基于改进IHCMAC神经网络的建筑负荷预测方法和装置与流程

本发明属于建筑物能耗优化领域，尤其涉及一种基于改进ihcmac神经网络的建筑负荷预测方法和装置。
背景技术：
：随着我国经济的快速发展，能源需求量日益剧增，建筑行业已跻身为三大“耗能大户”之一。据相关数据统计，该行业能耗约占世界能源消耗量的20％，国内的建筑能耗约占社会总能耗的28％，目前，以优化建筑围护结构、建筑环境智能控制、系统操作设备等建筑节能的工作已全面展开。但由于建筑结构的复杂性、人为因素的影响以及热延迟等特性，使建筑实际用能存在能源浪费、用电高峰期时供能不足、供能不均衡等现象，不仅降低了建筑能源的利用率也影响了人们的舒适程度。因此，构建有效的建筑能耗预测模型，合理分配能源显得十分关键。建筑负荷预测根据预测期限的长短可分为短期、中期、长期负荷预测三类，建筑能耗的研究以中短期负荷预测方法为研究重点。一般包括时间序列、支持向量机、灰色系统、人工神经网络等预测方法。时间序列方法多用于变化趋势不明显的情况，对于实时预测或数据波动大的情况预测效果并不理想；支持向量机法可使模型的预测精度与学习能力达到最佳平衡，但按经验选择核函数会影响预测效果；灰色系统多用于在庞大的不完全统计数据中找到事物发展的规律，并不适合建筑负荷预测的研究。如何对建筑负荷预测的实现方法进行改进，在保证预测精度的前提下实现自适应学习，是本领域技术人员目前迫切解决的技术问题。技术实现要素：为克服上述现有技术的不足，本发明提供了一种基于改进ihcmac神经网络的建筑负荷预测方法和装置，所述方法基于仿真获取建筑冷/热负荷数据及其影响因素数据；通过相关性分析确定网络模型的输入变量，采用粒子群和k均值聚类相结合的方法确定网络模型节点值。相对于现有的其他算法收敛速度快，学习精度高。为实现上述目的，本发明采用如下技术方案：一种基于改进ihcmac神经网络模型的建筑负荷预测方法，包括以下步骤：对建筑物的实际运行情况进行模拟仿真，获取建筑冷/热负荷数据及其影响因素数据；根据影响因素和建筑冷/热负荷的相关程度确定模型的输入变量；根据粒子群-k均值聚类算法对输入变量进行聚类，得到l个聚类中心的值即模型节点值，并对每个节点定义高斯核函数；通过权值训练算法对节点的权值进行更新，得到模型的建筑负荷预测值。进一步地，所述影响因素包括环境参数和人员分布数据。进一步地，所述环境参数包括室外温度、室外湿度、室外风速、太阳辐射强度；所述人员分布数据包括人员在室率。进一步地，所述影响因素和建筑冷/热负荷的相关程度通过相关性分析确定。进一步地，确定输入变量后，对所述输入变量进行归一化处理。进一步地，所述粒子群-k均值聚类算法为：(1)首先确定粒子群规模n，初始化各粒子的位置、速度。每个粒子的位置由l个聚类中心组成，维度与样本向量维度m相同，即每个粒子位置均是l*m维向量，计算各粒子适应度；(2)比较各粒子的适应度，把当前适应度看做个体极值pi，根据个体极值pi找到全局极值gi，若粒子适应度值更好则更新pi和gi；(3)根据pi和gi的值更新粒子的速度和位置；(4)根据粒子位置的编码，对各样本按照最小距离原则进行分类，并计算聚类中心，更新粒子适应度值；(5)判断前后聚类中心是否相同或达到最大迭代次数，如果是，则结束，否则转步骤(2)；通过上述过程获得l个簇，簇中心的值p＝[p1,p2,...,pl]。进一步地，所述权值训练算法采用改进的c-l算法。进一步地，所述方法还包括对所述模型进行评价。根据本发明的第二目的，本发明还提供了一种基于基于改进ihcmac神经网络的建筑负荷预测装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现以下步骤：接收对建筑物的实际运行情况进行模拟仿真获取的建筑冷/热负荷数据及其影响因素数据；根据影响因素和建筑冷/热负荷的相关程度确定模型的输入变量；根据粒子群-k均值聚类算法对输入变量进行聚类，得到l个聚类中心的值即模型节点值，并对每个节点定义高斯核函数；通过权值训练算法对节点的权值进行更新，得到模型的建筑负荷预测值。根据本发明的第三目的，本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时执行以下步骤：接收对建筑物的实际运行情况进行模拟仿真获取的建筑冷/热负荷数据及其影响因素数据；根据影响因素和建筑冷/热负荷的相关程度确定模型的输入变量；根据粒子群-k均值聚类算法对输入变量进行聚类，得到l个聚类中心的值即模型节点值，并对每个节点定义高斯核函数；通过权值训练算法对节点的权值进行更新，得到模型的建筑负荷预测值。