基于bp神經(jīng)網(wǎng)絡(luò)的中央空調(diào)冷負(fù)荷的預(yù)測方法
【專利摘要】本發(fā)明公開了一種基于BP神經(jīng)網(wǎng)絡(luò)的中央空調(diào)冷負(fù)荷的預(yù)測方法，包括以下步驟：步驟1、選擇影響學(xué)校建筑冷負(fù)荷的因素作為神經(jīng)網(wǎng)絡(luò)輸入?yún)?shù)；步驟2、對(duì)建筑冷負(fù)荷預(yù)測樣本數(shù)據(jù)進(jìn)行整理及預(yù)處理；步驟3、設(shè)計(jì)BP神經(jīng)網(wǎng)絡(luò)的層次結(jié)構(gòu)，確定隱含層數(shù)；步驟4、運(yùn)行BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練，直到反向收斂，終止學(xué)習(xí)，輸出預(yù)測值。具有準(zhǔn)確性和可靠性高等優(yōu)點(diǎn)。
【專利說明】基于BP神經(jīng)網(wǎng)絡(luò)的中央空調(diào)冷負(fù)荷的預(yù)測方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及一種學(xué)校建筑中央空調(diào)冷負(fù)荷的預(yù)測技術(shù)，特別涉及一種基于BP神經(jīng)網(wǎng)絡(luò)的中央空調(diào)冷負(fù)荷的預(yù)測方法。
【背景技術(shù)】
[0002]學(xué)校建筑的中央空調(diào)冷耗具有以下特點(diǎn):①室內(nèi)人員密集，人體熱、濕負(fù)荷占據(jù)了夏季空調(diào)負(fù)荷的絕大部分，室內(nèi)人體散濕量大，空調(diào)負(fù)荷占建筑能耗比重大；②新風(fēng)負(fù)荷在空調(diào)負(fù)荷當(dāng)中所占比例很大；③室內(nèi)人員集中，空氣質(zhì)量差，長時(shí)間逗留影響人體健康；④即使在采用空調(diào)的情況下，由于室內(nèi)人員密度高，室內(nèi)相對(duì)濕度大(一般高于60% )，因此室內(nèi)人員容易產(chǎn)生悶熱的感覺；⑤學(xué)校建筑的空調(diào)系統(tǒng)耗電量高，據(jù)統(tǒng)計(jì)，空調(diào)系統(tǒng)的耗電量占到建筑耗電量的30%以上，因此學(xué)校建筑空調(diào)節(jié)能任務(wù)重。如果沒有對(duì)空調(diào)負(fù)荷進(jìn)行預(yù)測，只能在造成能源浪費(fèi)之后，才采取適當(dāng)?shù)墓?jié)能措施。而實(shí)施節(jié)能措施后，又要等一段時(shí)間才可以看出節(jié)能效果，由于時(shí)間的延遲性將會(huì)導(dǎo)致冷耗進(jìn)一步增大。而空調(diào)負(fù)荷預(yù)測重在預(yù)防，通過預(yù)測結(jié)果，可以盡早發(fā)現(xiàn)冷耗過度或者設(shè)備老化導(dǎo)致的能耗浪費(fèi)現(xiàn)象，及時(shí)采取預(yù)防控制措施，防止能源二次浪費(fèi)，達(dá)到更好的節(jié)能效果。負(fù)荷預(yù)測技術(shù)快速發(fā)展，主要是在于短期負(fù)荷預(yù)測的研究與應(yīng)用上的發(fā)展，在此類負(fù)荷預(yù)測領(lǐng)域，人們研究了很多預(yù)測方法。一般來說，根據(jù)數(shù)學(xué)模型的不同，短期負(fù)荷預(yù)測方法主要分為兩類，一種是數(shù)學(xué)統(tǒng)計(jì)方法(也稱經(jīng)典負(fù)荷預(yù)測方法)，另一種是人工智能方法(也稱現(xiàn)代負(fù)荷預(yù)測方法)。其中，數(shù)學(xué)統(tǒng)計(jì)方法主要在于研究負(fù)荷和歷史數(shù)據(jù)的關(guān)聯(lián)性，而人工智能方法則試圖避開預(yù)測過程中的人為因素的影響，更方便及自動(dòng)化地發(fā)掘事物內(nèi)部關(guān)聯(lián)，更具簡單性及方便性。現(xiàn)有的中央空調(diào)冷負(fù)荷預(yù)測方法有如下幾種:
[0003]時(shí)間序列法:通過采集事物歷史數(shù)據(jù)，挖掘歷史序列過程特性，在此基礎(chǔ)上構(gòu)建實(shí)際序列的隨機(jī)過程的模型，再用此模型進(jìn)行預(yù)測。缺點(diǎn)是過于依賴原始數(shù)據(jù)及其相關(guān)性，對(duì)一些隨機(jī)性數(shù)據(jù)考慮不全，若數(shù)據(jù)變化過大，此方法則不適用。
