基于神經(jīng)網(wǎng)絡(luò)的建筑熱負(fù)荷預(yù)測(cè)

基于神經(jīng)網(wǎng)絡(luò)的建筑熱負(fù)荷預(yù)測(cè)

0冰蓄冷空調(diào)系統(tǒng)運(yùn)行控制人們正在預(yù)測(cè)未來(lái)。事實(shí)上，人類(lèi)的研究活動(dòng)自古以來(lái)就進(jìn)行著，就像人類(lèi)的歷史一樣。目前,各種預(yù)測(cè)方法已被廣泛應(yīng)用到各個(gè)領(lǐng)域,如氣象預(yù)報(bào)、經(jīng)濟(jì)預(yù)測(cè)、商業(yè)預(yù)測(cè)、人口預(yù)測(cè)等。在暖通空調(diào)領(lǐng)域,預(yù)測(cè)技術(shù)同樣也受到眾多工程技術(shù)人員的青睞。準(zhǔn)確地預(yù)測(cè)建筑物的動(dòng)態(tài)熱負(fù)荷不僅是系統(tǒng)設(shè)計(jì)成敗的關(guān)鍵,而且對(duì)系統(tǒng)的運(yùn)行調(diào)試起著至關(guān)重要的作用;操作人員可以根據(jù)預(yù)測(cè)的負(fù)荷決定系統(tǒng)的開(kāi)停時(shí)間;盡早發(fā)現(xiàn)系統(tǒng)故障,并對(duì)系統(tǒng)的故障進(jìn)行診斷、維修。近年來(lái),冰蓄冷空調(diào)系統(tǒng)發(fā)展迅速,在冰蓄冷系統(tǒng)中,運(yùn)行控制技術(shù)決定著運(yùn)行費(fèi)用的多寡,采用預(yù)測(cè)控制技術(shù)來(lái)指導(dǎo)蓄冰空調(diào)的運(yùn)行,可以最大限度地利用非峰電力,最小限度地啟動(dòng)制冷機(jī)組,提高蓄冰空調(diào)的經(jīng)濟(jì)效益。預(yù)測(cè)方法可以分成兩大類(lèi):一類(lèi)是定性預(yù)測(cè),也稱(chēng)為直觀性預(yù)測(cè);另一類(lèi)是定量預(yù)測(cè),也稱(chēng)為統(tǒng)計(jì)預(yù)測(cè)。在暖通空調(diào)領(lǐng)域,常采用定量預(yù)測(cè)的方法,即采用數(shù)學(xué)、概率論和數(shù)理統(tǒng)計(jì)的方法對(duì)歷史數(shù)據(jù)進(jìn)行處理。定量預(yù)測(cè)又有兩種常用的方法,一種是回歸分析,另一種是時(shí)間序列分析。這些方法在暖通領(lǐng)域中已有應(yīng)用。近年來(lái),一門(mén)新興的邊緣學(xué)科———人工神經(jīng)網(wǎng)絡(luò)(簡(jiǎn)稱(chēng)神經(jīng)網(wǎng)絡(luò)),引起人們廣泛的關(guān)注,由于其獨(dú)特的結(jié)構(gòu)和處理信息的方法,使其在許多實(shí)際應(yīng)用領(lǐng)域中取得了顯著的成效。本文將介紹利用神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)建筑熱負(fù)荷。1神經(jīng)網(wǎng)絡(luò)模型1.1神經(jīng)元自學(xué)習(xí)—神經(jīng)元模型神經(jīng)網(wǎng)絡(luò)是有大量類(lèi)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(gòu)成的復(fù)雜網(wǎng)絡(luò)巨系統(tǒng)它是在現(xiàn)代神經(jīng)研究成果的基礎(chǔ)上提出來(lái)的用來(lái)模擬人腦神經(jīng)系統(tǒng)的結(jié)構(gòu)和行為因此它具有人腦功能的最基本特征:學(xué)習(xí)、歸納和分類(lèi)。神經(jīng)元是神經(jīng)網(wǎng)絡(luò)中最基本的處理單元,通常是一個(gè)多輸入、單輸出的非線性單元。其基本結(jié)構(gòu)見(jiàn)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(qiáng)度(或權(quán)重),θ為其閾值門(mén)限,y表示經(jīng)過(guò)該神經(jīng)元處理后的輸出值。通常,每個(gè)神經(jīng)元的輸出值只有一個(gè),但它可以聯(lián)接到其它多個(gè)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(guān)系可表示為式中:F(x)為激活函數(shù)(如Sigmoid函數(shù),也稱(chēng)S型邏輯函數(shù))。1.2帶隱蔽層的bp神經(jīng)網(wǎng)絡(luò)神經(jīng)元按照某種模式聯(lián)接便構(gòu)成各種神經(jīng)網(wǎng)絡(luò)模型。通常,神經(jīng)網(wǎng)絡(luò)模型由網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)、神經(jīng)元特性和學(xué)習(xí)或訓(xùn)練規(guī)則這三個(gè)因素所決定。對(duì)于暖通領(lǐng)域用于負(fù)荷預(yù)測(cè)的神經(jīng)網(wǎng)絡(luò),可采用最常用的帶隱含層(Hiddenlayer)的誤差反向傳播法(Back-propagationalgorithm簡(jiǎn)稱(chēng)BP算法),其網(wǎng)絡(luò)結(jié)構(gòu)如圖2。此網(wǎng)絡(luò)共有三層構(gòu)成:首層為輸入層,共有n個(gè)神經(jīng)元構(gòu)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(gè)數(shù)為2n+1個(gè);最外層為輸出層,可以有一個(gè)或多個(gè)輸出結(jié)果,圖2中只給出一個(gè)輸出結(jié)果。