本发明的有益效果1、本发明借助trnsys模拟实验平台模拟建筑的实际运行规律，得到实验所需的完备数据，以相关分析法确定模型的输入变量，采用基于改进的k均值聚类的ihcmac神经网络预测方法，建立建筑负荷预测模型。实验证明，与经典ihcmac神经网络方法及基于k均值聚类的hcmac神经网络方法相比，收敛速度快，学习精度高，泛化能力强。2、本发明的模型普适性较强，不受建筑类型的约束和建筑本体的影响，能够为建筑系统的节能优化控制提供决策依据。3、本发明采用粒子群算法与k-means聚类算法结合的方式确定网络节点，利用粒子群算法提高k-means聚类算法的全局搜索能力，避免算法陷入局部最优的情况，有效改善k均值算法的聚类效果。4、本发明采用了人工神经网络，能够分布式处理复杂的数学问题，具备自适应、自组织和实时学习的能力，可较好的完成建筑负荷预测的研究任务。附图说明构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。图1为本发明改进ihcmac神经网络建筑负荷预测模型流程图；图2为2/8月10-20日冷/热负荷变化曲线；图3为2/8月10-20日室外温度变化曲线；图4为2/8月10-20日室外湿度变化曲线；图5为2/8月10-20日室外风速变化曲线；图6为2/8月10-20日太阳辐射变化曲线；图7为人员分布规律变化前后负荷变化曲线；图8为本发明粒子群与k-means结合算法流程图；图9实际负荷值与本发明改进的ihcmac模型预测值对比曲线。具体实施方式应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属
技术领域：
的普通技术人员通常理解的相同含义。需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。hcmac神经网络(hcmac:hyperballcerebellarmodelarticulationcontroller)是在cmac神经网络的基础上学习而来，具有局部泛化能力强，收敛速度快，易于软硬件实现等优点。但对于分布不均的输入样本会产生大量无效网络节点，随着数据维度的增加，造成网络运算异常复杂，学习精度随之下降。据此，学者提出基于信度分配的cmac神经网络算法和基于聚类的hcmac神经网络方法，前者有效提高了模型的计算效率，但网络结构复杂，后者简化了模型结构，提高了模型精度及收敛度，但人为确定聚类终止条件及用模糊聚类的方式确定网络节点使得聚类结果并不准确可靠。ihcmac算法(ihcmacalgorithm)ihcmac神经网络算法是由模糊c均值聚类算法(fcm)量化神经网络的输入空间，较传统的等网格量化神经网络输入空间相比，大大降低了高维数据处理的复杂度,提高了模型的学习精度。一般地，可将ihcmac神经网络分为四个步骤：输入变量归一化、聚类量化输入空间、计算神经网络输出及神经网络权值训练。具体内容为：step1:假设有界输入空间为,任意输入变量为输入空间维度,xi,xi为第i维输入的上、下界，对应的输出y输入变量按公式(1)进行归一化处理。step2:预确定一较小的聚类数目l及阈值ε，利用fcm聚类方法对输入样本聚类，按公式(2)计算聚类准则函数值j,当jl+1-jl≤ε时，迭代停止，否则l＝l+1继续迭代。式中：ni表示第i个聚类中心的数据对数，pi为聚类中心最终获得l个聚类中心的值p＝[p1,p2,...,pl],每个聚类中心均是一个m维向量pi＝[pi1,pi2,...,pim],聚类中心对应权值为qj，定义以输入xk为中心，r为半径的超闭球，假设有l个节点在超闭球内被激活，基函数的高斯基函数如式(3)所示。其中高斯基函数参数σ由式(4)确定，pi,pj为欧式距离最近的两个节点，δ为重叠区系数，一般取为1.2，经过计算依次得到不同网络节点对应的σi，记为σ＝[σ1,σ2......σl]。step3:计算神经网络的输出，即被激活节点的超闭球上基函数的线性组合，计算公式如式(5)。式中：sk是权系数选择向量，选中节点为1，否则为0。