空调动态负荷的ANN预测的研究.pdfVIP

·102· 空调动态负荷的ANN预测研究 总装备部工程设计研究总院王健☆郝军 解放军后勤工程学院刘安田 关键词空调动态负荷预测BP模型主成分分析 本文针对BP模型在空调动态负荷预测中存在的收敛速度慢、泛化能力低等问题，从BP模型结构方面 改进和优化，提出建立最简BP神经网络模型方法。经实验验证，达到了提高学习效率和预测精度的目 的。 典型的空调动态负荷预测BP模型包括一个输入层、一个输出层和一个隐层。影响空调动态负荷的 因素均可以作为输入层的参数，由于气象因素便于测量，对负荷的影响大，一般将这些因素和这些因素的 时间延迟作为BP神经网络模型输入层的输入变量。目前在应用ANN预测空调动态负荷的各种研究中， 由于考虑气象因素的个数和气象因素的时间延迟的长短不同，导致建立起来的模型的输入层输入变量即 单元数不同。如果将各种影响因素都包含进输入变量中，会造成输入变量过多，加重神经网络的训练负 担，增加了陷入局部最小点的可能，非但不能提高预测精度，反而降低了神经网络的性能。因此如何从大 量的影响因素中选择出对期望输出影响最大的一些因素，组成一个有效、足够的输入变量集，就成为了构 造神经网络首先要面对的问题。本文采用数理统计学中的主成分分析(principalcomponentanalysis， PCA)理论来研究输入变量的选取和网络结构的简化问题。主成分分析也称为主分量分析，是利用降维的 思想，把多指标(原始变量)转化为少数几个综合指标(主成分)的多元统计分析方法。影响所研究问题的 变量很多，各变量都在不同程度上反映了所研究问题的某些信息，并且各变量之间存在一定的相关性，致 使所得统计数据在一定程度上反映的信息有重叠。主成分分析法就是解决上述问题的有效方法，该方法 通过对原始变量相关矩阵内部结构关系的研究，找出影响所研究问题的几个综合指标，即主成分，使主成 分为原始变量的线性组合，其中主成分小于原始变量个数。主成分不仅保留了原始变量的主要信息，彼此 之间又不相关，且比原始变量具有某些更优越的性质。 BP网络具有函数逼近功能的主要原因，是由于在网络的输入层和输出层之间增加了一个或多个隐 层，它作为输入模式的“内部表示”，也就是对一类输人模式中所含的有别于其他类别的输入模式的特征进 行抽取，并将该特征传递给输出层，然后再由输出层对输入模式的类别作出最后的判断。隐层对输入模式 进行特征抽取的过程就是输入层与隐层之间进行“自组织化”的过程。这就是隐层在BP网络中所起的作 用，同时可见寻找最优的隐层单元数显得至关重要。确定隐层单元数的较好方法是根据具体问题通过实 验确定，就是通过对不同隐层单元数模拟计算，比较结果，从中选出可以达到最好预测结果的隐层单元数。 本文采用测量自一座无人居住、照明和其他设备都按照作息时刻表自动开启和关闭、完全模拟美国普 遍的居住民宅的能耗情况的建筑物空调动态负荷数据，应用主成分分析法分析得出用前四个主成分代表 原数据(18个指标)表示的差异且有良好收敛性能时的最少隐层单元数，最终得到了最简的网络结构为4 —4—1，即输入层为样本的前四个主成分，隐层含四个单元，输出层为一个空调负荷，应用训练好的空调动 态负荷预测BP模型分别对不同时段的空调负荷进行预测，预测值与真实值的误差一般小于10％，达到了 较好的训练速度和预测精度。 E-mail：simon．97131@163．com