基于神經(jīng)網(wǎng)絡的建筑熱負荷預測

0冰蓄冷空調(diào)系統(tǒng)運行控制人們正在預測未來。事實上，人類的研究活動自古以來就進行著，就像人類的歷史一樣。目前,各種預測方法已被廣泛應用到各個領域,如氣象預報、經(jīng)濟預測、商業(yè)預測、人口預測等。在暖通空調(diào)領域,預測技術同樣也受到眾多工程技術人員的青睞。準確地預測建筑物的動態(tài)熱負荷不僅是系統(tǒng)設計成敗的關鍵,而且對系統(tǒng)的運行調(diào)試起著至關重要的作用;操作人員可以根據(jù)預測的負荷決定系統(tǒng)的開停時間;盡早發(fā)現(xiàn)系統(tǒng)故障,并對系統(tǒng)的故障進行診斷、維修。近年來,冰蓄冷空調(diào)系統(tǒng)發(fā)展迅速,在冰蓄冷系統(tǒng)中,運行控制技術決定著運行費用的多寡,采用預測控制技術來指導蓄冰空調(diào)的運行,可以最大限度地利用非峰電力,最小限度地啟動制冷機組,提高蓄冰空調(diào)的經(jīng)濟效益。預測方法可以分成兩大類:一類是定性預測,也稱為直觀性預測;另一類是定量預測,也稱為統(tǒng)計預測。在暖通空調(diào)領域,常采用定量預測的方法,即采用數(shù)學、概率論和數(shù)理統(tǒng)計的方法對歷史數(shù)據(jù)進行處理。定量預測又有兩種常用的方法,一種是回歸分析,另一種是時間序列分析。這些方法在暖通領域中已有應用。近年來,一門新興的邊緣學科———人工神經(jīng)網(wǎng)絡(簡稱神經(jīng)網(wǎng)絡),引起人們廣泛的關注,由于其獨特的結構和處理信息的方法,使其在許多實際應用領域中取得了顯著的成效。本文將介紹利用神經(jīng)網(wǎng)絡預測建筑熱負荷。1神經(jīng)網(wǎng)絡模型1.1神經(jīng)元自學習—神經(jīng)元模型神經(jīng)網(wǎng)絡是有大量類似于人腦最基本的處理單元———神經(jīng)元廣泛相互聯(lián)接而構成的復雜網(wǎng)絡巨系統(tǒng)它是在現(xiàn)代神經(jīng)研究成果的基礎上提出來的用來模擬人腦神經(jīng)系統(tǒng)的結構和行為因此它具有人腦功能的最基本特征:學習、歸納和分類。神經(jīng)元是神經(jīng)網(wǎng)絡中最基本的處理單元,通常是一個多輸入、單輸出的非線性單元。其基本結構見圖1。這里,x1,x2,…,xn表示該神經(jīng)元接受到的輸入信息,w1,w2,…,wn表示互聯(lián)的神經(jīng)元之間的聯(lián)接強度(或權重),θ為其閾值門限,y表示經(jīng)過該神經(jīng)元處理后的輸出值。通常,每個神經(jīng)元的輸出值只有一個,但它可以聯(lián)接到其它多個神經(jīng)元,作為其它神經(jīng)元的輸入。神經(jīng)元的輸入輸出關系可表示為式中:F(x)為激活函數(shù)(如Sigmoid函數(shù),也稱S型邏輯函數(shù))。1.2帶隱蔽層的bp神經(jīng)網(wǎng)絡神經(jīng)元按照某種模式聯(lián)接便構成各種神經(jīng)網(wǎng)絡模型。通常,神經(jīng)網(wǎng)絡模型由網(wǎng)絡的拓撲結構、神經(jīng)元特性和學習或訓練規(guī)則這三個因素所決定。對于暖通領域用于負荷預測的神經(jīng)網(wǎng)絡,可采用最常用的帶隱含層(Hiddenlayer)的誤差反向傳播法(Back-propagationalgorithm簡稱BP算法),其網(wǎng)絡結構如圖2。此網(wǎng)絡共有三層構成:首層為輸入層,共有n個神經(jīng)元構成,這一層神經(jīng)元的輸出可直接等于其輸入;中間層為隱含層,通常有一層組成,也可以有多層,隱含層神經(jīng)元個數(shù)為2n+1個;最外層為輸出層,可以有一個或多個輸出結果,圖2中只給出一個輸出結果。1.3bp算法的基本步驟神經(jīng)網(wǎng)絡具有人腦的基本特征,它可以學習、記憶。