基于K-Means++、粗糙集和PSO-Elman的商业建筑空调冷负荷预测方法技术

本发明专利技术公开了一种基于K

【技术实现步骤摘要】
基于K
‑
Means++、粗糙集和PSO
‑
Elman的商业建筑空调冷负荷预测方法


[0001]本专利技术属于商业建筑空调冷负荷预测
，具体涉及一种基于K
‑
Means++、粗糙集和PSO
‑
Elman的商业建筑空调冷负荷预测方法。

技术介绍

[0002]随着全球商业建筑数量不断上升，以及民众对商业建筑的舒适性和空气品质的需求不断提高，导致其空调系统消耗的能源占比不断攀升。因此，如何降低商业建筑空调系统消耗的能源显得尤为重要。通过准确地预测商业建筑空调冷负荷，使空调系统及时做出反应，让制冷机房的制冷量与末端装置的需求冷量进行调节，从而避免冷量的过剩或者不足，不仅能够提高空调系统运行的稳定性，还有效地降低空调系统的运行能耗。
[0003]建筑冷负荷预测方法有回归分析法、时间序列法和神经网络法三类。其中回归分析法利用空调冷负荷的历史数据与其相关影响因子对空调冷负荷进行预测，如果考虑的影响因素不全面或者数据不够准确，会导致预测结果不够精确。时间序列法是根据空调冷负荷以往的变化规律对未来时刻的空调冷负荷进行预测，该方法适合长期的空调冷负荷预测，对短、中期的空调冷负荷进行预测，其精确可能并不理想。神经网络法通过分析空调冷负荷与其相关影响因子之间的非线性关系进行预测，该方法可以对各种繁杂数据进行处理和分析，并精确预测。神经网络法相比于回归分析法和时间序列法具有更高的预测精度。学者们为了提高神经网络的预测精度，把影响很小的因素或者无关的因素也考虑了进去，从而导致神经网络的输入数据集越来越大。鉴于此，本专利技术创新了一种基于K
‑
Means++、粗糙集和PSO
‑
Elman的商业建筑空调冷负荷预测方法，以便能进行更精确有效地商业建筑空调冷负荷预测。

