一种基于粒子群神经网络的办公建筑负荷预测方法
【专利摘要】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。
【专利说明】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】
[0001] 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】
[0002] 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。
[0003] 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、 空调系统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。
[0004] 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、人员变动等均没有考虑，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】
[0005] 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。
[0006] 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：
[0007] 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-I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。
[0008] 步骤2 :初始化粒子群解集Xi = (au, a2i, bn, b2i, Ci)，其中au和bn分别代表神经 网络输入层与隐含层间的权值和阈值，a2i和b2i分别代表神经网络隐含层与输出层间的权 值和阈值，Ci代表神经网络隐含层的个数，对其分别进行初始化。
[0009] 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)。
[0010] 步骤4 :更新粒子的局部最优位置Pi (t)和全局最优位置pg (t)。
[0011] 步骤5 :更新微粒的速度Vij(t+1)和位置Xij(t+1)。参照如下公式：
[0012] Vij (t+1) = w ? Vij (t)+^rlj (t) (piJ(t)-xiJ(t))+d2r2J(t) (pgJ (t)-Xij (t))
[0013] Xij (t+1) = Xij (t)+Vij (t+1)
[0014] 其中，《为惯性权重,(I1和d2为加速常数和r 2j(t)为两个相互独立的介于 〇和1之间的随机数，t指第t代，vu(t)和xu(t)分别代表第t代的速度和位置，v u(t+l) 和Xij(t+1)分别代表第t+1代的速度和位置。
[0015] 步骤6:判断结束条件。
[0016] 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 Pg⑴。
[0017] 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。
[0018] 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人员变动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。
[0019] 本发明所达到的有益效果：
[0020] 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、室内人员变动以及设备启停因素。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。
【专利附图】
【附图说明】
[0021] 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
[0022] 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】
[0023] 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。
[0024] 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：
[0025] 步骤1 :确定输入特征变量和输出目标向量
[0026] 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人员变动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，人员变动较为规律，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。
[0027] 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 个高度非线性系统。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-I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）。
[0028] 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。
[0029] 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-I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。
[0030] 步骤2 :初始化粒子群解集。
[0031] 设置粒子群解集Xi = (an, a2i, bu，b2i, Ci)，其中au和bn分别代表神经网络输入 层与隐含层间的权值和阈值，a2i和b2i分别代表神经网络隐含层与输出层间的权值和阈值， Ci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，B1为CiX 11阶矩阵，a2为IXci阶矩阵，Id1为CiX 1阶矩阵，b2为IX 1阶矩阵。
[0032] 设定粒子群规模为s，进化最大迭代数为，对每个粒子Xi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]之间服从均勻分布产生Xij和Vij ;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
【权利要求】
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Xi = (an，a2i，bn，b2i，Ci)，其中a n和bn分别代表神经网络 输入层与隐含层间的权值和阈值，a2i和b2i分别代表神经网络隐含层与输出层间的权值和 阈值，Ci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Pi (t)和全局最优位置pg (t); 步骤5 :更新微粒的速度Vij(t+1)和位置Xij(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 Pg⑴； 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-I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Xi (t)，t = (1，2, 3,…，t_)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 Ui (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Pi (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：
其中，f(Xi(t+l))为粒子第t+1代的适应值，f(Pi(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？8(0，为？8(〇￡{?(|(〇，？1(〇，?，？ 3(〇}，并且 f(Pg(t)) 111{卿〇)彳賴），...，晚酬；全局最优位置更新公式如下：
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Vij (t+1)和位置Xij (t+1)的公式如下： Vij (t+1) = W ? Vij (t)+(Ijrlj (t) (piJ(t)-xiJ(t))+d2r2J(t) (pgJ (t)-Xij (t)) Xij (t+1) = Xij (t)+Vij (t+1) 其中，o为惯性权重，(I1和d2为加速常数,(t)和r2j (t)为两个相互独立的介于O和 1之间的随机数，t指迭代次数；Vij(t)和Xij(t)分别代表第t代的速度和位置， Vij(t+1)和Xij(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(Pg(t))_f(pg(t+l))彡e，或是迭代次数t>t_，则优化结束并输出当前全局 最优解Pg (t)，其中e为最大允许误差，为最大迭代次数； 否则返回步骤3。
【文档编号】G06Q50/06GK104331737SQ201410675567
【公开日】2015年2月4日 申请日期:2014年11月21日 优先权日:2014年11月21日
【发明者】范洁, 颜庆国, 陈霄, 易永仙, 杨斌, 薛溟枫, 闫华光, 石怀德, 许高杰, 周玉, 袁静伟, 陈飞 申请人:国家电网公司, 江苏省电力公司, 江苏省电力公司电力科学研究院, 中国电力科学研究院