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 ...
【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
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。