[发明专利]一种地铁车站能耗短期预测方法及其预测系统

权利要求书

1.一种地铁车站能耗短期预测方法，其特征在于：包括以下步骤，

确定与地铁车站分项能耗有关的影响因素，在影响因素中确定主要影响因素并采集，且对采集的主要影响因素进行预处理；

根据地铁车站分项能耗历史数据进行综合分析，建立地铁车站分项能耗数据库，与采集到的所述主要影响因素一起进行归一化处理，最后再将归一化处理后的数据划分为训练数据和测试数据；

建构G-ACO-BP网络预测模型，还包括对G-ACO-BP网络预测模型的参数进行最优化设置，G-ACO-BP网络预测模型的参数包括交叉变异概率、信息启发因子以及BP学习率；

利用训练数据训练G-ACO-BP模型，计算实际输出和目标输出的误差；

将测试数据输入到训练后的G-ACO-BP模型中进行测试，得到通风空调能耗、动力能耗、照明能耗的预测结果。

2.如权利要求1所述的地铁车站能耗短期预测方法，其特征在于：所述与地铁车站分项能耗有关的影响因素包括车站客流量(x₁)、每天24个整点时刻(x₂)、节假日(x₃)、车站内逐时平均温度(x₄)、车站内逐时平均相对湿度(x₅)、季节(x₆)、天气特征值(x₇)、车站出入口数量(x₈)、开行列数(x₉)、车站平均照度(x₁₀)、车站的规模(x₁₁)以及车站间距(x₁₂)这12个影响因素。

3.如权利要求1或2所述的地铁车站能耗短期预测方法，其特征在于：所述在影响因素中确定主要影响因素为运用KPCA在12个影响因素确定主要影响因素，还包括以下步骤，

对于选定的12个预测特征x＝[x₁,x₂,…,x₁₂]，根据公式(1)对地铁车站能耗的影响因素进行标准化处理：

其中，x_i(k)为第i个影响因素的第k个采样值，x_max(i)和x_min(i)分别为第i个影响因素的所有采样点的最大值和最小值，T_i(k)为标准化后的目标数据；

根据公式(2)求核矩阵K，使用径向基核函数来实现将原始数据由数据空间映射到特征空间：

利用中心化核矩阵K_C来修正核矩阵K，其修正公式为：

K_C＝K-l_NK-Kl_N+l_NKl_N (3)

其中，K_C为N×N的矩阵，每个元素都是为1/N；

计算矩阵K_C的特征值，其对应的特征向量为λ₁,λ₂,...,λ₁₂，其方差为v₁,v₂,...,v₁₂，按特征值降序排序，其特征向量作相应的调整；

利用施密特正交化方法，正交化并单位化特征向量，其得到的特征向量为a₁,a₂,...,a₁₂；

计算特征的累计贡献率r₁,r₂,...,r₁₂，根据给定的贡献率要求p，如果r_t>p，则选取前t个主分量a₁,...,a_t(t＜12)为主要影响因素。

4.如权利要求3所述的地铁车站能耗短期预测方法，其特征在于:所述建构的G-ACO-BP网络预测模型为含有n层输入、n层输出的任意神经网络，其中包含输入层、隐含层和输出层，且各个结点的特性为Sigmoid型函数。