[发明专利]基于模拟退火算法优化BP神经网络的空调冷负荷预测方法

说明书

本发明公开了基于模拟退火算法优化BP神经网络的空调冷负荷预测方法，选取影响T时刻空调冷负荷的输入变量，输入变量包括T时刻的室外空气温度以及T时刻之前的室外空气温度、T时刻的太阳辐射量以及T时刻之前的太阳辐射量、T时刻的相对湿度、T时刻的室外风速和T时刻之前的空调冷负荷，利用关联度分析法分析输入变量与T时刻空调冷负荷的相关性，剔除关联度低于0.8的输入变量，保留剩余输入变量；根据保留的输入变量的个数以及T时刻空调冷负荷建立BP神经网络；利用模拟退火算法优化BP神经网络；利用优化后的BP神经网络进行负荷预测，得到预测值。本发明克服了BP神经网络在权值选择上的随机性，降低了空调冷负荷预测偏差大的问题。

技术领域

本发明属于空调负荷预测技术领域，具体涉及基于模拟退火算法优化BP神经网络的空调冷负荷预测方法。

背景技术

建筑能耗作为世界能源消耗的三巨头之一，占中国社会总能耗的20％左右，从世界视角来看这个比例更高，达到了30％以上。随着经济发展，空调能耗占总建筑能耗的比例越来越大。空调系统的能耗量对实现建筑节能具有重大意义。通过对空调未来短期能耗进行预测，调整系统运行模式，可以实现有效的能耗降低。

传统的空调冷负荷预测方法主要是支持向量机、神经网络等，但是传统方法的缺点是容易陷入局部最小值，收敛速度慢，输入和输出的匹配度低，造成空调冷负荷预测偏差大。

发明内容

针对现有技术中的技术问题，本发明提供了基于模拟退火算法优化BP神经网络的空调冷负荷预测方法，克服了BP神经网络在权值选择上的随机性，提高了BP神经网络的收敛速度和学习能力，降低了空调冷负荷预测偏差大的问题。

为了解决上述技术问题，本发明通过以下技术方案予以实现：

基于模拟退火算法优化BP神经网络的空调冷负荷预测方法，包括以下步骤：

步骤1：选取影响T时刻空调冷负荷的输入变量，所述输入变量包括T时刻的室外空气温度以及T时刻之前的室外空气温度、T时刻的太阳辐射量以及T时刻之前的太阳辐射量、T时刻的相对湿度、T时刻的室外风速和T时刻之前的空调冷负荷，利用关联度分析法分析所述输入变量与T时刻空调冷负荷的相关性，剔除关联度低于0.8的输入变量，保留剩余输入变量；

步骤2：根据步骤1中保留的输入变量的个数以及T时刻空调冷负荷建立BP神经网络；

步骤3：利用模拟退火算法优化步骤2建立的BP神经网络；

步骤4：利用步骤3中优化后的BP神经网络进行负荷预测，得到预测值。

进一步地，所述步骤1中，采用灰色关联度分析法分析所述输入变量与T时刻空调冷负荷的相关性。

进一步地，所述步骤2中，BP神经网络的结构包括输入层、隐藏层和输出层，其中，根据保留的输入变量的个数以及T时刻空调冷负荷确定BP神经网络的输入层神经元个数I和输出层神经元个数O，根据输入层神经元个数I和输出层神经元个数O确定隐藏层神经元个数H。

进一步地，隐藏层神经元个数H通过以下公式确定：

H＝(I+O)^1/2+Z。

进一步地，所述步骤3具体包括：

步骤31：设置模拟退火算法的初始温度、终止温度、温度下降方式和随机扰动机制；

步骤32：设置BP神经网络的初始权值和初始阈值，对BP神经网络进行梯度下降训练直至收敛，得到一系列权值和阈值作为模拟退火算法的初始解向量；

步骤33：给出随机扰动，随着温度下降更新权值和阈值；

步骤34：判断温度是否下降到终止温度，如果下降到终止温度，则终止训练过程，将更新后的权值和阈值作为BP神经网络的权值和阈值；否则，执行步骤33。