CN104331737A - 一种基于粒子群神经网络的办公建筑负荷预测方法 - Google Patents

Abstract

本发明公开了一种基于粒子群神经网络的办公建筑负荷预测方法，包含以下步骤：确立办公建筑负荷预测神经网络模型的输入特征变量和输出目标向量；初始化粒子群解集；计算每个粒子的适应度值；更新粒子的局部最优位置和全局最优位置；更新微粒的速度和位置；判断结束条件；如果满足结束条件，则输出当前最优位置；赋值神经网络并进行神经网络模拟，预测办公建筑负荷。通过基于神经网络的办公建筑负荷预测方法，综合考虑了影响办公建筑负荷波动变化的所有内扰与外扰因素。同时针对办公建筑特殊的周期性用电特性，将其周期性负荷变化一并考虑进去，利用人工神经网络模拟，实现办公建筑的高精度负荷预测，具有负荷预测精度高、简单易实现的有益效果。

Description

一种基于粒子群神经网络的办公建筑负荷预测方法

技术领域

本发明涉及一种负荷预测方法，具体说涉及一种基于粒子群神经网络的办公建筑负荷预测方法。

背景技术

在电网供需失衡、局部地区出现电源节点故障以及输电阻塞的情况下，电力调度部门的调度压力增大，无法维持电网侧的供需平衡。另一方面，目前的智能电网在区域发展中面临严重问题，造成了区域最大负荷与设备利用率之间的矛盾，而这种矛盾是由于地方局部负荷发展过快与整体负荷水平偏低造成的，之前为了缓解矛盾都是整条线的拉线限电，对用户侧用电产生了很大影响。更重要的是，目前的办公建筑用户用电效率和设备利用率低下、用电峰谷差逐渐拉大，办公建筑用户对电网企业有越来越高的用电需求以及服务需求。在这种现状下，用户侧的自动需求响应成为智能电网发展的必然趋势，而作为其关键技术之一的高精度负荷预测算法也成为重中之重。由于需求响应的实时动态响应机制，造成负荷控制策略对负荷预测的波动影响，高精度的负荷预测算法可为下一步预判断需求响应控制策略提供决策依据。

为了实现办公建筑的高精度负荷预测，目前广大学者对其负荷预测技术做了深入的研究。主要技术方案是，通过分析参考建筑节能设计标准规范及大量文献的基础上，建立一个符合本地区能耗水平的典型办公建筑分析模型。以该建筑模型为载体，根据建筑负荷、空调***及制冷设备三个模块分别对建筑能耗影响因素进行分析汇总，然后对显著性能耗影响因子安排模拟试验，对试验数据进行回归分析，从而建立建筑的能耗方程，对其负荷进行预测。还有部分学者利用建筑的历史能耗，通过时间序列的指数平滑法来对下一时刻的负荷进行预测，均取得了较高的预测精度。

上述负荷预测方法之一主要是利用能耗模拟软件，建立符合能耗水平的建筑分析模型和能耗方程，然后对建筑负荷进行预测。该方法涉及到非常复杂的建筑能耗分析，而且设计到相关的能耗模拟软件，目前只有很少一部分的建筑师才能掌握。对于一般的技术人员，该方法异常复杂，不容易实现。而对于时间序列预测法，尽管实现过程相对简单，但是由于只考虑了建筑的历史负荷数据影响因素，其它重要影响因素像室外平均温度、室外平均湿度、***等均没有考虑，造成了负荷预测精度达不到高精度负荷预测算法的标准。

发明内容

本发明所要解决的技术问题是克服现有技术的缺陷，提供一种基于粒子群神经网络的办公建筑负荷预测方法，负荷预测精度高，简单易实现。

为了实现办公建筑负荷的高精度预测，本发明提出一种基于粒子群神经网络的办公建筑负荷预测方法，主要包含以下步骤：

步骤1：确立办公建筑负荷预测神经网络模型的输入特征变量和输出目标向量。其中，神经网络模型的输入特征变量包括：T-1时刻的负荷值，T-2时刻的负荷值，T-3时刻的负荷值，T-24时刻的负荷值，周变量，室外平均温度，室外平均湿度，空调主机1开启状态，空调主机2开启状态，空调主机3开启状态，冷冻水温度；输出目标向量为T时刻的负荷预测值。

步骤2：初始化粒子群解集x_i＝(a_1i,a_2i,b_1i,b_2i,c_i)，其中a_1i和b_1i分别代表神经网络输入层与隐含层间的权值和阈值，a_2i和b_2i分别代表神经网络隐含层与输出层间的权值和阈值，c_i代表神经网络隐含层的个数，对其分别进行初始化。

