一种地铁车站能耗短期预测方法及其预测系统技术方案

本发明专利技术公开了一种地铁车站能耗短期预测方法，包括以下步骤，确定与地铁车站分项能耗有关的影响因素，在影响因素中确定主要影响因素并采集；建立地铁车站分项能耗数据库，与采集到的所述主要影响因素一起进行归一化处理，最后再将归一化处理后的数据划分为训练数据和测试数据；建构G‑ACO‑BP网络预测模型；利用训练数据训练G‑ACO‑BP模型，计算实际输出和目标输出的误差；将测试数据输入到训练后的G‑ACO‑BP模型中进行测试，得到通风空调能耗、动力能耗、照明能耗的预测结果。本发明专利技术有益效果：一是能够更准确有效地实现地铁车站能耗的分项短期预测；二是能够有效地避免BP神经网络训练时所带来的缺陷，达到神经网络模型的智能化寻优目的。

A Short-term Energy Consumption Prediction Method for Metro Station and Its Prediction System

The invention discloses a short-term prediction method for energy consumption of Metro stations, which includes the following steps: determining the influencing factors related to the sub-item energy consumption of Metro stations, determining the main influencing factors among the influencing factors and collecting them; establishing the sub-item energy consumption database of Metro stations, normalizing the data with the main influencing factors collected, and finally dividing the data after normalization. It is divided into training data and test data, constructs G_ACO_BP network prediction model, uses training data to train G_ACO_BP model, calculates the error between actual output and target output, and inputs test data into the trained G_ACO_BP model for testing, obtains the prediction results of energy consumption of ventilation and air conditioning, power consumption and lighting energy consumption. The invention has beneficial effects: firstly, it can more accurately and effectively realize the sub-item short-term prediction of energy consumption in Metro stations; secondly, it can effectively avoid the defects caused by the training of BP neural network and achieve the intelligent optimization of the neural network model.

