基于麻雀搜索算法优化BP神经网络的空调能耗预测方法技术

本发明专利技术公开了一种基于麻雀搜索算法优化BP神经网络的空调能耗预测方法，包括如下步骤：构建BP神经网络模型，求取模型的均方误差函数；将模型的均方误差函数作为麻雀种群适应度函数，利用麻雀搜索算法对麻雀种群适应度函数执行迭代寻优，找寻麻雀种群中每个个体的最佳位置作为BP神经网络模型的优化权值和优化阈值，将优化权值和优化阈值代入BP神经网络模型，获得输入与输出呈线性映射关系的B P神经网络模型；将预测集数据输入线性映射关系的B P神经网络，输出下一时刻网络预测值，将网络预测值转换成空调能耗需求预测值。本发明专利技术通过麻雀搜索算法较强的全局搜索能力，不仅提高BP神经网络模型对空调能耗的预测效果，而且加快收敛速度。敛速度。敛速度。

【技术实现步骤摘要】
基于麻雀搜索算法优化BP神经网络的空调能耗预测方法


[0001]本专利技术涉及空调系统能耗预测
，具体地指一种基于麻雀搜索算法优化BP神经网络的空调能耗预测方法。

技术介绍

[0002]全球进入工业化进程以来，资源和环境均承受着巨大的压力。很多国家都将节能减排、实现绿色发展作为本国的一个重要目标。一般来说，每栋建筑或每户家庭都由多个持续或定期使用的电器负载组成，包括照明、电机、空调系统和其他一些设备(如计算机、打印机、电视、移动电话等)。在建筑运行耗能方面，空调系统运行是建筑能耗的主要设备，消耗了最多的电力能源，其消耗的电力能源占到建筑运行耗能的30％。
[0003]由于建筑内部系统的复杂性，特定建筑内能源电力的消耗通常受许多因素的影响，很难实现最优控制。在空调用电期间，想要获得稳定的能源供应，长久以来都依靠操作管理者的经验和直觉。然而目前除了稳定的能源供应外，消费者还要求节约能源和成本，再加之考虑随季节和时间变化的能量需求以及相应的能耗成本，操作管理者很难很好地操作设备。那么，在提倡节能减排的大环境下，需要一个可以给操作管理者提供能耗信息的咨询系统或设备。该咨询系统的主要功能是准确预测能源需求，作为运行规划的基本条件，并能从节约能源、节约成本和保证能源供给稳定等角度，根据预测的能源需求适当地给出系统的运行规划。
[0004]现有技术中，采用BP(Back Propagation)神经网络来预测建筑物的冷却负荷需求，但是BP神经网络具有自身缺点：第一，在求解训练过程中，BP神经网络模型容易陷入局部最优解，无法获得较好的预测效果；第二，BP神经网络收敛速度较慢，求解过程耗时较长。

