量进行聚类，得到L个聚类中心的值即模型节点值，并对每个节点定义高斯核函数；通过权值训练算法对节点的权值进行更新，得到模型的建筑负荷预测值。根据本专利技术的第三目的，本专利技术还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时执行以下步骤：接收对建筑物的实际运行情况进行模拟仿真获取的建筑冷/热负荷数据及其影响因素数据；根据影响因素和建筑冷/热负荷的相关程度确定模型的输入变量；根据粒子群-K均值聚类算法对输入变量进行聚类，得到L个聚类中心的值即模型节点值，并对每个节点定义高斯核函数；通过权值训练算法对节点的权值进行更新，得到模型的建筑负荷预测值。本专利技术的有益效果1、本专利技术借助TRNSYS模拟实验平台模拟建筑的实际运行规律，得到实验所需的完备数据，以相关分析法确定模型的输入变量，采用基于改进的K均值聚类的IHCMAC神经网络预测方法，建立建筑负荷预测模型。实验证明，与经典IHCMAC神经网络方法及基于K均值聚类的HCMAC神经网络方法相比，收敛速度快，学习精度高，泛化能力强。2、本专利技术的模型普适性较强，不受建筑类型的约束和建筑本体的影响，能够为建筑系统的节能优化控制提供决策依据。3、本专利技术采用粒子群算法与K-means聚类算法结合的方式确定网络节点，利用粒子群算法提高K-means聚类算法的全局搜索能力，避免算法陷入局部最优的情况，有效改善k均值算法的聚类效果。4、本专利技术采用了人工神经网络，能够分布式处理复杂的数学问题，具备自适应、自组织和实时学习的能力，可较好的完成建筑负荷预测的研究任务。附图说明构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。图1为本专利技术改进IHCMAC神经网络建筑负荷预测模型流程图；图2为2/8月10-20日冷/热负荷变化曲线；图3为2/8月10-20日室外温度变化曲线；图4为2/8月10-20日室外湿度变化曲线；图5为2/8月10-20日室外风速变化曲线；图6为2/8月10-20日太阳辐射变化曲线；图7为人员分布规律变化前后负荷变化曲线；图8为本专利技术粒子群与K-means结合算法流程图；图9实际负荷值与本专利技术改进的IHCMAC模型预测值对比曲线。具体实施方式应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属
的普通技术人员通常理解的相同含义。需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。HCMAC神经网络(HCMAC:HyperballCerebellarModelArticulationController)是在CMAC神经网络的基础上学习而来，具有局部泛化能力强，收敛速度快，易于软硬件实现等优点。但对于分布不均的输入样本会产生大量无效网络节点，随着数据维度的增加，本文档来自技高网...

【技术保护点】
一种基于改进IHCMAC神经网络模型的建筑负荷预测方法，其特征在于，包括以下步骤：对建筑物的实际运行情况进行模拟仿真，获取建筑冷/热负荷数据及其影响因素数据；根据影响因素和建筑冷/热负荷的相关程度确定模型的输入变量；根据粒子群‑K均值聚类算法对输入变量进行聚类，得到L个聚类中心的值即模型节点值，并对每个节点定义高斯核函数；通过权值训练算法对节点的权值进行更新，得到模型的建筑负荷预测值。

【技术特征摘要】
1.一种基于改进IHCMAC神经网络模型的建筑负荷预测方法，其特征在于，包括以下步骤：对建筑物的实际运行情况进行模拟仿真，获取建筑冷/热负荷数据及其影响因素数据；根据影响因素和建筑冷/热负荷的相关程度确定模型的输入变量；根据粒子群-K均值聚类算法对输入变量进行聚类，得到L个聚类中心的值即模型节点值，并对每个节点定义高斯核函数；通过权值训练算法对节点的权值进行更新，得到模型的建筑负荷预测值。2.如权利要求1所述的基于改进IHCMAC神经网络的建筑负荷预测方法，其特征在于，所述影响因素包括环境参数和人员分布数据。3.如权利要求2所述的基于改进IHCMAC神经网络的建筑负荷预测方法，其特征在于，所述环境参数包括室外温度、室外湿度、室外风速、太阳辐射强度；所述人员分布数据包括人员在室率。4.如权利要求1所述的基于改进IHCMAC神经网络的建筑负荷预测方法，其特征在于，所述影响因素和建筑冷/热负荷的相关程度通过相关性分析确定。5.如权利要求1所述的基于改进IHCMAC神经网络的建筑负荷预测方法，其特征在于，确定输入变量后，对所述输入变量进行归一化处理。6.如权利要求1所述的基于改进IHCMAC神经网络的建筑负荷预测方法，其特征在于，所述粒子群-K均值聚类算法为：(1)首先确定粒子群规模n，初始化各粒子的位置、速度。每个粒子的位置由L个聚类中心组成，维度与样本向量维度m相同，即每个粒子位置均是L*m维向量，计算各粒子适应度；(2)比较各粒子的适应度，把当前适应度看做个体极值Pi，根据个体极值Pi找到全局极值Gi，若粒子适应度值更好则更新Pi和Gi；(3)根据Pi和Gi的值更新粒子...

【专利技术属性】
技术研发人员：段培永，邹明君，丁绪东，张震，吕东岳，吴盼红，
申请(专利权)人：山东建筑大学，
类型：发明
国别省市：山东,37