【技术实现步骤摘要】
一种地铁车站能耗短期预测方法及其预测系统
本专利技术涉及能耗短期预测的
，尤其涉及一种基于KPCA-G-ACO地铁车站能耗短期预测方法。
技术介绍
近年来随着中国城市轨道交通建设进程的不断推进，国内城市轨道交通运行里程迅速增长，截至2016年12月31日，中国内地已有29个城市拥有了127条建成并正式运营的城市轨道交通线路，总里程达3838km。各地城市轨道交通的迅猛发展，在更好地方便人们交通出行的同时也大大增加各地城市能耗，甚至成为该城市能源消耗的主体。因此，如何有效控制和降低城市轨道交通能耗、节约运营成本是各城市地铁运营管理者们最为关注的重点之一。各地城市轨道交通都以地铁为主，地铁运营主要能耗为电能耗，这些能耗有可以划分为车辆运行能耗和车站能耗两大部分。根据目前运营线路能耗统计数据分析，车辆运行能耗占总用电能耗的50％～60％；车站、基地能耗占总用电能耗的40％～50％。车站能耗中的动力、照明、通风空调系统占车站用电能耗的90％以上。
技术实现思路
本部分的目的在于概述本专利技术的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和专利技术名称中可能会做些简化或省略以避免使本部分、说明书摘要和专利技术名称的目的模糊，而这种简化或省略不能用于限制本专利技术的范围。鉴于上述现有存在的问题，提出了本专利技术。因此，本专利技术目的是提供一种基于KPCA-G-ACO地铁车站能耗短期预测方法，实现对地铁车站内的动力、照明、通风空调这三大项的能耗进行分项预测分析，以找出地铁车站节能潜力。为解决上述技术问题，本专利技术提供如下技术方案：一种地铁车站能耗短期预测方法，包括以下步骤确定与地铁车站分项能耗有关的影响因素，在影响因素中确定主要影响因素并采集，且对采集的主要影响因素进行预处理；根据地铁车站分项能耗历史数据进行综合分析，建立地铁车站分项能耗数据库，与采集到的所述主要影响因素一起进行归一化处理，最后再将归一化处理后的数据划分为训练数据和测试数据；建构G-ACO-BP网络预测模型，还包括对G-ACO-BP网络预测模型的参数进行最优化设置，G-ACO-BP网络预测模型的参数包括交叉变异概率、信息启发因子以及BP学习率；利用训练数据训练G-ACO-BP模型，计算实际输出和目标输出的误差；将测试数据输入到训练后的G-ACO-BP模型中进行测试，得到通风空调能耗、动力能耗、照明能耗的预测结果。作为本专利技术所述的地铁车站能耗短期预测方法的一种优选方案，其中：所述与地铁车站分项能耗有关的影响因素包括车站客流量(x1)、每天24个整点时刻(x2)、节假日(x3)、车站内逐时平均温度(x4)、车站内逐时平均相对湿度(x5)、季节(x6)、天气特征值(x7)、车站出入口数量(x8)、开行列数(x9)、车站平均照度(x10)、车站的规模(x11)以及车站间距(x12)这12个影响因素。作为本专利技术所述的地铁车站能耗短期预测方法的一种优选方案，其中：所述在影响因素中确定主要影响因素为运用KPCA在12个影响因素确定主要影响因素，还包括以下步骤，对于选定的12个预测特征x＝[x1,x2,…,x12]，根据公式(1)对地铁车站能耗的影响因素进行标准化处理：其中，xi(k)为第i个影响因素的第k个采样值，xmax(i)和xmin(i)分别为第i个影响因素的所有采样点的最大值和最小值，Ti(k)为标准化后的目标数据；根据公式(2)求核矩阵K，使用径向基核函数来实现将原始数据由数据空间映射到特征空间：利用中心化核矩阵KC来修正核矩阵K，其修正公式为：KC＝K-lNK-KlN+lNKlN(3)其中，KC为N×N的矩阵，每个元素都是为1/N；计算矩阵KC的特征值，其对应的特征向量为λ1,λ2,...,λ12，其方差为v1,v2,...,v12，按特征值降序排序，其特征向量作相应的调整；利用施密特正交化方法，正交化并单位化特征向量，其得到的特征向量为a1,a2,...,a12；计算特征的累计贡献率r1,r2,...,r12，根据给定的贡献率要求p，如果rt>p，则选取前t个主分量a1,...,at(t＜12)为主要影响因素。作为本专利技术所述的地铁车站能耗短期预测方法的一种优选方案，其中:所述建构的G-ACO-BP网络预测模型为含有n层输入、n层输出的任意神经网络，其中包含输入层、隐含层和输出层，且各个结点的特性为Sigmoid型函数。作为本专利技术所述的地铁车站能耗短期预测方法的一种优选方案，其中：所述建构G-ACO-BP网络预测模型还包括以下步骤，a.对问题潜在解进行“数字化”编码，初始化种群；b.开始循环，评估每条染色体所对应个体的适应度；c.遵照适应度越高，选择概率越大的原则，从种群中选择两个个体作为父方和母方；d.选择父母双方的染色体，进行交叉，产生子代；e.对子代的染色体进行变异；f.重复c，d，e步骤，直到生成若干优化解；g.初始化整个网络，令时间t＝0、循环次数Nc＝0，设为最大循环次数，令每个集合中的每个元素的信息量且将全部蚂蚁置于蚂蚁的巢穴；h.启动所有蚂蚁，针对集合蚂蚁k(k＝1，2，…，h)根据式(4)计算状态转移概率：i.重复第h步，直到所有蚁群全部到达食物源；j.把t+m赋予t，Nc+1赋予Nc，再利用各蚂蚁选择出的权值和阈值计算神经网络的输出值和误差，记录当前最优解。经过m个时间单位，蚂蚁从其巢穴到达食物源，各个路径上的信息量根据下式更新：其中，ek将第k个蚂蚁选择的一组权值和阈值作为BP神经网络权值和阈值的输出误差，其定义如下式所示：ek＝|O-Oq|(8)其中，O为BP神经网络的实际输出值，Oq为BP神经网络期望输出值；k.采用验证样本对训练好的神经网络的泛化能力进行检验，如果蚁群全部收敛到一条路径，即最优路径或者循环次数则循环结束，并输出相应的计算结果；否则跳转到第h步继续操作；l.网络的训练，将G-ACO算法下得到最优路径下的权值和阈值代入到BP神经网络归一化处理之后的学习样本，在BP神经网络下利用优化了的权值和阈值进行训练和测试。作为本专利技术所述的地铁车站能耗短期预测方法的一种优选方案，其中：对G-ACO-BP网络预测模型的参数进行最优化设置的参数包括，神经元个数的配置为输入层、隐含层、输出层分别为3、11、3；训练算法采用G-ACO算法、种群大小20、交叉概率0.5、变异概率0.5、蚂蚁数量20、信息启发因子1、残留因子0.5、BP学习率0.01、迭代次数200以及允许误差10-4。本专利技术的有益效果：一是能够运用KPCA在影响因素中确定主要影响因素，能够更准确有效地实现地铁车站能耗的分项短期预测；二是将遗传学的蚁群优化算法融合在BP神经网络中，利用G-ACO训练优化BP神经网络各层之间的连接权值和阈值，然后再通过BP神经网络对G-ACO训练优化的权值和阈值进一步做误差反向优化，能够有效地避免BP神经网络训练时所带来的缺陷，达到神经网络模型的智能化寻优目的。附图说明为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：本文档来自技高网...

