一种基于人工蜂群和神经网络的建筑能耗预测方法
【专利摘要】本发明提出一种基于人工蜂群和神经网络的建筑能耗预测方法。方法中，先利用人工蜂群算法进行神经网络的权值优化，然后利用优化后的神经网络进行建筑能耗的预测。人工蜂群算法是一种模拟蜜蜂群体的寻优算法，算法的控制参数少、易于实现、计算方便，与粒子群、遗传算法等智能计算方法相比，该算法的突出优点是每次迭代过程中都进行全局和局部搜索，大大增加了找到最优解的概率，并在较大程度上避免了局部最优，增强了全局收敛性。因此，采用人工蜂群算法优化神经网络的初始权值，在提高神经网络预测建筑能耗精度的同时，更能够明显改善目前神经网络权值优化问题中存在的不足。
【专利说明】一种基于人工蜂群和神经网络的建筑能耗预测方法
【技术领域】
[0001] 本发明涉及一种建筑能耗的预测方法，属于建筑能耗预测领域，具体说涉及一种 基于人工蜂群和神经网络的建筑能耗预测方法。
【背景技术】
[0002] 随着经济的飞速发展，我国建筑规模越来越大，其耗能高的问题日益严重，做好其 节能管理、能耗监测，对建筑的节能规划具有重要的意义。建筑节能是当今城市建设的重 点，对建筑能耗的预测和分析评估是实现建筑节能的前提和基础。神经网络是典型的智能 计算方法，由于该算法具有简单，可塑，较高的自学习、自组织和自适应能力以及强大的非 线性映射能力，主要用于实现预测功能。但又因其是一种梯度下降搜索方法，收敛速度慢， 易于陷入误差函数的局部极值点，对较大搜索空间，不能有效的搜索到全局极小点，以至于 造成预测精度低的结果。
[0003] 为了克服上述缺点，进行神经网络的权值优化至关重要。目前，许多专家学者都 对此进行了大量研究。例如，在文章"基于蚁群优化神经网络的支持向量机预测方法研究" 中，作者利用蚁群算法训练神经网络的权值和阈值，从而克服了神经网络预测精度低的缺 点，但是蚁群算法搜索到一定程度以后，所有个体发现的解完全一致，不能对解空间进一步 搜索，不利于发现更好的解。文章"组合式粒子群神经网络的96点负荷建模的应用"中，作 者针对原始BP神经网络训练时间长，且易陷入局部极小值的不足，把粒子群算法融入到神 经网络中，利用粒子群具有的训练速度快、精度高的优点，训练神经网络的权值和阈值，有 效地提高神经网络的泛化能力和学习能力，改善神经网络的预测精度，但是，粒子群算法本 身的全局收敛性有待进一步提高。文章"遗传算法在神经网络权值优化中的应用"中，作者 利用遗传算法进行神经网络的权值优化，能够有效的克服陷入局部极小值的不足，提高全 局搜索能力，但是训练时间较长，不利于神经网络的应用。
[0004] 在以上技术中，尽管用蚁群算法、粒子群算法和遗传算法进行神经网络的权值优 化，都能在一定程度上克服神经网络易陷入局部极小值的不足，有效的提高神经网络的泛 化能力和学习能力，改善神经网络的预测精度，但是，也都明显存在着不足。蚁群算法在优 化过程中，当搜索到一定程度以后，所有个体发现的解完全一致，不能对解空间进一步搜 索，不利于发现更好的解。粒子群算法在优化过程中，自身的全局收敛性不是很好，有待进 一步提高。而遗传算法优化神经网络的时间过长，不利于实际应用。
【发明内容】
[0005] 针对上述建筑能耗预测中存在的不足，本发明提出一种基于人工蜂群和神经网络 的建筑能耗预测方法。方法中，先利用人工蜂群算法进行神经网络的权值优化，然后利用优 化后的神经网络进行建筑能耗的预测。人工蜂群算法是一种模拟蜜蜂群体的寻优算法，算 法的控制参数少、易于实现、计算方便，与粒子群、遗传算法等智能计算方法相比，该算法的 突出优点是每次迭代过程中都进行全局和局部搜索，大大增加了找到最优解的概率，并在 较大程度上避免了局部最优，增强了全局收敛性。因此，采用人工蜂群算法优化神经网络的 初始权值，在提高神经网络预测建筑能耗精度的同时，更能够明显改善目前神经网络权值 优化问题中存在的不足。