在網(wǎng)絡的學習階段,給定模式i(input)作為網(wǎng)絡輸入,要求網(wǎng)絡通過調(diào)節(jié)所有的聯(lián)接權系數(shù)w、v和各神經(jīng)元的閾值θ1、θ2,使得在輸出層神經(jīng)元上得到需要的理想輸出值t(target)。事實上,網(wǎng)絡的實際輸出值和理想值總是存在著差異,但可以采用最小二乘原理使得誤差的平方和最小。BP算法的基本步驟如下:(1)給權系數(shù)矩陣w、v和閾值矢量θ1、θ2賦初值,初值范圍為-1～+1;(2)計算隱含層的激勵輸出h(3)計算輸出值o(4)根據(jù)梯度法計算輸出層誤差d(5)把輸出層誤差反向傳播到隱含層,并計算隱含層的誤差e(6)調(diào)整輸出層的權系數(shù)矩陣和閾值矢量式中:Δvτ和Δvτ-1分別為系數(shù)矩陣v在τ時刻和前一時刻的變化值;α為學習速率;η為步長調(diào)整因子(或動量因子)。(7)調(diào)整隱含層的權系數(shù)矩陣和閾值矢量式中:Δwτ和Δwτ-1分別表示系數(shù)矩陣w在τ時刻和前一時刻的變化值。當調(diào)整了系數(shù)矩陣和閾值矢量后,重復(2)～(7)計算過程,直至誤差的平方和最小。2神經(jīng)網(wǎng)絡的原始輸入值預處理數(shù)據(jù)是利用神經(jīng)網(wǎng)絡進行預測過程中重要的一步。在神經(jīng)網(wǎng)絡學習階段,需要對輸入數(shù)據(jù)和對應的已知輸出值進行歸一化處理(normalize),即把數(shù)據(jù)處理成0～1之間的小數(shù)值。設神經(jīng)網(wǎng)絡的原始輸入輸出值為xdi和ydi,經(jīng)歸一化處理后變成式中:xi為歸一化后神經(jīng)網(wǎng)絡的輸入值;xdi為原始輸入值;xdmin為原始輸入值中的最小值;xdmax為原始輸入值中的最大值;ti表示歸一化后神經(jīng)網(wǎng)絡的目標值(教師值);ydi表示原始目標值;ydmin表示原始目標值中的最小值;ydmax表示原始目標值中的最大值。神經(jīng)網(wǎng)絡經(jīng)過學習訓練后,得到預測值oi,其值范圍為0～1,因此,需把預測值還原(denormalize)變成式中:ypi為預測值的還原值;oi為神經(jīng)網(wǎng)絡的預測輸出值。3bp網(wǎng)絡模型某一辦公大樓,建筑面積約為30000m2,地處大連。已知某年的氣象預報數(shù)據(jù)(逐時干、濕球溫度,天氣的陰晴程度),但缺少該年的實測負荷,因此只能由動態(tài)的負荷計算方法計算此樓的全年空調(diào)負荷,作為原始目標值(教師值)。也就是說,把氣象預報數(shù)據(jù)和與此時刻相對應的動態(tài)負荷作為原始教師樣本值,用于訓練此神經(jīng)網(wǎng)絡,并比較預測值和計算值的偏差。本實例中,根據(jù)已知的氣象數(shù)據(jù),確定此網(wǎng)絡的輸入層神經(jīng)元為5個(逐時干球溫度和前一時刻的干球溫度、逐時濕球溫度、逐時天氣的陰晴程度和前一時刻天氣的陰睛程度,輸入前一時刻的氣象參數(shù)是考慮冷負荷的時間延遲);由上述BP網(wǎng)絡基本規(guī)則,可確定隱含層神經(jīng)元為11個;輸出層神經(jīng)元只有1個,即預測負荷。預測結果見圖3～圖6,預測的誤差分析見表1。從圖3至圖6可以發(fā)現(xiàn),利用神經(jīng)網(wǎng)絡預測某一天的逐時負荷值(9:00～19:00)與動態(tài)計算值十分接近,只有在個別峰谷負荷時刻有些偏差;說明利用神經(jīng)網(wǎng)絡預測負荷實用、可靠。尤其對于一些復雜系統(tǒng)當無法推測其傳遞函數(shù)時利用實測結果訓練網(wǎng)絡后就可以利用網(wǎng)絡對其特性進行預測分析,從而,避免了復雜的推導傳遞函數(shù)的過程,或由假設、近似等推導過程帶來的損失,提高了