步骤3：计算每个粒子的适应度值，即当前微粒下的目标函数值f(x)。

步骤4：更新粒子的局部最优位置p_i(t)和全局最优位置p_g(t)。

步骤5：更新微粒的速度v_ij(t+1)和位置x_ij(t+1)。参照如下公式：

v_ij(t+1)＝ω·v_ij(t)+d₁r_1j(t)(p_ij(t)-x_ij(t))+d₂r_2j(t)(p_gj(t)-x_ij(t))

x_ij(t+1)＝x_ij(t)+v_ij(t+1)

其中，ω为惯性权重，d₁和d₂为加速常数，r_1j(t)和r_2j(t)为两个相互独立的介于0和1之间的随机数，t指第t代，v_ij(t)和x_ij(t)分别代表第t代的速度和位置，v_ij(t+1)和x_ij(t+1)分别代表第t+1代的速度和位置。

步骤6：判断结束条件。

如果尚未满足结束条件，则返回步骤3；如果满足结束条件，则输出当前最优位置p_g(t)。

步骤7：赋值神经网络并进行神经网络模拟，预测办公建筑负荷。

由于办公建筑具有典型的负荷周期性，每日及每周同日间负荷曲线呈周期性的变化规律，室外气象参数和室内***与设备启停是引起办公建筑负荷波动的主要原因。本发明综合考虑了影响办公建筑负荷变化的主要影响因素及负荷的周期性，预测模型建立后只需要输入特征变量即可实现建筑负荷的高精度预测，方法简便，易实现。

本发明所达到的有益效果：

通过基于神经网络的办公建筑负荷预测方法，综合考虑了影响办公建筑负荷波动变化的所有内扰与外扰因素，即室外气象参数、室内***以及设备启停因素。同时针对办公建筑特殊的周期性用电特性，将其周期性负荷变化一并考虑进去，利用人工神经网络模拟，实现办公建筑的高精度负荷预测，具有负荷预测精度高、简单易实现的有益效果。

附图说明

图1为基于粒子群神经网络的办公建筑负荷预测算法流程图

图2为训练结束后的最优办公建筑负荷预测神经网络模型。

具体实施方式

下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。

本发明的方案流程图如图1所示，它主要包括以下七个步骤，具体实施如下：

步骤1：确定输入特征变量和输出目标向量

该实施例为北京市某一办公建筑。一般而言，建筑负荷是由建筑外扰和内扰引起，室外气象参数和室内***与设备启停是引起建筑物负荷波动的主要原因。对于办公建筑来说，***较为规律，建筑负荷也往往呈现出周期性的变化规律，每日及每周同日间负荷曲线具有相似性。

本发明中用一个三层的BP神经网络来模拟该办公建筑的负荷预测，把它看成一个高度非线性***。模型结构的确定首先是要确定输入特征变量和输出目标向量。发明中输入特征变量选择历史负荷中的T-1时刻的负荷值，T-2时刻的负荷值，T-3时刻的负荷值，T-24时刻的负荷值；室外气象参数中的室外平均温度，室外平均湿度；设备启停因素中的空调主机1开启状态，空调主机2开启状态，空调主机3开启状态，冷冻水温度；考虑到办公建筑独特的负荷周期性，输入特征变量还应该加入一个反映负荷周期变化的参数，称之为周变量(该变量取值为1到7的整数，代表周一到周日)。

本发明负荷预测模型的目标向量是办公建筑T时刻的负荷，所以模型的输出目标向量选定为T时刻的负荷预测值。

综上，本发明中神经网络预测模型的输入层采用11个神经网络单元，输入特征变量为：T-1时刻的负荷值，T-2时刻的负荷值，T-3时刻的负荷值，T-24时刻的负荷值，周变量，室外平均温度，室外平均湿度，空调主机1开启状态，空调主机2开启状态，空调主机3开启状态，冷冻水温度；输出层采用1个神经网络单元，输出目标向量为T时刻的负荷预测值。收集该建筑200个输入特征变量和输出目标向量的样本值，作为下一步神经网络模拟的样本数据。

步骤2：初始化粒子群解集。

设置粒子群解集x_i＝(a_1i,a_2i,b_1i,b_2i,c_i)，其中a_1i和b_1i分别代表神经网络输入层与隐含层间的权值和阈值，a_2i和b_2i分别代表神经网络隐含层与输出层间的权值和阈值，c_i代表神经网络隐含层的个数。由步骤1得知，神经网络的输入层个数为11，输出层个数为1，所以，a₁为c_i×11阶矩阵，a₂为1×c_i阶矩阵，b₁为c_i×1阶矩阵，b₂为1×1阶矩阵。