技术实现思路

[0005]针对现有技术的不足之处，本专利技术提出一种基于麻雀搜索算法优化BP神经网络的空调能耗预测方法，通过麻雀搜索算法较强的全局搜索能力，为BP神经网络模型找寻到全局最优参数值，使BP神经网络对应的均方误差达到最小，不仅提高BP神经网络模型对空调能耗的预测效果，而且加快收敛速度，缩短求解时长。
[0006]为达到上述目的，本专利技术所设计的一种基于麻雀搜索算法优化BP神经网络的空调能耗预测方法，其特别之处在于，包括如下步骤：
[0007]步骤一，按照某个时间周期对空调实际运行能耗数据和环境实际气象数据分别进行采样，得到按照时间序列排序的一系列能耗实际值和气象实际值，将一系列能耗实际值和气象实际值划分为需要进行训练的训练集和需要进行预测的预测集；
[0008]步骤二，对训练集数据进行去趋势、去周期处理，获得去趋势、去周期处理后的训练样本；
[0009]步骤三，构建BP神经网络模型，分别设定网络模型中隐含层神经元、输出层神经元的权值和阈值，分别设定隐含层神经元到输出层神经元的传递函数、输出层神经元的传递
函数，将去趋势、去周期处理后的训练样本作为BP神经网络模型的主要输入，获得输出层神经元的网络输出，并结合输出层神经元的目标输出，求取BP神经网络模型的均方误差函数；
[0010]步骤四，初始化麻雀搜索算法中的麻雀种群个体数量、个体空间维度、迭代次数，并设置麻雀种群中的发现者个体比例、侦查警戒个体比例，将BP神经网络模型的均方误差函数作为麻雀种群适应度函数，利用麻雀搜索算法对麻雀种群适应度函数执行迭代寻优，找寻麻雀种群中每个个体的最佳位置作为BP神经网络模型的优化权值和优化阈值，若优化后的均方误差值满足要求或者达到预定训练次数，则停止网络训练，将优化权值和优化阈值代入BP神经网络模型，获得输入与输出呈线性映射关系的B P神经网络模型；
[0011]步骤五，将预测集数据输入线性映射关系的B P神经网络，输出层输出下一时刻网络预测值，将网络预测值转换成空调能耗需求预测值。
[0012]进一步地，步骤二中，采用去趋势差分法对一系列空调能耗值和环境气象值进行去趋势处理，去趋势一阶差分公式和d阶差分公式分别如下所示：
[0013][0014][0015]式中，
[0016]为去趋势一阶差分算子，
[0017]Z
t
为未进行差分之前t时刻的空调能耗值或环境气象值，
[0018]Z
t
‑1为未进行差分之前t
‑
1时刻的空调能耗值或环境气象值，
[0019]为去趋势d阶差分算子，
[0020]为从d个元素中选择e个元素的组合数，
[0021]Z
t
‑
e
为未进行差分之前t
‑
e时刻的空调能耗值或环境气象值，
[0022]y
t
为去趋势d阶差分后得到的空调能耗值或环境气象值。
[0023]更进一步地，步骤二中，采用季节差分法对一系列空调能耗值和环境气象值进行去周期处理，去周期一阶差分公式和D阶差分公式分别如下所示：
[0024][0025][0026]式中，
[0027]为去周期一阶差分算子，
[0028]y
t
为去趋势d阶差分后得到的t时刻的空调能耗值或环境气象值，
[0029]y
t
‑
s
为去趋势d阶差分后得到的t
‑
s时刻的空调能耗值或环境气象值，
[0030]s为一日内的采样次数，
[0031]为去周期D阶差分算子，
[0032]为从D个元素中选择e个元素的组合数，
[0033]w
t
为去周期D阶差分后得到的空调能耗值或环境气象值，
[0034]y
t
‑
es
为去趋势d阶差分后得到的t
‑
es时刻的空调能耗值或环境气象值。
[0035]进一步地，步骤三中，所述BP神经网络模型包括n个输入层神经元、h个隐含层神经
元和m个输出层神经元，所述输出层神经元的网络输出通过下式获得：
[0036][0037][0038]式中，
[0039]y
j
为隐含层神经元的输出，
[0040]f为隐含层神经元到输出层神经元的传递函数，
[0041]w
ij
为输入层第i个神经元与隐含层第j个神经元之间的权值，
[0042]x
i
为输入层神经元的输入，
[0043]η
j
为隐含层第j个神经元的阈值，
[0044]z
k
为输出层神经元的网络输出，
[0045]g为输出层神经元的传递函数，
[0046]w
jk
为隐含层第j个神经元与输出层第k个神经元之间的权值，
[0047]θ
k
为输出层第k个神经元的阈值。
