基于递归bp网络的空调负荷预测.docxVIP

基于递归bp网络的空调负荷预测 0 空调系统预测方法的应用 在许多科学研究领域，如经济、人口、建筑和能源，有许多预测方法，如回归预测、时间序列预测、模糊预测、灰色预测、遗传预测、神经网络预测等。 在空调系统的设计与运行中,预测技术也逐渐得到了更多的关注和应用,比如应用在预测空调负荷、空调系统故障等方面。目前在空调领域中应用较多的预测方法有时间序列预测和回归预测。然而,这些方法就预测精度、自适应性及使用方便性等方面常不能令人满意,譬如,建立时间序列模型要求研究对象是平稳的。对于一个复杂的问题,在应用这些传统方法进行具体预测时,往往要对预测对象作不同程度的简化,而这种简化又很难把握,常常导致预测结果精度不高。近年来,一些研究人员引入了模糊与人工神经网络等预测方法,这些方法的引入给这个领域带来了新的活力。本文就神经网络在空调负荷预测方面的应用作一些研究性探讨,提出一种比较方便准确的负荷预测方法。 1 小波变换离散算法 空调负荷受时间、系统类型与划分、气象条件等多种因素的影响,具有一定的周期变化规律,同时也具有非平稳性及随机性等特性。小波分析在数据分析与处理方面有较大优势,它是一种时频窗口面积大小固定不变、时间窗和频率窗都可改变的时频局部化分析方法。通过对空调负荷数据序列进行小波变换,将其映射到时频域上,对这些时频域就频域进行小波逆变换可得到空调负荷的各频域分量。对这些分量进行分析,能更好地研究空调负荷的变化规律。 选取母小波ψ(t)(t为时间变量), 经伸缩和平移后, 可得到一个小波序列ψj,k(t)。在计算机和实际运用中, 通常采用离散小波序列, 可由下式得到: ψj,k(t)=A-j20ψ(t-kAj0B0Aj0)=A-j20ψ(A-j0t-kB0)(1) 式中Aj0为尺度因子,kAj0B0为平移因子。当A0=2,B0=1时,式(1)化为二进小波序列。 设φ(t)为母小波ψ(t)对应的尺度函数,则其二进函数序列φj,k(t)为 φj,k(t)=2-j2φ(2-j2t-k)(2) 这里采用小波变换离散算法中的Mallat金字塔算法,其分解与合成算法如下: Mallat分解 Cj+1,k=∑mˉhm-2kCj,kDj+1,k=∑mˉgm-2kDj,k}(3) Mallat合成 Cj,k=∑nhm-2nCj+1,n+∑ngm-2nDj+1,n(4) 式(3),(4)中C为尺度变换系数;D为小波变换系数;hk=∫Rφ(t)ˉφ1,k(t)dt,gk=∫Rψ(t)ˉφ1,k(t)dt?R为实数域;符号上加“-”表示该函数的复共轭,j,k,m,n=0,±1,±2,…。 对于空调负荷数据序列{f(t);t=0,±1,±2,…},按小波变换可展开如下: f(t)=∑kC0,kφ0,k(t)=∑kC1,kφ1,k(t)+∑kD1,kψ1,k(t)=∑kCj,kφj,k(t)+∑kDj,kψj,k(t)+∑kDj-1,kψj-1,k(t)+?+∑kD1,kψ1,k(t)(5) 式中∑kCj,kφj,k(t)为空调负荷数据序列的低频分量,以aj表示;∑kDj,kψj,k(t)为空调负荷数据序列的高频分量,以dj表示。 在空调负荷数据序列作N步金字塔分解后,可得到低频系列aN及高频系列d1,d2,…,dN,分解过程如图1所示,具体的依赖关系为 f(t)=d1+d2+?+dΝ+aΝ(6) 对空调负荷数据序列进行的小波分解结果会因选取的小波母函数不同而不同,且所得各频域分量也会存在程度不同的频域混叠现象,这是由小波变换特性决定的。频域混叠越严重,各频域分量的变化规律就越不明显。因此,在选取小波母函数时应排除造成频域混叠现象严重的小波母函数。 2 递归bp网络算法 空调负荷的影响因素是多方面的,且从影响因素到空调负荷的映射关系是非线性的。因此,空调负荷小波分解所得到的各频域分量也是一个非平稳的动态变化序列。由于神经网络在非线性问题处理方面具有很强的优越性,能够自行学习研究对象的变化规律,从而无限逼近对象的各个状态,因此本文采用递归BP网络(RBPN)对空调负荷的每个小波变换频域分量分别建模。 递归BP网络是一种动态网络,网络在某一时间步的输出全部或部分地反馈作为该网络在下一时间步的输入,而网络内部仍是多层前馈网络。 本文中,递归BP网络反馈连结的权值均固定取1,其余前馈权值、阈值采用带动量项的自适应变步长BP算法进行修改,网络的训练过程如下: a) 初始化,给网络的前馈权值、阈值赋以区间(0,1)上的初始值,反馈权值固定取1; b) 给定训练数据集,即提供输入向量X和期望输出向量Si={si1,si2,…,sip},(i=1,2,…,N),p为输出神经元数,并使输入向量X向前作期望时间步N的递归传播; c) 计算每一时间步的网络输出误差,设网络输出为Yi=