[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

说明书

技术领域

本发明涉及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，属于建筑能量管理领域。

背景技术

随着社会生产力的不断发展和人民物质生活水平的稳步提高，建筑能耗将持续快速增长，这对能源的供给和生态环境的保持构成很大的挑战。结合我国实情，实现建筑能量的科学、优化管理，需要以建筑能耗的科学预测为前提和基础。近十年来，随着各种智能优化技术的不断提出和广泛应用，建筑能耗的预测方法得到了快速发展。在建筑能量领域，如何结合先进控制手段对目前的建筑能耗预测方法进行改进和完善，对于建筑能耗的准确估计和科学管理，对于相关政策法规的制定具有重要意义。

多年来，国内外众多研究人员对建筑能耗预测的方法进行了广泛研究，从最简单的线性回归法到专业的模拟软件方法等等。若已知建筑能耗的历史数据，则BP神经网络方法是典型的预测方法之一。BP网络具有自学习、自组织、联想记忆及并行处理等功能。作为一种基于梯度的自适应算法，BP网络的学习过程存在易陷入局部极值、收敛速度慢等缺陷，无法保证网络参数的全局最优。而微粒群算法、遗传算法等智能优化算法具有良好的全局搜索能力和很好的收敛性，且易于与其他算法结合，这给单一神经网络结构及参数的优化改良带来了契机。另外，由于影响建筑能耗的相关因素较多，除了外界天气环境之外，节假日、地理位置、建筑物自身的结构都对建筑能量消耗产生影响，如何合理选择预测模型的输入项，确定合适的网络结构也是神经网络方法需要进一步改善的问题。

发明内容

针对现有的建筑能耗预测方法所存在的上述缺陷，本发明提出了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，与单一的神经网络相比，具有更高的预测精度。其特点在于利用微粒群算法优化BP神经网络的连接权值和阈值，发挥了微粒群算法具有的实现简单、寻优速度快及全局搜索能力强等优点，弥补了BP网络自身连接权值和阈值选择问题上存在的随机性缺陷，从而使BP网络具有较强的收敛性，提高了BP网络的学习能力和泛化能力。

在建立建筑能耗预测模型的过程中，选取合理的输入变量是一个重要的环节，本发明利用主成分分析法对预输入变量进行筛选，降低了输入维度，减小了网络规模，对建筑能耗相关数据的分析和预处理具有重要意义。

本发明所采用的技术方案是：

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，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：