q＝[q1,q2,...,ql]t是权系数向量，b(xk)＝diag[b1(xk),b2(xk),...,bl(xk)]为基函数矩阵。step4:权值训练算法采用改进的c-l算法。计算公式如式(6)：式中：α,β为常数，ek-1为估计误差，当0＜α＜2,β>0时，算法收敛，对于不同样本，只需局部调整权系数即可。实施例一本实施例公开了一种基于改进ihcmac神经网络的建筑负荷预测方法，包括：步骤1：对建筑物的实际运行情况进行模拟仿真，获取建筑冷/热负荷数据及其影响因素；仿真数据包括建筑冷/热负荷数据及建筑冷/热负荷的影响因素，所述影响因素包括环境参数(室外温度、室外湿度、室外风速、太阳辐射强度)和人员分布数据(人员在室率)。本实施例本文以位于济南市一栋办公建筑为建筑原型，利用sketchup软件构建建筑模型，借助trnsys模拟运行软件，模拟建筑的实际运行情况，对建筑的能耗特性进行分析，建筑的相关参数如表1。设仿真时间步长为1h，得到该建筑的实验仿真数据，包括环境参数(室外温度、室外湿度、室外风速、太阳辐射强度及人员分布规律)及建筑冷/热负荷实际运行数据。表1建筑信息表步骤2：对所述影响因素参数和建筑冷/热负荷进行相关性分析，根据相关程度确定改进ihcmac神经网络模型的输入变量；为了确定各影响因素对建筑负荷的影响程度，利用相关系数法对各影响因素与建筑负荷进行相关性分析。结果如表2所示，建筑负荷变化与风速相关性较小，因此忽略风速影响，确定模型输入参数为室外温度、室外湿度、太阳辐射量及人员在室率。据上述分析，确定建筑负荷预测模型的输入变量为室外温度(tt,tt-1)、室外湿度(ht,ht-1)、太阳辐射量(lt)、人员在室率ρt。则ikhcmac(improvementk-meanshyperballcmac，khcmac)神经网络预测模型为：loadper＝f(tt,tt-1,ht,ht-1,lt,ρt)具体地，为直观表现建筑负荷值与各负荷影响因素间的相关性，本实施例选取冬季2月份、夏季8月份的10-20日的负荷仿真数据及各气象参数数据，且以冷负荷为例，随机选取3天的负荷数据及相应的人员在室率，来分析人员分布的取值对建筑负荷的影响。图1-5即为10-20日的负荷及气象参数变化曲线，图6为人员分布取恒值及连续变化值的情况下冷负荷的变化曲线，其中曲线1为人员分布连续变化下的冷负荷变化曲线，曲线2为人员分布取恒值时的冷负荷变化曲线，曲线3、4为人员分布变化规律。从图中可以发现，环境温度与建筑热负荷呈正相关关系，与建筑冷负荷呈负相关关系；环境湿度与建筑热负荷呈负相关关系，与建筑冷负荷呈正相关关系；辐射值与建筑热负荷呈负相关关系，与建筑冷负荷呈正相关关系；风速变化幅度较小，对建筑负荷的影响较弱；且人员在室率的变化对建筑负荷具有较大的影响。表2建筑负荷与影响因素的相关系数步骤3：对所述输入变量进行归一化处理；步骤4：根据输入变量的维度，对粒子速度及粒子位置进行初始化设置，并预设置粒子群规模n及聚类中心个数l；步骤5：根据粒子群-k均值聚类算法对输入变量进行聚类，得到l个聚类中心的值即改进ihcmac神经网络模型节点值，对每个节点定义高斯核函数；本发明针对ihcmac算法step2聚类确定神经网络节点的方法进行改进，采用粒子群算法与k-means聚类算法结合的方式，利用粒子群算法提高k-means聚类算法的全局搜索能力，避免算法陷入局部最优的情况，有效改善k均值算法的聚类效果。其他步骤与ihcmac算法步骤一致。通过粒子群-k均值聚类算法确定神经网络节点的方法如下：(1)首先确定粒子群规模n，初始化各粒子的位置、速度。每个粒子的位置由l个聚类中心组成，维度与样本向量维度m相同，即每个粒子位置均是l*m维向量，计算各粒子适应度。(2)比较各粒子的适应度，把当前适应度看做个体极值pi，根据个体极值pi找到全局极值gi，若粒子适应度值更好则更新pi和gi。(3)根据pi和gi的值更新粒子的速度和位置。(4)根据粒子位置的编码，对各样本按照最小距离原则进行分类，并计算聚类中心，更新粒子适应度值。(5)判断前后聚类中心是否相同或达到最大迭代次数，如果是，则结束，否则转步骤(2)。通过上述过程获得l个簇，簇中心的值p＝[p1,p2,...,pl]。