[0006] 本发明提出的一种基于人工蜂群和神经网络的建筑能耗预测方法，主要包含以下 步骤：
[0007] 第一步：将建筑t时刻之前一段时期的实测负荷和温度作为神经网络的输入样本 集，将t时刻的建筑负荷作为神经网络的输出样本集，并确定神经网络的输入变量个数，输 出变量个数和隐层神经元个数；
[0008] 第二步：设置人工蜂群的解集为\ = (Wli，w2i，bn，b2i)，人工蜂群规模为队，最大 迭代次数为tmax，i = (1，2,......，Ns)，其中Wl和h分别对应神经网络输入层与隐层之间 的权值和阈值，w2和b2分别对应神经网络隐层与输出层之间的权值和阈值，Wli，w 2i，bn，b2i 分别为Wl，w2, h b2在解集\中对应的分量，对每个解集进行初始化，得到蜂群Xi (t) t = (〇, 1，……，tmax)的初始解集 Xi (0) = (Wli (0)，w2i (0)，bn (0)，b2i (0)) (i = 1，2,......,NS)；
[0009] 第三步：对于每个解集Xi (t), i = (1, 2,......, Ns)，把wu, w2i, bu，b2i作为神经网 络的权值和阈值，并利用所述输入样本集和输出样本集进行神经网络训练，计算解集Xi (t) 的适应度值fitness (Xi (t))，适应度值计算公式如下：
[0010]
【权利要求】
1. 一种基于人工蜂群和神经网络的建筑能耗预测方法，主要包含以下步骤： 第一步：将建筑t时刻之前一段时期的实测负荷和温度作为神经网络的输入样本集， 将t时刻的建筑负荷作为神经网络的输出样本集，并确定神经网络的输入变量个数，输出 变量个数和隐层神经元个数； 第二步：设置人工蜂群的解集为Xi = (wn，w2i，bn，b2i)，人工蜂群规模为N s，最大迭代 次数为tmax，i = (1，2,......，Ns)，其中Wl和h分别对应神经网络输入层与隐层之间的权 值和阈值，w2和b2分别对应神经网络隐层与输出层之间的权值和阈值，Wli，w 2i，bn，b2i分别 为Wl，w2, h b2在解集\中对应的分量，对每个解集进行初始化，得到蜂群\ (t)，其中t是 指第 t 代，t= (〇，1，......，tmax)的初始解集 Xi(0) = (?^(ohwjohbdohbjo)) (i = 1,2,......,NS)； 第三步：对于每个解集Xi (t), i = (1, 2,......, Ns),把wu, w2i, bu，b2i作为神经网络的 权值和阈值，并利用所述输入样本集和输出样本集进行神经网络训练，计算解集Xi (t)的适 应度值fitness (Xjt))，适应度值计算公式如下： 奶.s，(A^)) = l,/[f(.Vr.v:.)2] /-1 其中，yj为神经网络的目标输出值，/ j为利用Xi(t)作为神经网络的权值和阈值时 神经网络的实际输出值，k为神经网络测试样本的个数； 第四步：把上述所有解集的适应度值从大到小排列，按照适应度值大小进行引领峰、守 望蜂和侦察蜂的划分，并记录蜂群的局部和全局最优值； 第五步：引领峰、守望蜂和侦察蜂分别进行邻域搜索产生新解，并进行解的替代； 第六步：如果迭代次数小于或等于最大迭代次数tmax，则重复第三步、第四步和第五步， 否则输出蜂群的全局最优值，全局最优值代表神经网络的最优权值和阈值； 第七步：把得到的最优权值和阈值赋值给所述神经网络，进行神经网络的权值优化，利 用所述神经网络进行建筑在t时刻的能耗预测。
2. 如权利要求1所述的建筑能耗预测方法，所述的神经网络的输入样本集为（t-24)时 刻的温度、（t-24)时刻的建筑实测负荷、（t-48)时刻的温度、（t-48)时刻的建筑实测负荷、 (t-72)时刻的温度、（t-72)时刻的建筑实测负荷、（t-168)时刻的温度、（t-168)时刻的建 筑实测负荷。