技术实现思路

[0004]本专利技术旨在提供一种更准确客观和更有效实用的基于K
‑
Means++、粗糙集和PSO
‑
Elman的商业建筑空调冷负荷预测方法，以解决传统的预测方法对商业建筑空调冷负荷进行预测而出现精确度不高以及难以运用到实际场合中的技术问题，以便更好的准确预测商业建筑空调冷负荷。
[0005]为解决以上技术问题，本专利技术采用以下技术方案：
[0006]一种基于K
‑
Means++、粗糙集和PSO
‑
Elman的商业建筑空调冷负荷预测方法，包括以下步骤：
[0007]步骤一：对建筑内外环境进行实测；
[0008]步骤二：把样本数据集导入Matlab软件中，通过K
‑
Means++算法对空调冷负荷数据进行聚类，确定空调冷负荷等级；
[0009]步骤三：利用粗糙集对空调冷负荷影响因子进行属性约简预处理；
[0010]步骤四：利用粒子群算法优化的Elman神经网络对训练样本进行学习训练；
[0011]步骤五：确定最优PSO
‑
Elman预测模型，把测试样本导入该预测模型中进行建筑空调冷负荷预测。
[0012]进一步地，步骤一中所述的空调冷负荷影响因子包括t时刻的室外温度、t时刻的室外湿度、t时刻的太阳辐射、t
‑
1时刻的室外温度、t
‑
1时刻的室外湿度、t
‑
1时刻的太阳辐射和t
‑
1时刻空调冷负荷。
[0013]进一步地，步骤二中K
‑
Means++聚类前使用簇内误方差进行最优K的选取，最优的K＝3。
[0014]进一步地，步骤二中所述的空调冷负荷等级划分为三个等级，所述三个等级分别为：空调冷负荷偏低、空调冷负荷轻度偏高和空调冷负荷严重偏高。
[0015]进一步地，步骤三中粗糙集对空调冷负荷影响因子进行属性约简预处理的过程包括以下步骤：
[0016](1)在空调冷负荷所划分的等级基础上，利用等距离划分思想，给出空调冷负荷条件属性的离散点，对实测的原始数据集进行离散化处理；
[0017](2)建立空调冷负荷的粗糙集决策表；
[0018](3)利用粗糙集理论软件Rosetta对样本数据进行属性约简，去除冗杂属性，精简样本结构。
[0019]进一步地，步骤(1)中对实测的原始数据集进行离散化处理如下：将数据的原始域离散为3个区间，分别编码1、2、3，1表示样本中的指标值偏低，2表示指标值轻度偏高，3表示指标值严重偏高。
[0020]进一步地，步骤(2)中建立空调冷负荷的粗糙集决策表是以t时刻的室外温度、t时刻的室外湿度、t时刻的太阳辐射、t
‑
1时刻的室外温度、t
‑
1时刻的室外湿度、t
‑
1时刻的太阳辐射和t
‑
1时刻空调冷负荷的空调冷负荷影响因子作为条件属性的。
[0021]进一步地，步骤(2)中建立空调冷负荷的粗糙集决策表是以t时刻的空调冷负荷作为决策属性的。
[0022]进一步地，步骤四中利用粒子群算法优化的Elman神经网络对训练样本进行学习训练，包括以下步骤：
[0023]1)对空调冷负荷训练样本进行归一化处理；
[0024]2)构建并初始化Elman神经网络的结构；
[0025]3)初始化PSO参数、群体速度和位置；
[0026]4)根据Elman神经网络的结构，确定优化变量元素的个数；
[0027]5)PSO优化Elman，设PSO
‑
Elman预测模型的适合度函数为：
[0028][0029]其中，N为训练样本数；H
(q)(j)
表示第q次样本训练的第j次迭代时所输出的矩阵；表示第q次训练时所输出的理想矩阵；
[0030]6)更新PSO的速度和位置直到停止准则满足，得到权值和阈值的最优解，每个粒子根据以下两个公式对自身的速度和位置进行更新：
[0031][0032][0033]其中，i表示粒子，i＝1,2,
…
,I；d表示维数，d＝1,2,
…
,D；j为当前时刻迭代次数；ω表示惯性因子；表示当前时刻第i个粒子的速度矩阵；C1和C2表示加速常数；r1和r2表示随机数，其中r1∈[0,1]、r2∈[0,1]；表示第j次迭代时的局部最优解矩阵；表示当前时刻第i个粒子的位置矩阵；表示当前时刻第i个粒子的全局最优解矩阵；m、n分别表示矩阵的行数与列数；
[0034]7)将权值和阈值的最优解赋给Elman神经网络。
[0035]进一步地，步骤五中把测试样本作为最优PSO
‑
Elman预测模型的输入，空调冷负荷预测值作为其输出。
[0036]与现有技术相比，本专利技术具有以下优势：
[0037]本专利技术首先采用K
‑
Means++聚类算法对建筑空调冷负荷进行聚类，并把SSE作为目标函数来划分本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于K
‑
Means++、粗糙集和PSO
‑
Elman的商业建筑空调冷负荷预测方法，其特征在于，包括以下步骤：步骤一：对建筑内外环境进行实测；步骤二：把样本数据集导入Matlab软件中，通过K
‑
Means++算法对空调冷负荷数据进行聚类，确定空调冷负荷等级；步骤三：利用粗糙集对空调冷负荷影响因子进行属性约简预处理；步骤四：利用粒子群算法优化的Elman神经网络对训练样本进行学习训练；步骤五：确定最优PSO
‑
Elman预测模型，把测试样本导入该预测模型中进行建筑空调冷负荷预测。2.根据权利要求1所述的基于K
‑
Means++、粗糙集和PSO
‑
Elman的商业建筑空调冷负荷预测方法，其特征在于，步骤一中所述的空调冷负荷影响因子包括t时刻的室外温度、t时刻的室外湿度、t时刻的太阳辐射、t
‑
1时刻的室外温度、t
‑
1时刻的室外湿度、t
‑
1时刻的太阳辐射和t
‑
1时刻空调冷负荷。3.根据权利要求1所述的基于K
‑
Means++、粗糙集和PSO
‑
Elman的商业建筑空调冷负荷预测方法，其特征在于，步骤二中K
‑
Means++聚类前使用簇内误方差进行最优K的选取，最优的K＝3。4.根据权利要求1所述的基于K
‑
Means++、粗糙集和PSO
‑
Elman的商业建筑空调冷负荷预测方法，其特征在于，步骤二中所述的空调冷负荷等级划分为三个等级，所述三个等级分别为：空调冷负荷偏低、空调冷负荷轻度偏高和空调冷负荷严重偏高。5.根据权利要求1所述的基于K
‑
Means++、粗糙集和PSO
‑
Elman的商业建筑空调冷负荷预测方法，其特征在于，步骤三中粗糙集对空调冷负荷影响因子进行属性约简预处理的过程包括以下步骤：(1)在空调冷负荷所划分的等级基础上，利用等距离划分思想，给出空调冷负荷条件属性的离散点，对实测的原始数据集进行离散化处理；(2)建立空调冷负荷的粗糙集决策表；(3)利用粗糙集理论软件Rosetta对样本数据进行属性约简，去除冗杂属性，精简样本结构。6.根据权利要求5所述的基于K
‑
Means++、粗糙集和PSO
‑
Elman的商业建筑空调冷负荷预测方法，其特征在于，步骤(1)中对实测的原始数据集进行离散化处理如下：将数据的原始域离散为3个区间，分别编码1、2、3，1表示样本...

【专利技术属性】
技术研发人员：雷蕾，李宗霖，朱晓东，
申请(专利权)人：浙江理工大学，
类型：发明
国别省市：