[发明专利]一种基于神经网络和微粒群优化算法的建筑能耗预测方法

权利要求书

1.一种基于神经网络和微粒群优化算法的建筑能耗预测方法，其特征在于，具体包括如下步骤：

步骤1，采集建筑能耗相关数据，包括建筑电力能耗历史数据和建筑物当地气象数据，并对数据进行预处理；

步骤2，确定具有误差反向传播学习功能的多层前馈神经网络(BP神经网络)模型的输入输出项、神经网络结构及网络训练参数；

步骤3，利用微粒群算法(PSO)优化BP网络的连接权值和阈值，具体过程包括：

a、种群初始化，包括：各微粒的初始位置在定义域[-x_max，x_max]中随机选择，各微粒的初始速度在定义域[-v_max，v_max]中随机选择；参数初始化，包括：设置惯性权重w的定义域[w_min，w_max]，认知系数c1，社会系数c2，最大迭代次数iter_max；

b、计算微粒群中各微粒的适应度值，其公式为：

Σi=1K(|ypred,i-ydata,i|)]]>

式中，y_pred，i表示预测的能耗值，y_data，i表示实际能耗值，K表示训练数据集的数量；

c、判断计算的微粒适应度值是否大于个体或种群历史最优适应度值，是则更新个体或种群历史最优值并记录最优位置，否则更新微粒的位置和速度；微粒的位置和速度更新公式为：

vj(t+1)=wvj(t)+c1r1(pj(t)-xj(t))+c2r2(pg(t)-xj(t))xj(t+1)=vj(t+1)+xj(t)]]>

式中，v_j(t)为微粒j在第t代的速度；r1、r2为服从均匀分布的随机数；x_j(t)为微粒j在第t代的位置；p_j(t)为微粒j的个体历史最优位置；p_g(t)为群体历史最优位置；w为惯性权重，其表达式：

w=wmax-wmax-wminitermax×k]]>

式中，w_max为初始权重值，w_min为最终权重值，k为当前迭代次数；

d、判断是否满足终止条件：若当前迭代次数达到最大迭代次数或网络的训练误差达到精度要求，则停止迭代，输出优化结果，否则返回到第(2)步继续迭代；

e、输出优化结果，即优化后的BP网络的连接权值和阈值；

步骤4，利用优化得到的神经网络预测模型对建筑电力能耗进行短期预测。