一种基于PSO-BP与Markov链相结合的空调冷负荷动态预测方法与流程

本发明属于空调负荷预测领域，特别涉及一种基于PSO-BP与Markov链相结合的空调冷负荷动态预测方法。

背景技术：

目前空调能耗在商场建筑能耗中的占比越来越大，其巨大的用电量加剧了电网的压力，有研究者采用冰蓄冷空调解决这一问题。冰蓄冷空调的运行，需要合理匹配电价的波峰波谷时间内冷机和冰槽应提供的冷量，首先对次日建筑物内各个时刻的冷负荷量进行预测，然后根据预测结果来进行冷量的划分。因此冷负荷的动态预测是冰蓄冷空调的核心内容。

传统的空调冷负荷预测采用的主要是支持向量机、统计回归和神经网络等，存在由于输入数据与输出数据存在匹配度低，以及组合模型存在过程误差，导致预测结果达不到理想需求。

技术实现要素：

本发明的目的在于提供一种基于PSO-BP与Markov链相结合的空调冷负荷动态预测方法，以解决上述问题。

为实现上述目的，本发明采用以下技术方案：

一种基于PSO-BP与Markov链相结合的空调冷负荷动态预测方法，包括以下步骤：

步骤1，对空调用能数据进行分类；

步骤2，对空调冷负荷的T时刻室外温度、T-1时刻室外温度、T时刻太阳辐射量、T-1时刻太阳辐射量、T-2时刻太阳辐射量、T时刻相对湿度、T时刻室外风速、T-1时刻冷负荷、T-2时刻冷负荷、T-4时刻冷负荷等10个输入变量和输出变量T时刻冷负荷进行关联度分析；

步骤3，利用PSO-BP神经网络进行负荷预测；

步骤4，利用PSO-BP神经网络的预测结果划分误差区间，构建Markov概率转移矩阵；

步骤5，进行Markov链误差修正，得到最终的预测值。

进一步的，步骤1中的数据分类为根据商场建筑的用能特征进行划分，周末对空调的负荷需求远大于周内的需求，将用能数据划分为周内数据和周末数据。

进一步的，步骤2中对输入输出变量利用JMP数据分析软件进行关联度分析并且剔除低关联度的输入变量。

进一步的，步骤3中的负荷预测，经过关联度分析后得到T时刻室外温度、T-1时刻室外温度、T时刻太阳辐射量、T-1时刻太阳辐射量、T-2时刻太阳辐射量、T时刻相对湿度、T时刻室外风速、T-1时刻冷负荷、T-2时刻冷负荷和T-24时刻冷负荷作为PSO-BP神经网络的输入，输出为一天相应时刻的负荷预测值。

进一步的，步骤5中误差修正为利用划分好的误差区间和Markov概率转移矩阵阵得出特征值和特征向量，根据特征值和特征向量得到修正后的结果。

与现有技术相比，本发明有以下技术效果：

目前针对建筑冷负荷预测，多数研究者采用用的是数据驱动的方法，主要包括支持向量机(Support Vector Machine，SVM)、统计回归、决策树、遗传算法、神经网络算法。SVM是一种常用的人工智能方，具有将非线性关系转化的处理能力，但是其处理数据耗时太久。统计回归是一种简单易行的预测方法，但是其预测能力低于SVM，且统计回归方法的预测器难以选择。决策树法是一种使用树状图将数据分为组的技术，易于理解，但是其预测结果经常会与实际结果有很大的偏差，且不能很好的处理时间序列和非线性数据。遗传算法是处理复杂模型问题的强大的优化处理算法，当输入数据量大且复杂时，该算法可以根据客观函数或主观判断得到合适的解，但是其存在非唯一结果和计算时间大的问题。神经网络作为一种预测算法广泛应用于各个领域，其中BP(Back Propagation)神经网络以其强大的非线性映射、自学习、泛化、容错能力得到的广泛应用，但是其也存在局部极小化和收敛速度慢的问题。有研究者采用粒子群算法PSO(Particle Swarm Optimization)对BP神经网络进行初始阈值和权值的优化，提高了BP神收敛速度和精度。但是由于输入数据与输出数据存在匹配度低，以及组合模型存在过程误差，导致预测结果达不到理想需求。