设定粒子群规模为s，进化最大迭代数为t_max，对每个粒子x_i进行位置和速度的初始化。对任意的i,j(j＝1,2,…,4)，均在范围[0,1]之间服从均匀分布产生x_ij和v_ij；对任意的i,j(j＝5)，即粒子群解集的第5维元素代表神经网络隐含层的个数，由于根据隐含层确定公示(其中n₁为隐含层单元数，n为输入单元数，m为输出单元数，a为[1,9]之间的常数)可以确定其范围为[2,13]，故在[2,13]之间服从均匀分布产生x_ij和v_ij。对于任意粒子，设定其最好位置的初始值p_i＝x_i。

步骤3：计算适应度值。

粒子群的每个解集x_i(t)，t＝(1,2,3,…,t_max)都对应着神经网络的一组权值、阈值和隐含层个数，把这些值分别赋给神经网络并进行网络训练。通过计算神经网络的训练误差的倒数来计算粒子的适应度值f(x_i(t))。计算公式如下

其中，y_j为神经网络的目标输出值，y′_j为神经网络的实际输出值，n为神经网络训练样本的个数。

步骤4：更新粒子的局部和全局最优位置。

对于每个粒子，将其适应值与所经历过的最好位置p_i(t)的适应值进行比较，粒子的局部最优位置更新参照以下公式：

$p_i(t+1)=\left\{\begin{array}{cc}{p}_i\left(t\right)& f\left(x_i(t+1)\right)\&GreaterEqual;f\left(p_i\left(t\right)\right)\\ x_i(t+1)& f\left(x_i(t+1)\right)<f\left(p_i\left(t\right)\right)\end{array}\right.$ 其中，f(x_i(t+1))为粒子第t+1代的适应值，f(p_i(t))为粒子第t代经历过的最好位置的适应值。

把群体中的全局最优位置记为p_g(t)，p_g(t)∈{p₀(t),p₁(t),…,p_s(t)}，并且

f(P_g(t))＝min{f(P₀(t)),f(P₁(t)),…,f(P_s(t))}。全局最优位置更新公式如下：

$p_g(t+1)=\left\{\begin{array}{cc}{p}_g\left(t\right)& f\left(x_i(t+1)\right)\&GreaterEqual;f\left(p_g\left(t\right)\right)\\ x_i(t+1)& f\left(x_i(t+1)\right)<f\left(p_g\left(t\right)\right)\end{array}\right.$

步骤5：更新粒子的速度和位置。参照如下公式：

v_ij(t+1)＝ω·v_ij(t)+d₁r_1j(t)(p_ij(t)-x_ij(t))+d₂r_2j(t)(p_gj(t)-x_ij(t))

x_ij(t+1)＝x_ij(t)+v_ij(t+1)

其中，ω为惯性权重，d₁和d₂为加速常数，r_1j(t)和r_2j(t)为两个相互独立的介于0和1之间的随机数，t指当前迭代次数，t+1指下一迭代次数。本实施例中取值ω＝0.729，d₁＝d₂＝1.49。

步骤6：判断结束条件。

如果f(p_g(t))-f(p_g(t+1))≤ε，或是t>t_max，则优化结束并输出当前全局最优解p_g(t)，其中ε为最大允许误差，t_max为最大迭代次数。否则返回步骤3。

步骤7：赋值神经网络并进行神经网络模拟，预测办公建筑负荷。

粒子群的每一个解都对应着神经网络的一组权值、阈值和隐含层个数，所以，其全局最优解就对应着神经网络的一组最优权值、阈值和隐含层个数。把输出的全局最优值赋值给神经网络便得到办公建筑负荷预测的最优神经网络模型。最优模型参照附图2所示。

根据附图2得到的最优办公建筑负荷预测神经网络模型，若要预测T时刻的办公建筑负荷值，可以直接在模型中输入其特征变量：T-1时刻的负荷值，T-2时刻的负荷值，T-3时刻的负荷值，T-24时刻的负荷值，周变量，室外平均温度，室外平均湿度，空调主机1开启状态，空调主机2开启状态，空调主机3开启状态，冷冻水温度，即可由模型自动输出办公建筑T时刻的负荷预测值，实现办公建筑的高精度负荷预测。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (6)