3. 如权利要求1所述的建筑能耗预测方法，在第二步中，设定人工蜂群规模Ns = 15。
4. 如权利要求3所述的建筑能耗预测方法，在第四步中，把每个解集Xjt)的适应度值 fitness (Xjt))按照从大到小进行排序，适应度值最大的前7个Xjt)被选为引领蜂，即引 领蜂的个数为凡=7 ;紧接着后面7个\ (t)被选为守望蜂，即守望蜂的个数为Nu = 7 ;最 后一个被选为侦察蜂，即侦察蜂的个数为1，设定bPi(t)为蜂群的局部最优值，即每只引领 蜂对应的食物源的位置Xi (t)，表示为bpi (t) = Xi (t)，i = 1，2,......，Ne，并且bpyt)= Xij (t)，其中bp" (t)为bpi (t)的第j维元素 ；bg (t)设定为蜂群的全局最优值，即群体中的 全局最好位置，bg(〇 e (Z奶⑴，⑴，……，Jill. fitness(bg{i)) = max{ jtincss{bpx (/)), Jiifiess(bp2(/)), jlinessibp、 O
5.如权利要求1所述的建筑能耗预测方法，在第五步中， (1) 引领蜂进行邻域搜索，产生新解，并按如下公式1进行解的替代， (,r,(/ + 1) = A^(/) + cy;(/>/;..(/)-A；7(/)) + c2r/,(/5g/(〇-A；/(/)), jitnessix-jit + 1)) > .,(/)) I .^(/ + 1) = .^(/), jhnessix^l + 1))< fhness(x,,(1)) (公式1) 其中，xu(t+l)为第t+1代引领蜂产生的新解，xu(t)为第t代引领蜂的解；b Pi(t)为 每只引领蜂第t代发现的最好位置，即局部最优值，bpij(t)为bpi(t)的元素；bg(t)为蜂群 第t代发现的最好位置，即全局最优值，b gj(t)为bg(t)的元素 ，i = 1，2,......, Ne, j = 1.2, ......，D (D为解集\ (t)的维数），ra和rb是[-1，1]之间的随机数，Cl和c 2为学习因 子，设定 q = 0· 8-0. 4t/tmax, c2 = 0· 2+0. 7t/tmax ; (2) 各守望蜂在选定的引领蜂邻域范围内搜索并产生新解，按公式2进行解的替代； [-^(/ + 1) = ν) + Φ?(-?//(/)--?(0)， Ji^ess{x,j(/ + !))> jiinessix^(/)) 八 ? χ〇(? + \) = χ〇(?), fiiness{x：ij{l +1))< fhnessix^l)) 2 其中，Xij(t+1)为第t+1代守望蜂产生的新解，Xij(t)为第t代守望蜂的解；是 [_1，1]间的随机数，Xk为守望蜂根据概率口1选择的引领蜂，xwSX k的第j维元素 ，i = 1.2, ......, Nu, j = 1, 2,......,D； (3) 侦察蜂根据公式3进行随机搜索，产生新解并按如下公式进行解的替代， Ja-；7 (/ + 1) = ra/?i/[0,l], jliness(xij (/ + !))> fiitu^six^ (/)) j .vi7(/ + l) = ..v..(/), jhness{xri{i +1)) < jUnessix^i)) 么工 3 其中，Xij(t+1)为第t+1代侦察蜂产生的新解，Xij(t)为第t代侦察蜂的解；rand[0, 1] 为介于〇和1之间的随机数，i = 1，j = 1，2,......，D。
【文档编号】G06Q10/04GK104299052SQ201410535170
【公开日】2015年1月21日 申请日期:2014年10月12日 优先权日:2014年10月12日
【发明者】牛丽仙, 吴忠宏, 刘岩 申请人:刘岩