[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

摘要

本发明公开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，包括以下四个主要步骤：采集建筑能耗相关数据，并对数据进行预处理；确定具有误差反向传播学习功能的多层前馈神经网络模型的输入输出项及网络结构；利用微粒群算法优化BP网络的连接权值和阈值；利用优化得到的神经网络模型对建筑电力能耗进行短期预测。本发明利用统计产品与服务解决方案软件对预输入变量进行主成分分析，选择符合主成分提取要求的变量，从而降低了输入维度；利用微粒群算法的全局优化能力对神经网络模型的结构和参数进行优化，相对于目前的建筑能耗预测方法，本发明提出的预测模型具有结构简单，预测精度高等优点。

主权项

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：$\underset{i=1}{\overset{K}{\mathrm{\Σ}}}\left(\right|y_{\mathrm{pred},i}-y_{\mathrm{data},i}\left|\right)$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：$\left\{\begin{array}{c}{v}_j(t+1)={\mathrm{wv}}_j\left(t\right)+c1r1(p_j\left(t\right)-x_j\left(t\right))+c2r2(p_g\left(t\right)-x_j\left(t\right))\\ x_j(t+1)=v_j(t+1)+x_j\left(t\right)\end{array}\right.$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：$w=w_{\max }-\frac{w_{\max }-w_{\min }}{{\mathrm{iter}}_{\max }}\×k$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。