1.一种基于粒子群神经网络的办公建筑负荷预测方法，其特征是，包含以下步骤：

步骤1：确立办公建筑负荷预测神经网络模型的输入特征变量和输出目标向量；

步骤2：初始化粒子群解集x_i＝(a_1i,a_2i,b_1i,b_2i,c_i)，其中a_1i和b_1i分别代表神经网络输入层与隐含层间的权值和阈值，a_2i和b_2i分别代表神经网络隐含层与输出层间的权值和阈值，c_i代表神经网络隐含层的个数，对其分别进行初始化；

步骤3：计算每个粒子的适应度值，即当前微粒下的目标函数值f(x)；

步骤4：更新粒子的局部最优位置p_i(t)和全局最优位置p_g(t)；

步骤5：更新微粒的速度v_ij(t+1)和位置x_ij(t+1)；

步骤6：判断结束条件；

如果尚未满足结束条件，则返回步骤3；如果满足结束条件，则输出当前最优位置p_g(t)；

步骤7：赋值神经网络并进行神经网络模拟，预测办公建筑负荷。

2.根据权利要求1所述的基于粒子群神经网络的办公建筑负荷预测方法，其特征是，步骤1中，神经网络模型的输入特征变量包括：T-1时刻的负荷值，T-2时刻的负荷值，T-3时刻的负荷值，T-24时刻的负荷值，周变量，室外平均温度，室外平均湿度，空调主机1开启状态，空调主机2开启状态，空调主机3开启状态，冷冻水温度；

输出目标向量为T时刻的负荷预测值。

3.根据权利要求1所述的基于粒子群神经网络的办公建筑负荷预测方法，其特征是，步骤3中，粒子群的每个解集x_i(t)，t＝(1,2,3,…,t_max)都对应着神经网络的一组权值、阈值和隐含层个数，把这些值分别赋给神经网络并进行网络训练，通过计算神经网络的训练误差的倒数来计算粒子的适应度值f(x_i(t))。

4.根据权利要求1所述的基于粒子群神经网络的办公建筑负荷预测方法，其特征是，步骤4中，更新粒子的局部和全局最优位置的步骤为：

对于每个粒子，将其适应值与所经历过的局部最优位置p_i(t)的适应值进行比较，粒子的局部最优位置更新参照以下公式：

$p_i(t+1)=\left\{\begin{array}{cc}{p}_i\left(t\right)& f\left(x_i(t+1)\right)\&GreaterEqual;f\left(p_i\left(t\right)\right)\\ x_i(t+1)& f\left(x_i(t+1)\right)<f\left(p_i\left(t\right)\right)\end{array}\right.$

其中，f(x_i(t+1))为粒子第t+1代的适应值，f(p_i(t))为粒子第t代经历过的最好位置的适应值；

群体中的全局最优位置p_g(t)，为p_g(t)∈{p₀(t),p₁(t),…,p_s(t)}，并且

f(P_g(t))＝min{f(P₀(t)),f(P₁(t)),…,f(P_s(t))}；全局最优位置更新公式如下：

$p_g(t+1)=\left\{\begin{array}{cc}{p}_g\left(t\right)& f\left(x_i(t+1)\right)\&GreaterEqual;f\left(p_g\left(t\right)\right)\\ x_i(t+1)& f\left(x_i(t+1)\right)<f\left(p_g\left(t\right)\right)\end{array}\right..$

5.根据权利要求1所述的基于粒子群神经网络的办公建筑负荷预测方法，其特征是，步骤5中，更新微粒的速度v_ij(t+1)和位置x_ij(t+1)的公式如下：

v_ij(t+1)＝ω·v_ij(t)+d₁r_1j(t)(p_ij(t)-x_ij(t))+d₂r_2j(t)(p_gj(t)-x_ij(t))

x_ij(t+1)＝x_ij(t)+v_ij(t+1)

其中，ω为惯性权重，d₁和d₂为加速常数，r_1j(t)和r_2j(t)为两个相互独立的介于0和1之间的随机数，t指迭代次数；v_ij(t)和x_ij(t)分别代表第t代的速度和位置，v_ij(t+1)和x_ij(t+1)分别代表第t+1代的速度和位置。

6.根据权利要求1所述的基于粒子群神经网络的办公建筑负荷预测方法，其特征是，

步骤6中，结束条件为：

如果f(p_g(t))-f(p_g(t+1))≤ε，或是迭代次数t＞t_max，则优化结束并输出当前全局最优解p_g(t)，其中ε为最大允许误差，t_max为最大迭代次数；

否则返回步骤3。