[0004]回歸分析法:通過對(duì)變量的歷史數(shù)據(jù)進(jìn)行分析，發(fā)現(xiàn)變量與變量之間的關(guān)系，以便進(jìn)行負(fù)荷預(yù)測。由于負(fù)荷預(yù)測影響因素的多樣性、多變性和隨機(jī)性，此類負(fù)荷預(yù)測方法存在誤差大，不穩(wěn)定性大，對(duì)節(jié)假日等特殊負(fù)荷模型的預(yù)測效果差。
[0005]專家系統(tǒng):通過獲取專家的知識(shí)經(jīng)驗(yàn)及其操作知識(shí)，構(gòu)建專家知識(shí)庫，對(duì)過去的負(fù)荷數(shù)據(jù)進(jìn)行細(xì)致的分析，提取有關(guān)規(guī)則。通過專家知識(shí)庫，根據(jù)當(dāng)前已知信息，按照一定的推理進(jìn)行負(fù)荷預(yù)測。但是專家系統(tǒng)對(duì)歷史數(shù)據(jù)的要求較高，依賴于提取到的規(guī)則，具有一定的局限性。

【發(fā)明內(nèi)容】

[0006]本發(fā)明的目的在于克服現(xiàn)有技術(shù)的缺點(diǎn)與不足，提供一種基于BP神經(jīng)網(wǎng)絡(luò)的中央空調(diào)冷負(fù)荷的預(yù)測方法，該預(yù)測方法可用于學(xué)校單棟建筑或整片校區(qū)建筑群的中央空調(diào)冷耗預(yù)報(bào)、冷耗異常警示及節(jié)能控制指導(dǎo)。[0007]本發(fā)明的目的通過下述技術(shù)方案實(shí)現(xiàn):一種基于BP神經(jīng)網(wǎng)絡(luò)的中央空調(diào)冷負(fù)荷的預(yù)測方法，包含以下步驟:
[0008]步驟1、選擇影響學(xué)校建筑冷負(fù)荷的主要因素作為神經(jīng)網(wǎng)絡(luò)輸入?yún)?shù)，其具體方法為:
[0009]通過試驗(yàn)測定，選擇以下參數(shù)作為神經(jīng)網(wǎng)絡(luò)的輸入:待預(yù)測時(shí)刻t，室外溫度Td，室外濕度RH，室內(nèi)溫度Tr，室內(nèi)人數(shù)P，t-Ι時(shí)刻冷負(fù)荷CLt_1; t-24時(shí)刻冷負(fù)荷CLt_24，t_48時(shí)刻冷負(fù)荷CLt_48, t-lw時(shí)刻冷負(fù)荷CLt_lw(w = week)；
[0010]步驟2、對(duì)建筑冷負(fù)荷預(yù)測樣本數(shù)據(jù)進(jìn)行整理及預(yù)處理，具體包含以下步驟:
[0011](2-1)對(duì)工作日(周一到周五)和非工作日分別用兩個(gè)神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測，對(duì)工作日和非工作日的數(shù)據(jù)進(jìn)行整理和合并，同時(shí)對(duì)樣本數(shù)據(jù)進(jìn)行清洗和修證，保證數(shù)據(jù)完整不存在缺失現(xiàn)象，并把異常數(shù)據(jù)剔除；
[0012](2-2)使用歸一化處理方法對(duì)步驟(2-1)整理后的數(shù)據(jù)進(jìn)行預(yù)處理；
[0013]步驟3、設(shè)計(jì)BP神經(jīng)網(wǎng)絡(luò)的層次結(jié)構(gòu)，確定隱含層數(shù)，具體為:
[0014]BP神經(jīng)網(wǎng)絡(luò)的層數(shù)為三層，隱含層為I層，分別為輸入層，隱含層，輸出層。所述BP神經(jīng)網(wǎng)絡(luò)輸入層節(jié)點(diǎn)數(shù)為9，輸出層節(jié)點(diǎn)數(shù)為1，隱含節(jié)點(diǎn)個(gè)數(shù)為11，激活函數(shù)使用Sigmoid函數(shù)，神經(jīng)元間的連接權(quán)值取值為O到I之間的隨機(jī)數(shù)據(jù)；
[0015]步驟4、開始運(yùn)行BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練，直到反向收斂，終止學(xué)習(xí)，輸出預(yù)測值，具體包含以下步驟:
[0016](4-1)對(duì)權(quán)值Wij、Wjk進(jìn)行初始化:
[0017](4-2)逐個(gè)輸入數(shù)量為P的學(xué)習(xí)樣本；
[0018](4-3)逐個(gè)計(jì)算網(wǎng)絡(luò)中每層的輸出:
[0019]隱含層各神經(jīng)元輸出為:
[0020]hoj(t) = f (hij(t)), j = l，2^..，p,
