一种基于天牛群算法优化神经网络的空调冷负荷预测方法技术

本发明专利技术提供了一种基于天牛群算法优化神经网络的空调冷负荷预测方法，选取和输出变量T时刻空调冷负荷相关性高的输入变量。根据相关性高的输入变量和T时刻空调冷负荷建立BP神经网络模型，利用天牛群算法优化建立的BP神经网络，最后用优化后的BP神经网络进行负荷预测，得出预测值。本发明专利技术利用天牛群算法的全局搜索能力找到BP神经网络的最优权值和阈值，克服了BP神经网络在权值和阈值选择上的随机性和网络收敛速度慢、易于陷入局部最优的缺点，提高了BP神经网络的收敛速度和学习能力，降低了空调冷负荷预测偏差大的问题。

【技术实现步骤摘要】
一种基于天牛群算法优化神经网络的空调冷负荷预测方法
本专利技术属于空调负荷预测
，具体涉及一种基于天牛群算法优化神经网络的空调冷负荷预测方法。
技术介绍
近年来，随着公共建筑规模的增长及平均能耗强度的增长，公共建筑的能耗已经成为中国建筑能耗中比例最大的一部分，建筑能源问题已经成为社会可持续发展进程中的核心问题之一。科学分析和准确预测空调冷负荷，对指导建筑节能方案分析和政策制定具有重要意义。传统的空调冷负荷预测方法主要是通过数学模型和神经网络等，但是数学模型方法的缺点是不易收集变量数据且现实工程中数据无法准确测量，限制了此类模型的使用。神经网络的缺点是容易陷入局部最小值，收敛速度慢，造成空调冷负荷预测偏差大。
技术实现思路
本专利技术的目的在于克服上述现有技术的缺点，提供一种基于天牛群算法优化神经网络的空调冷负荷预测方法，以解决现有技术中数学模型不易收集变量数据，在权值选择上的随机性大，神经网络预测偏差大的问题。为达到上述目的，本专利技术采用以下技术方案予以实现：一种基于天牛群算法优化神经网络的空调冷负荷预测方法，包括以下步骤：步骤1，建立样本数据集，去除样本数据集中的无效数据，所述样本数据集中的元素包括输入向量和输出向量；步骤2，归一化样本数据集中的数据，获得归一化后的输入向量；步骤3，通过输入向量中变量的个数和输出变量的个数确定BP神经网络的结构；步骤4，通过天牛群算法优化BP神经网络，获得优化后的BP神经网络以及BP神经网络的权值和阈值的设定开始值，具体为：步骤4.1，设置天牛群算法的初始参数，通过输入向量设置初始参数中粒子的位置，所述粒子的位置为BP神经网路中初始的权值和阈值；步骤4.2，所述BP神经网络通过对初始的权值和阈值进行训练获得每一个粒子的预测值，进而获得每个粒子的初始误差数值，通过比较每个粒子的初始误差，获得群体初始的全局最优解和个体最优解；步骤4.3，将每一个粒子视作一个独立的天牛，计算每一个天牛前进方向的位移增量ξ，通过更新的位移增量ξ、速度v和位置x获得新的位置xk+1，结合适应度函数，获得全局最优解和个体最优解，更新步骤4.2获得的全局最优解和个体最优解；步骤4.4，重复步骤4.2和步骤4.3，达到设定迭代次数，输出全局最优解，为BP神经网络的权值和阈值的设定开始值，同时获得优化后的BP神经网络；步骤5，通过BP神经网络进行空调冷负荷的预测。优选的，步骤1中，所述输入向量包括T时刻的室外空气温度、T-1时刻的室外空气温度、T时刻的太阳辐射量、T-1时刻的太阳辐射量、T时刻的室外湿度、T-1时刻的空调冷负荷和T-2时刻的空调冷负荷；所述输出变量为T时刻的空调冷负荷。优选的，所述归一化为将样本数据集中同一元素的所有数值进行归一化处理，所述元素为一个输入向量。优选的，步骤4.1中，所述初始参数包括粒子群的规模、最大迭代次数、粒子位置的取值范围、粒子速度的取值范围、粒子的初始速度、迭代的步长、粒子左和右两个天线之间的距离、惯性权重、学习因子和搜索空间维度k。优选的，步骤4.3中，所述适应度函数的计算公式为：error＝∑|Y预测-Y实际|(3)其中Y预测是预测值，Y实际是实际冷负荷值。优选的，步骤4.3中，根据天牛的位置计算每个天牛的左侧距离xleft、左侧适应度fleft、右侧距离xright和右侧适应度fright；比较一个天牛的左侧适应度fleft和右侧适应度fright，获得天牛前进方向的位移增量ξ：ξk+1＝δk*vk*sign(fleft-fright)(6)。优选的，步骤4.3中，更新的位移速度v、更新的位置x和搜索步长δ的计算公式为：vk+1＝ωvk+c1*rand(pbestk-xk)+c2*rand(gbestk-xk)(7)xk+1＝xk+λ*vj+(1-λ)*ζk(8)δk+1＝eta*δk(9)。优选的，步骤4后，通过ARMA模型对优化后的BP神经网络进行修正。优选的，步骤4中，ARMA模型修正BP神经网络的过程为：1)通过优化后BP神经网络训练获得空调冷负荷和实际空调冷负荷建立误差序列；2)对误差序列进行平稳性检验，如果稳定执行步骤3)，如果不稳定进行平稳化处理；3)通过稳定的误差序列获得ARMA表达式，获得误差序列的残差；4)对残差进行相关性检验，当残差不存在一阶相关性时，对误差序列中的样本进行误差预测，获得误差预测值；5)通过误差预测值对BP神经网络训练获得空调冷负荷进行修正。优选的，步骤2)中，通过ADF检验和KPSS检验对误差序列进行平稳性检验。与现有技术相比，本专利技术具有以下有益效果：本专利技术提供了一种基于天牛群算法优化神经网络的空调冷负荷预测方法，选取和输出变量T时刻空调冷负荷相关性高的输入变量。根据相关性高的输入变量和T时刻空调冷负荷建立BP神经网络模型，利用天牛群算法优化建立的BP神经网络，最后用优化后的BP神经网络进行负荷预测，得出预测值。本专利技术利用天牛群算法的全局搜索能力找到BP神经网络的最优权值和阈值，克服了BP神经网络在权值和阈值选择上的随机性和网络收敛速度慢、易于陷入局部最优的缺点，提高了BP神经网络的收敛速度和学习能力，降低了空调冷负荷预测偏差大的问题。此外，通过对数据集的筛选，删去无效数据同时将白天和晚上数据区分开建立模型，以及选取最优的BP神经网络隐含层神经元数，提高了BP神经网络的泛化能力，在预测空调冷负荷时降低了空调冷负荷预测偏差大的问题。最后利用ARMA模型对预测误差进行修正，使预测值更加精确。附图说明图1为冷负荷异常数据筛选图；图2为本专利技术用天牛群算法优化BP神经网络的流程框图；图3为ARMA模型流程图；图4为是本专利技术隐藏层节点数与对应的训练与预测平均相对误差；图5为本专利技术的预测效果图。具体实施方式下面结合附图对本专利技术做进一步详细描述：在本专利技术的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本专利技术和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本专利技术的限制；术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性；此外，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本专利技术中的具体含义。本专利技术公开了一种基于天牛群算法优化BP神经网络的空调冷负荷预测方法，参见图2，包括以下步骤：步骤1：选取与T时本文档来自技高网...