[0048]更进一步地，步骤三中，所述隐含层神经元到输出层神经元的传递函数f、输出层神经元的传递函数g分别选用双极Sigmoid函数作为激活函数，所述双极Sigmoid函数如本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于麻雀搜索算法优化BP神经网络的空调能耗预测方法，其特征在于，包括如下步骤：步骤一，按照某个时间周期对空调实际运行能耗数据和环境实际气象数据分别进行采样，得到按照时间序列排序的一系列能耗实际值和气象实际值，将一系列能耗实际值和气象实际值划分为需要进行训练的训练集和需要进行预测的预测集；步骤二，对训练集数据进行去趋势、去周期处理，获得去趋势、去周期处理后的训练样本；步骤三，构建BP神经网络模型，分别设定网络模型中隐含层神经元、输出层神经元的权值和阈值，分别设定隐含层神经元到输出层神经元的传递函数、输出层神经元的传递函数，将去趋势、去周期处理后的训练样本作为BP神经网络模型的主要输入，获得输出层神经元的网络输出，并结合输出层神经元的目标输出，求取BP神经网络模型的均方误差函数；步骤四，初始化麻雀搜索算法中的麻雀种群个体数量、个体空间维度、迭代次数，并设置麻雀种群中的发现者个体比例、侦查警戒个体比例，将BP神经网络模型的均方误差函数作为麻雀种群适应度函数，利用麻雀搜索算法对麻雀种群适应度函数执行迭代寻优，找寻麻雀种群中每个个体的最佳位置作为BP神经网络模型的优化权值和优化阈值，若优化后的均方误差值满足要求或者达到预定训练次数，则停止网络训练，将优化权值和优化阈值代入BP神经网络模型，获得输入与输出呈线性映射关系的B P神经网络模型；步骤五，将预测集数据输入线性映射关系的B P神经网络，输出层输出下一时刻网络预测值，将网络预测值转换成空调能耗需求预测值。2.根据权利要求1所述的基于麻雀搜索算法优化BP神经网络的空调能耗预测方法，其特征在于，步骤二中，采用去趋势差分法对一系列空调能耗值和环境气象值进行去趋势处理，去趋势一阶差分公式和d阶差分公式分别如下所示：去趋势一阶差分公式去趋势d阶差分公式式中，为去趋势一阶差分算子，Z
t
为未进行差分之前t时刻的空调能耗值或环境气象值，Z
t
‑1为未进行差分之前t
‑
1时刻的空调能耗值或环境气象值，为去趋势d阶差分算子，为从d个元素中选择e个元素的组合数，Z
t
‑
e
为未进行差分之前t
‑
e时刻的空调能耗值或环境气象值，y
t
为去趋势d阶差分后得到的空调能耗值或环境气象值。3.根据权利要求2所述的基于麻雀搜索算法优化BP神经网络的空调能耗预测方法，其特征在于，步骤二中，采用季节差分法对一系列空调能耗值和环境气象值进行去周期处理，去周期一阶差分公式和D阶差分公式分别如下所示：去周期一阶差分公式去周期D阶差分公式式中，为去周期一阶差分算子，
y
t
为去趋势d阶差分后得到的t时刻的空调能耗值或环境气象值，y
t
‑
s
为去趋势d阶差分后得到的t
‑
s时刻的空调能耗值或环境气象值，s为一日内的采样次数，为去周期D阶差分算子，为从D个元素中选择e个元素的组合数，w
t
为去周期D阶差分后得到的空调能耗值或环境气象值，y
t
‑
es
为去趋势d阶差分后得到的t
‑
es时刻的空调能耗值或环境气象值。4.根据权利要求1所述的基于麻雀搜索算法优化BP神经网络的空调能耗预测方法，其特征在于：步骤三中，所述BP神经网络模型包括n个输入层神经元、h个隐含层神经元和m个输出层神经元，所述输出层神经元的网络输出通过下式获得：输出层神经元，所述输出层神经元的网络输出通过下式获得：式中，y
j
为隐含层神经元的输出，f为隐含层神经元到输出层神经元的传递函数，w
ij
为输入层第i个神经元与隐含层第j个神经元之间的权值，x
i
为输入层神经元的输入，η
j
为隐含层第j个神经元的阈值，z
k
为输出层神经元的网络输出，g为输出层神经元的传递函数，w
jk
为隐含层第j个神经元与输出层第k个神经元之间的权值，θ
k
为输出层第k个神经元的阈值。5.根据权利要求4所述的基于麻雀搜索算法优化BP神经网络的空调能耗预测方法，其特征在于：步骤三中，所述隐含层神经元到输出层神经元...

【专利技术属性】
技术研发人员：潘林，肖敏，王既盈，潘洋，蒋明科，
申请(专利权)人：武汉理工大学三亚科教创新园，
类型：发明
国别省市：