本发明在人工神经网络的基础上，加入JMP数据分析软件和Markov链，利用JMP数据分析软件对输入数据进行关联度分析可以对神经网络进行改进，利用关联度分析能够剔除与输出变量耦合度低的输入变量的特点弥补由于输入输出变量相关度低导致神经网络训练速度慢和预测精度低的弱点，提高其预测准确度，因此可将其应用于建筑冷负荷的动态预测，考虑到组合模型预测结果部分还会存在一些相对误差，因此采用Markov链对预测结果作进一步修正来提高精度。

本发明基于PSO-BP神经网络与Markov链相结合的商城空调冷负荷动态预测方法对商场用能特征进行了分析，不仅对周内和周末的用能情况进行区分，还对与冷负荷相关的变量进行了关联度分析，选择关联度高的变量作为模型的输入变量，并且对组合模型进行了误差修正，降低冗余度和特征模型的复杂度，提高算法的运算效率。经实验验证，在实际的应用中能够及时并且准确的反应商场建筑的用能情况，对商场建筑冷负荷的预测起到了积极作用。

附图说明

图1为本发明所述方法的流程框图。

图2为本发明实例中所述商场周内和周末用能负荷图。

图3为本发名所述模型的拟合效果。

具体实施方式

以下结合附图对本发明进一步说明：

请参阅图1至图3，一种基于PSO-BP与Markov链相结合的空调冷负荷动态预测方法，其特征在于，包括以下步骤：

步骤1，对空调用能数据进行分类；

步骤2，对空调冷负荷的T时刻室外温度、T-1时刻室外温度、T时刻太阳辐射量、T-1时刻太阳辐射量、T-2时刻太阳辐射量、T时刻相对湿度、T时刻室外风速、T-1时刻冷负荷、T-2时刻冷负荷、T-4时刻冷负荷等10个输入变量和输出变量T时刻冷负荷进行关联度分析；

步骤3，利用PSO-BP神经网络进行负荷预测；

步骤4，利用PSO-BP神经网络的预测结果划分误差区间，构建Markov概率转移矩阵；

步骤5，进行Markov链误差修正，得到最终的预测值。

步骤1中的数据分类为根据商场建筑的用能特征进行划分，周末对空调的负荷需求远大于周内的需求，将用能数据划分为周内数据和周末数据。

步骤2中对输入输出变量利用JMP数据分析软件进行关联度分析并且剔除低关联度的输入变量。

步骤3中的负荷预测，经过关联度分析后得到T时刻室外温度、T-1时刻室外温度、T时刻太阳辐射量、T-1时刻太阳辐射量、T-2时刻太阳辐射量、T时刻相对湿度、T时刻室外风速、T-1时刻冷负荷、T-2时刻冷负荷和T-24时刻冷负荷作为PSO-BP神经网络的输入，输出为一天相应时刻的负荷预测值。

步骤5中误差修正为利用划分好的误差区间和Markov概率转移矩阵阵得出特征值和特征向量，根据特征值和特征向量得到修正后的结果。

本发明一种基于PSO-BP与Markov链相结合的空调冷负荷动态预测方法，如图1所示，其包括如下步骤：

步骤1，对数据进行分类；

从图2中可以发现，商场建筑周内和周末的用能情况有所区别，周末用能远远大于周内用能。因此，区分周内和周末的用能数据比较符合实际情况。

步骤2，对输入变量进行关联度分析；

由于输入变量种类较多，且并不是所有的输入变量都与输出变量有较高的关联度，而那些低关联度的输入变量不仅会增加模型的复杂度，导致模型运行速度降低，还会使模型的预测精度变低，因此筛选出高关联度的变量作为输入。

