论文部分内容阅读
面对公共建筑能耗增长迅速且能源使用不合理的现状,实现快速、准确的建筑能耗预测有助于管理者及时发现能耗异常,进一步制定经济合理的节能措施。近年来,神经网络法常被研究者广泛的应用于构建建筑能耗预测模型中。论文针对径向基函数(Radical Basis Function,RBF)神经网络的不足之处进行改进,建立新的预测模型,并应用于办公建筑电力能耗预测。论文的主要研究内容如下:(1)针对常用于确定RBF神经网络中心的kmeans算法具有主观不确定性的缺点,提出用近邻传播聚类算法(Affinity Propagation,AP)得到高质量聚类中心作为隐层基函数的中心矢量,用梯度下降法优化RBF神经网络参数的方法,形成AP-RBF神经网络算法,并用改进的神经网络进行办公建筑电力负荷预测,结果表明,相较于BP神经网络和k-means RBF神经网络模型,该方法大幅提高了模型的稳定性。(2)为了进一步提高预测模型的有效性,提出用粒子群算法(Particle Swarm Optimization,PSO)作为学习算法优化RBF神经网络节点中心、宽度和连接权值的方法,分别构建基于基本粒子群算法(LDIWPSO)、惯性权重递增策略粒子群算法(LIIWPSO)以及固定权重策略粒子群算法(FWPSO)的RBF神经网络预测模型,算例实验结果表明,LDIWPSO-RBF模型相较于LIIWPSO-RBF、FWPSO-RBF和kmeans RBF神经网络模型,其稳定性和预测精度得到进一步提高。(3)针对粒子群算法在学习训练过程中可能会陷入局部极值的情况,将粒子的适应度值引入惯性权重公式,通过比较个体与总体平均水平间的差异,自适应动态调整粒子的步长,使其跳出局部最优;同时针对上述基于粒子群算法改进的RBF神经网络中粒子维数复杂程度过高的不足,提出引入AP聚类算法确定网络节点中心个数和位置的方法,形成APFPSO混合算法,并利用测试函数验证改进算法的先进性,构建基于混合算法的RBF神经网络预测模型;最后对办公建筑未来30天的电力负荷值进行预测,结果表明,论文提出的APFPSO-RBF神经网络模型预测准确率达到92%以上,能克服RBF神经网络和PSO算法的缺点。