【技术保护点】
1.一种基于天牛群算法优化神经网络的空调冷负荷预测方法，其特征在于，包括以下步骤：/n步骤1，建立样本数据集，去除样本数据集中的无效数据，所述样本数据集中的元素包括输入向量和输出向量；/n步骤2，归一化样本数据集中的数据，获得归一化后的输入向量；/n步骤3，通过输入向量中变量的个数和输出变量的个数确定BP神经网络的结构；/n步骤4，通过天牛群算法优化BP神经网络，获得优化后的BP神经网络以及BP神经网络的权值和阈值的设定开始值，具体为：/n步骤4.1，设置天牛群算法的初始参数，通过输入向量设置初始参数中粒子的位置，所述粒子的位置为BP神经网路中初始的权值和阈值；/n步骤4.2，所述BP神经网络通过对初始的权值和阈值进行训练获得每一个粒子的预测值，进而获得每个粒子的初始误差数值，通过比较每个粒子的初始误差，获得群体初始的全局最优解和个体最优解；/n步骤4.3，将每一个粒子视作一个独立的天牛，计算每一个天牛前进方向的位移增量ξ，通过更新的位移增量ξ、速度v和位置x获得新的位置x

【技术特征摘要】
1.一种基于天牛群算法优化神经网络的空调冷负荷预测方法，其特征在于，包括以下步骤：
步骤1，建立样本数据集，去除样本数据集中的无效数据，所述样本数据集中的元素包括输入向量和输出向量；
步骤2，归一化样本数据集中的数据，获得归一化后的输入向量；
步骤3，通过输入向量中变量的个数和输出变量的个数确定BP神经网络的结构；
步骤4，通过天牛群算法优化BP神经网络，获得优化后的BP神经网络以及BP神经网络的权值和阈值的设定开始值，具体为：
步骤4.1，设置天牛群算法的初始参数，通过输入向量设置初始参数中粒子的位置，所述粒子的位置为BP神经网路中初始的权值和阈值；
步骤4.2，所述BP神经网络通过对初始的权值和阈值进行训练获得每一个粒子的预测值，进而获得每个粒子的初始误差数值，通过比较每个粒子的初始误差，获得群体初始的全局最优解和个体最优解；
步骤4.3，将每一个粒子视作一个独立的天牛，计算每一个天牛前进方向的位移增量ξ，通过更新的位移增量ξ、速度v和位置x获得新的位置xk+1，结合适应度函数，获得全局最优解和个体最优解，更新步骤4.2获得的全局最优解和个体最优解；
步骤4.4，重复步骤4.2和步骤4.3，达到设定迭代次数，输出全局最优解，为BP神经网络的权值和阈值的设定开始值，同时获得优化后的BP神经网络；
步骤5，通过BP神经网络进行空调冷负荷的预测。


2.根据权利要求1所述的一种基于天牛群算法优化神经网络的空调冷负荷预测方法，其特征在于，步骤1中，所述输入向量包括T时刻的室外空气温度、T-1时刻的室外空气温度、T时刻的太阳辐射量、T-1时刻的太阳辐射量、T时刻的室外湿度、T-1时刻的空调冷负荷和T-2时刻的空调冷负荷；所述输出变量为T时刻的空调冷负荷。


3.根据权利要求1所述的一种基于天牛群算法优化神经网络的空调冷负荷预测方法，其特征在于，所述归一化为将样本数据集中同一元素的所有数值进行归一化处理，所述元素为一个输入向量。


4.根据权利要求1所述的一种基于天牛群算法优化神经网络的空调冷负荷预测方法，其特征在于，步骤4.1中，所述初始参数包括粒子群的规模、最大迭代次数、粒子位置的取值范围、粒子速度的取值范围、粒子的初始速度、迭代的步长、粒子左和右两个天线之间的...

【专利技术属性】
技术研发人员：贺宁，刘利强，褚丹雷，
申请(专利权)人：西安建筑科技大学，
类型：发明
国别省市：陕西;61