[0021]輸出層各神經(jīng)元的輸出為:
[0022]ook (t) = f (oik(t)), k = I, 2,..., q ；
[0023](4-4)從輸出層開始，對(duì)誤差進(jìn)行反傳:
[0024]計(jì)算誤差函數(shù)對(duì)輸出層各神經(jīng)元偏導(dǎo)數(shù)SJt):
[0025]
【權(quán)利要求】
1.基于BP神經(jīng)網(wǎng)絡(luò)的中央空調(diào)冷負(fù)荷的預(yù)測方法，其特征在于，包括以下步驟: 步驟1、選擇影響學(xué)校建筑冷負(fù)荷的因素作為神經(jīng)網(wǎng)絡(luò)輸入?yún)?shù)； 步驟2、對(duì)建筑冷負(fù)荷預(yù)測樣本數(shù)據(jù)進(jìn)行整理及預(yù)處理； 步驟3、設(shè)計(jì)BP神經(jīng)網(wǎng)絡(luò)的層次結(jié)構(gòu)，確定隱含層數(shù)； 步驟4、運(yùn)行BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練，直到反向收斂，終止學(xué)習(xí)，輸出預(yù)測值。
2.如權(quán)利要求1所述的基于BP神經(jīng)網(wǎng)絡(luò)的中央空調(diào)冷負(fù)荷的預(yù)測方法，其特征在于，在步驟I中，所述的神經(jīng)網(wǎng)絡(luò)輸入?yún)?shù)包括:待預(yù)測時(shí)刻t、室外溫度Td、室外濕度RH、室內(nèi)溫度Tr、室內(nèi)人數(shù)P、t-Ι時(shí)刻冷負(fù)荷CLt_1、t-24時(shí)刻冷負(fù)荷CLt_24、t_48時(shí)刻冷負(fù)荷CLt_48和t-lw時(shí)刻冷負(fù)荷CLt_lw。
3.如權(quán)利要求1所述的基于BP神經(jīng)網(wǎng)絡(luò)的中央空調(diào)冷負(fù)荷的預(yù)測方法，其特征在于，所述步驟2包括以下步驟: (2-1)對(duì)周一到周五和周六到周日的數(shù)據(jù)分別用神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測，得到工作日的數(shù)據(jù)和非工作日的數(shù)據(jù)，對(duì)工作日的數(shù)據(jù)和非工作日的數(shù)據(jù)進(jìn)行整理與合并；同時(shí)對(duì)樣本數(shù)據(jù)進(jìn)行清洗和修證，保證數(shù)據(jù)完整，并把異常數(shù)據(jù)剔除； (2-2)使用歸一化處理方法，對(duì)步驟(2-1)整理后的數(shù)據(jù)進(jìn)行預(yù)處理。
4.如權(quán)利要求1所述的基于BP神經(jīng)網(wǎng)絡(luò)的中央空調(diào)冷負(fù)荷的預(yù)測方法，其特征在于，在步驟3中，所述的BP神經(jīng)網(wǎng)絡(luò)的層數(shù)為三層，分別是輸入層、隱含層和輸出層，所述隱含層的層數(shù)為一層；所述輸入層的節(jié)點(diǎn)個(gè)數(shù)為9，輸出層的節(jié)點(diǎn)個(gè)數(shù)為1，隱含層的節(jié)點(diǎn)個(gè)數(shù)為11，激活函數(shù)使用Sigmoid函數(shù)，神經(jīng)元間的連接權(quán)值的取值為O到I之間的隨機(jī)數(shù)據(jù)。
5.如權(quán)利要求1所述的基于BP神經(jīng)網(wǎng)絡(luò)的中央空調(diào)冷負(fù)荷的預(yù)測方法，其特征在于，所述步驟4包含以下步驟: (4-1)對(duì)權(quán)值進(jìn)行初始化； (4-2)逐個(gè)輸入數(shù)量為P的學(xué)習(xí)樣本； (4-3)逐個(gè)計(jì)算網(wǎng)絡(luò)中每層的輸出: 隱含層各神經(jīng)元輸出為:
hOj (t) = f (hij (t)), j = 1，2，…，p, 輸出層各神經(jīng)元的輸出為:
ook(t) = f (oik(t)), k = I, 2,..., q, (4-4)從輸出層開始，對(duì)誤差進(jìn)行反傳: 計(jì)算誤差函數(shù)對(duì)輸出層各神經(jīng)元偏導(dǎo)數(shù)\(t):
【文檔編號(hào)】G06N3/08GK104008427SQ201410209777
【公開日】2014年8月27日 申請日期:2014年5月16日 優(yōu)先權(quán)日:2014年5月16日
【發(fā)明者】彭新一, 謝妍, 黃志煒, 李綿升 申請人:華南理工大學(xué)