【技术保护点】
1.一种地铁车站能耗短期预测方法，其特征在于：包括以下步骤，确定与地铁车站分项能耗有关的影响因素，在影响因素中确定主要影响因素并采集，且对采集的主要影响因素进行预处理；根据地铁车站分项能耗历史数据进行综合分析，建立地铁车站分项能耗数据库，与采集到的所述主要影响因素一起进行归一化处理，最后再将归一化处理后的数据划分为训练数据和测试数据；建构G‑ACO‑BP网络预测模型，还包括对G‑ACO‑BP网络预测模型的参数进行最优化设置，G‑ACO‑BP网络预测模型的参数包括交叉变异概率、信息启发因子以及BP学习率；利用训练数据训练G‑ACO‑BP模型，计算实际输出和目标输出的误差；将测试数据输入到训练后的G‑ACO‑BP模型中进行测试，得到通风空调能耗、动力能耗、照明能耗的预测结果。

【技术特征摘要】
1.一种地铁车站能耗短期预测方法，其特征在于：包括以下步骤，确定与地铁车站分项能耗有关的影响因素，在影响因素中确定主要影响因素并采集，且对采集的主要影响因素进行预处理；根据地铁车站分项能耗历史数据进行综合分析，建立地铁车站分项能耗数据库，与采集到的所述主要影响因素一起进行归一化处理，最后再将归一化处理后的数据划分为训练数据和测试数据；建构G-ACO-BP网络预测模型，还包括对G-ACO-BP网络预测模型的参数进行最优化设置，G-ACO-BP网络预测模型的参数包括交叉变异概率、信息启发因子以及BP学习率；利用训练数据训练G-ACO-BP模型，计算实际输出和目标输出的误差；将测试数据输入到训练后的G-ACO-BP模型中进行测试，得到通风空调能耗、动力能耗、照明能耗的预测结果。2.如权利要求1所述的地铁车站能耗短期预测方法，其特征在于：所述与地铁车站分项能耗有关的影响因素包括车站客流量(x1)、每天24个整点时刻(x2)、节假日(x3)、车站内逐时平均温度(x4)、车站内逐时平均相对湿度(x5)、季节(x6)、天气特征值(x7)、车站出入口数量(x8)、开行列数(x9)、车站平均照度(x10)、车站的规模(x11)以及车站间距(x12)这12个影响因素。3.如权利要求1或2所述的地铁车站能耗短期预测方法，其特征在于：所述在影响因素中确定主要影响因素为运用KPCA在12个影响因素确定主要影响因素，还包括以下步骤，对于选定的12个预测特征x＝[x1,x2,…,x12]，根据公式(1)对地铁车站能耗的影响因素进行标准化处理：其中，xi(k)为第i个影响因素的第k个采样值，xmax(i)和xmin(i)分别为第i个影响因素的所有采样点的最大值和最小值，Ti(k)为标准化后的目标数据；根据公式(2)求核矩阵K，使用径向基核函数来实现将原始数据由数据空间映射到特征空间：利用中心化核矩阵KC来修正核矩阵K，其修正公式为：KC＝K-lNK-KlN+lNKlN(3)其中，KC为N×N的矩阵，每个元素都是为1/N；计算矩阵KC的特征值，其对应的特征向量为λ1,λ2,...,λ12，其方差为v1,v2,...,v12，按特征值降序排序，其特征向量作相应的调整；利用施密特正交化方法，正交化并单位化特征向量，其得到的特征向量为a1,a2,...,a12；计算特征的累计贡献率r1,r2,...,r12，根据给定的贡献率要求p，如果rt>p，则选取前t个主分量a1,...,at(t＜12...

【专利技术属性】
技术研发人员：沙国荣，
申请(专利权)人：南京工业职业技术学院，
类型：发明
国别省市：江苏,32