1.3bp算法的基本步驟神經(jīng)網(wǎng)絡(luò)具有人腦的基本特征,它可以學(xué)習(xí)、記憶。在網(wǎng)絡(luò)的學(xué)習(xí)階段,給定模式i(input)作為網(wǎng)絡(luò)輸入,要求網(wǎng)絡(luò)通過(guò)調(diào)節(jié)所有的聯(lián)接權(quán)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(shí)上,網(wǎng)絡(luò)的實(shí)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(quán)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(jì)算隱含層的激勵(lì)輸出h(3)計(jì)算輸出值o(4)根據(jù)梯度法計(jì)算輸出層誤差d(5)把輸出層誤差反向傳播到隱含層,并計(jì)算隱含層的誤差e(6)調(diào)整輸出層的權(quán)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(shí)刻和前一時(shí)刻的變化值;α為學(xué)習(xí)速率;η為步長(zhǎng)調(diào)整因子(或動(dòng)量因子)。(7)調(diào)整隱含層的權(quán)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(shí)刻和前一時(shí)刻的變化值。當(dāng)調(diào)整了系數(shù)矩陣和閾值矢量后,重復(fù)(2)～(7)計(jì)算過(guò)程,直至誤差的平方和最小。2神經(jīng)網(wǎng)絡(luò)的原始輸入值預(yù)處理數(shù)據(jù)是利用神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)過(guò)程中重要的一步。在神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)階段,需要對(duì)輸入數(shù)據(jù)和對(duì)應(yīng)的已知輸出值進(jìn)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(shè)神經(jīng)網(wǎng)絡(luò)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(luò)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(luò)的目標(biāo)值(教師值);ydi表示原始目標(biāo)值;ydmin表示原始目標(biāo)值中的最小值;ydmax表示原始目標(biāo)值中的最大值。神經(jīng)網(wǎng)絡(luò)經(jīng)過(guò)學(xué)習(xí)訓(xùn)練后,得到預(yù)測(cè)值oi,其值范圍為0～1,因此,需把預(yù)測(cè)值還原(denormalize)變成式中:ypi為預(yù)測(cè)值的還原值;oi為神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)輸出值。3bp網(wǎng)絡(luò)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(yù)報(bào)數(shù)據(jù)(逐時(shí)干、濕球溫度,天氣的陰晴程度),但缺少該年的實(shí)測(cè)負(fù)荷,因此只能由動(dòng)態(tài)的負(fù)荷計(jì)算方法計(jì)算此樓的全年空調(diào)負(fù)荷,作為原始目標(biāo)值(教師值)。也就是說(shuō),把氣象預(yù)報(bào)數(shù)據(jù)和與此時(shí)刻相對(duì)應(yīng)的動(dòng)態(tài)負(fù)荷作為原始教師樣本值,用于訓(xùn)練此神經(jīng)網(wǎng)絡(luò),并比較預(yù)測(cè)值和計(jì)算值的偏差。本實(shí)例中,根據(jù)已知的氣象數(shù)據(jù),確定此網(wǎng)絡(luò)的輸入層神經(jīng)元為5個(gè)(逐時(shí)干球溫度和前一時(shí)刻的干球溫度、逐時(shí)濕球溫度、逐時(shí)天氣的陰晴程度和前一時(shí)刻天氣的陰睛程度,輸入前一時(shí)刻的氣象參數(shù)是考慮冷負(fù)荷的時(shí)間延遲);由上述BP網(wǎng)絡(luò)基本規(guī)則,可確定隱含層神經(jīng)元為11個(gè);輸出層神經(jīng)元只有1個(gè),即預(yù)測(cè)負(fù)荷。預(yù)測(cè)結(jié)果見(jiàn)圖3～圖6,預(yù)測(cè)的誤差分析見(jiàn)表1。從圖3至圖6可以發(fā)現(xiàn),利用神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)某一天的逐時(shí)負(fù)荷值(9:00～19:00)與動(dòng)態(tài)計(jì)算值十分接近,只有在個(gè)別峰谷負(fù)荷時(shí)刻有些偏差;說(shuō)明利用神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)負(fù)荷實(shí)用、可靠。尤其對(duì)于一些復(fù)雜系統(tǒng)當(dāng)無(wú)法推測(cè)其傳遞函數(shù)時(shí)利用實(shí)測(cè)結(jié)果訓(xùn)練網(wǎng)絡(luò)后就可以利用網(wǎng)絡(luò)對(duì)其特性進(jìn)行預(yù)測(cè)分析,從而,避免了復(fù)雜的推導(dǎo)傳遞函數(shù)的過(guò)程,或由假設(shè)、近似等推導(dǎo)過(guò)程帶來(lái)的損失,提高了