l个聚类中心的值p＝[p1,p2,...,pl]，每个聚类中心均是一个m维向量pi＝[pi1,pi2,...,pim]，聚类中心对应权值为qj，定义以输入xk为中心，r为半径的超闭球，假设有l个节点在超闭球内被激活，基函数的高斯基函数如式(3)所示。其中高斯基函数参数σ由式(4)确定，pi,pj为欧式距离最近的两个节点，δ为重叠区系数，一般取为1.2，经过计算依次得到不同网络节点对应的σi，记为σ＝[σ1,σ2......σl]。步骤6：通过权值训练算法对节点的权值进行更新，得到模型的建筑负荷预测值。其中，权值训练算法采用改进的c-l算法。计算公式如式(6)：式中：α,β为常数，ek-1为估计误差，当0＜α＜2,β>0时，算法收敛，对于不同样本，只需局部调整权系数即可。步骤7：评价所述改进ihcmac神经网络模型。通过实测数据与模型的输出结果进行对比，评价模型预测误差。实施例二本实施例的目的是提供一种计算装置。基于以上目的，本实施例提供了一种基于基于改进ihcmac神经网络的建筑负荷预测装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现以下步骤：接收对建筑物的实际运行情况进行模拟仿真获取的建筑冷/热负荷数据及其影响因素数据；根据影响因素和建筑冷/热负荷的相关程度确定模型的输入变量；根据粒子群-k均值聚类算法对输入变量进行聚类，得到l个聚类中心的值即模型节点值，并对每个节点定义高斯核函数；通过权值训练算法对节点的权值进行更新，得到模型的建筑负荷预测值。实施例三本实施例的目的是提供一种计算机可读存储介质。基于以上目的，本实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时执行以下步骤：接收对建筑物的实际运行情况进行模拟仿真获取的建筑冷/热负荷数据及其影响因素数据；根据影响因素和建筑冷/热负荷的相关程度确定模型的输入变量；根据粒子群-k均值聚类算法对输入变量进行聚类，得到l个聚类中心的值即模型节点值，并对每个节点定义高斯核函数；通过权值训练算法对节点的权值进行更新，得到模型的建筑负荷预测值。以上实施例二和三均是基于方法实施例一得到的，其中涉及的各步骤与方法实施例一相对应，具体实施方式可参见实施例一的相关说明部分。术语“计算机可读存储介质”应该理解为包括一个或多个指令集的单个介质或多个介质；还应当被理解为包括任何介质，所述任何介质能够存储、编码或承载用于由处理器执行的指令集并使处理器执行本发明中的任一方法。实验结果本实验借助trnsys模拟仿真软件，设仿真步长为1h,模拟该建筑一年的负荷运行数据，从中随机选取500组实验数据作为学习数据，另随机选取500组实验数据作为测试数据，以均方根误差rmse作为训练模型的评价指标，泛化误差gmse作为测试模型的评价指标。根据上述介绍，选取相同的样本数据，并设置相同实验参数，以matlabr2014a为实验平台，分别采用ihcmac神经网络模型、khcmac神经网络模型及本文建立的ikhcmac神经网络模型进行仿真实验对比，结果如图8所示，可以发现ikhcmac模型的预测值较另外两种模型相比更趋近于实际值，说明本文建立的模型较另两种模型预测精度更高。表3列出了各模型的性能评价参数，可见，本文建立的ikhcmac神经网络模型较ihcmac神经网络模型及khcmac神经网络模型相比，收敛速度更快，预测精度更高。表3模型性能参数预测模型迭代次数训练误差泛化误差ihcmac290.510.30khcmac200.420.22改进的khcmac70.290.02本发明采用基于改进的k均值聚类的ihcmac神经网络预测方法，建立建筑负荷预测模型。实验证明，该算法与经典ihcmac神经网络方法及基于k均值聚类的hcmac神经网络方法相比，收敛速度快，学习精度高，泛化能力强。此外，该模型的普适性较强，不受建筑类型的约束和建筑本体的影响，为建筑系统的节能优化控制及建筑负荷的研究提供了一种新方案。本领域技术人员应该明白，上述本发明的各模块或各步骤可以用通用的计算机装置来实现，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。本发明不限制于任何特定的硬件和软件的结合。上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。当前第1页12