空调冷负荷预测常用的输入数据有T时刻室外温度、T-1时刻室外温度、T时刻太阳辐射量、T-1时刻太阳辐射量、T-2时刻太阳辐射量、T时刻相对湿度、T时刻室外风速、T-1时刻冷负荷、T-2时刻冷负荷、T-24时刻冷负荷，以T时刻冷负荷作为输出。

考虑到上述数据中存在部分输入数据与输出数据关联度较低，对其进行关联度分析，并通过Pearson相关性显著性进行检验，其中[0,0.3]认定为相关性较弱，[0.3,0.5]认为相关性中等，[0.5,0.7]认为相关性较强，[0.7,1.0]认为相关性很强。关联度分析后的结果如表1所示。

表1各输入参数与T时刻冷负荷的关联度

根据表1分析所得结果，结合Pearson相关性显著性进行检验，可以剔除T-2时刻太阳辐射量、T时刻室外风速、T-4时刻冷负荷三个输入变量。

步骤3，利用PSO-BP神经网络进行负荷预测；

经过步骤1和步骤2，将数据分为了周内用能数据以及周末用能数据，并且提出了与输出变量关联度低的输入变量，因此可以PSO-BP神经网络的输入变量为T时刻室外温度、T-1时刻室外温度、T时刻太阳辐射量、T-1时刻太阳辐射量、T时刻相对湿度、T-1时刻冷负荷、T-2时刻冷负荷，模型的输入变量为T时刻冷负荷，因此该神经网络模型为7-15-1。

步骤4，利用PSO-BP神经网络的预测结果划分误差区间，构建Markov概率转移矩阵；

利用均值-方差法对预测结果进行划分误差区间，然后根据划分好的区间，对误差进行分类，根据分类结果构建Markov概率转移矩阵，确定出初始向量所处的状态来的出预测时间段所处的状态。

步骤5，进行Markov链误差修正，得到最终的预测值；

根据步骤4确定的误差区间来确定各时间段的状态向量，根据状态转移向量和概率转移矩阵来解出经Markov链修正后的PSO-BP神经网络预测模型的预测值。

本发明最后通过采集西安市赛格国际购物中心的六月和七月的真实数据进行实验验证，表明该模型在实际的应用中能够准确的预测到商场冷负荷的变化情况，对节能减排起到了非常大的积极作用。

采用的训练数据样本数为商场的六月和七月六十天中前五十天每天早八点至晚上十点的输入变量，测试样本采用的是七月份的26、27、28、29四天的数据作。最终的评价指标为预测值和实际值的均方差。均方差相对于平均误差来说可以侦测出线性趋势之外更多的没有被模型描述的数据模式，如周期性等，对于本文的问题预测商场空调冷负荷，本身也存在一定的周期性，比如夏季随着天气渐暖，空调的使用率升高，空调的冷负荷会随之增大，当过了最热的时间，负荷会慢慢恢复到较低水平。

使用训练后的PSO-BP和Markov链相结合的模型在测试数据集上进行分析，测试数据的拟合效果如图3所示，横坐标为采样点，纵坐标为空调冷负荷值，蓝色为真实的电网负荷值，红色为预测的电网负荷值。

本发明所述的一种基于PSO-BP与Markov链相结合的空调冷负荷动态预测方法，预测出的具体的负荷值与真实的值有差距，但是预测值曲线a的整体升高和降低的变化趋势已经能够很精确的对真实负荷曲线b进行反映。

其与未处理的模型对比结果如表2所示，其中模型1为未区分周内和周末数据进行预测，模型2为区分周内周末数据但是未剔除关联度低的输入数据进行的预测，模型3为既区分了周内周末数据也剔除了关联度低的输入数据后进行的预测，模型4为经过处理和误差修正后进行的预测。

表3预测模型均方根误差

以上显示和描述了本发明的基本原理、主要特征及优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。