一種基于粒子群神經(jīng)網(wǎng)絡的辦公建筑負荷預測方法
【專利摘要】本發(fā)明公開了一種基于粒子群神經(jīng)網(wǎng)絡的辦公建筑負荷預測方法，包含以下步驟：確立辦公建筑負荷預測神經(jīng)網(wǎng)絡模型的輸入特征變量和輸出目標向量；初始化粒子群解集；計算每個粒子的適應度值；更新粒子的局部最優(yōu)位置和全局最優(yōu)位置；更新微粒的速度和位置；判斷結束條件；如果滿足結束條件，則輸出當前最優(yōu)位置；賦值神經(jīng)網(wǎng)絡并進行神經(jīng)網(wǎng)絡模擬，預測辦公建筑負荷。通過基于神經(jīng)網(wǎng)絡的辦公建筑負荷預測方法，綜合考慮了影響辦公建筑負荷波動變化的所有內擾與外擾因素。同時針對辦公建筑特殊的周期性用電特性，將其周期性負荷變化一并考慮進去，利用人工神經(jīng)網(wǎng)絡模擬，實現(xiàn)辦公建筑的高精度負荷預測，具有負荷預測精度高、簡單易實現(xiàn)的有益效果。
【專利說明】一種基于粒子群神經(jīng)網(wǎng)絡的辦公建筑負荷預測方法

【技術領域】
[0001] 本發(fā)明涉及一種負荷預測方法，具體說涉及一種基于粒子群神經(jīng)網(wǎng)絡的辦公建筑 負荷預測方法。

【背景技術】
[0002] 在電網(wǎng)供需失衡、局部地區(qū)出現(xiàn)電源節(jié)點故障以及輸電阻塞的情況下，電力調度 部門的調度壓力增大，無法維持電網(wǎng)側的供需平衡。另一方面，目前的智能電網(wǎng)在區(qū)域發(fā) 展中面臨嚴重問題，造成了區(qū)域最大負荷與設備利用率之間的矛盾，而這種矛盾是由于地 方局部負荷發(fā)展過快與整體負荷水平偏低造成的，之前為了緩解矛盾都是整條線的拉線限 電，對用戶側用電產(chǎn)生了很大影響。更重要的是，目前的辦公建筑用戶用電效率和設備利用 率低下、用電峰谷差逐漸拉大，辦公建筑用戶對電網(wǎng)企業(yè)有越來越高的用電需求以及服務 需求。在這種現(xiàn)狀下，用戶側的自動需求響應成為智能電網(wǎng)發(fā)展的必然趨勢，而作為其關鍵 技術之一的高精度負荷預測算法也成為重中之重。由于需求響應的實時動態(tài)響應機制，造 成負荷控制策略對負荷預測的波動影響，高精度的負荷預測算法可為下一步預判斷需求響 應控制策略提供決策依據(jù)。
[0003] 為了實現(xiàn)辦公建筑的高精度負荷預測，目前廣大學者對其負荷預測技術做了深入 的研究。主要技術方案是，通過分析參考建筑節(jié)能設計標準規(guī)范及大量文獻的基礎上，建立 一個符合本地區(qū)能耗水平的典型辦公建筑分析模型。以該建筑模型為載體，根據(jù)建筑負荷、 空調系統(tǒng)及制冷設備三個模塊分別對建筑能耗影響因素進行分析匯總，然后對顯著性能耗 影響因子安排模擬試驗，對試驗數(shù)據(jù)進行回歸分析，從而建立建筑的能耗方程，對其負荷進 行預測。還有部分學者利用建筑的歷史能耗，通過時間序列的指數(shù)平滑法來對下一時刻的 負荷進行預測，均取得了較高的預測精度。
[0004] 上述負荷預測方法之一主要是利用能耗模擬軟件，建立符合能耗水平的建筑分析 模型和能耗方程，然后對建筑負荷進行預測。該方法涉及到非常復雜的建筑能耗分析，而且 設計到相關的能耗模擬軟件，目前只有很少一部分的建筑師才能掌握。對于一般的技術人 員，該方法異常復雜，不容易實現(xiàn)。而對于時間序列預測法，盡管實現(xiàn)過程相對簡單，但是由 于只考慮了建筑的歷史負荷數(shù)據(jù)影響因素，其它重要影響因素像室外平均溫度、室外平均 濕度、人員變動等均沒有考慮，造成了負荷預測精度達不到高精度負荷預測算法的標準。


【發(fā)明內容】

[0005] 本發(fā)明所要解決的技術問題是克服現(xiàn)有技術的缺陷，提供一種基于粒子群神經(jīng)網(wǎng) 絡的辦公建筑負荷預測方法，負荷預測精度高，簡單易實現(xiàn)。
[0006] 為了實現(xiàn)辦公建筑負荷的高精度預測，本發(fā)明提出一種基于粒子群神經(jīng)網(wǎng)絡的辦 公建筑負荷預測方法，主要包含以下步驟：
[0007] 步驟1 :確立辦公建筑負荷預測神經(jīng)網(wǎng)絡模型的輸入特征變量和輸出目標向量。 其中，神經(jīng)網(wǎng)絡模型的輸入特征變量包括：T-I時刻的負荷值，T-2時刻的負荷值，T-3時刻 的負荷值，T-24時刻的負荷值，周變量，室外平均溫度，室外平均濕度，空調主機1開啟狀 態(tài)，空調主機2開啟狀態(tài)，空調主機3開啟狀態(tài)，冷凍水溫度；輸出目標向量為T時刻的負荷 預測值。
[0008] 步驟2 :初始化粒子群解集Xi = (au, a2i, bn, b2i, Ci)，其中au和bn分別代表神經(jīng) 網(wǎng)絡輸入層與隱含層間的權值和閾值，a2i和b2i分別代表神經(jīng)網(wǎng)絡隱含層與輸出層間的權 值和閾值，Ci代表神經(jīng)網(wǎng)絡隱含層的個數(shù)，對其分別進行初始化。
[0009] 步驟3 :計算每個粒子的適應度值，即當前微粒下的目標函數(shù)值f(x)。
[0010] 步驟4 :更新粒子的局部最優(yōu)位置Pi (t)和全局最優(yōu)位置pg (t)。
[0011] 步驟5 :更新微粒的速度Vij(t+1)和位置Xij(t+1)。參照如下公式：
[0012] Vij (t+1) = w ? Vij (t)+^rlj (t) (piJ(t)-xiJ(t))+d2r2J(t) (pgJ (t)-Xij (t))
[0013] Xij (t+1) = Xij (t)+Vij (t+1)
[0014] 其中，《為慣性權重,(I1和d2為加速常數(shù)和r 2j(t)為兩個相互獨立的介于 〇和1之間的隨機數(shù)，t指第t代，vu(t)和xu(t)分別代表第t代的速度和位置，v u(t+l) 和Xij(t+1)分別代表第t+1代的速度和位置。
[0015] 步驟6:判斷結束條件。
[0016] 如果尚未滿足結束條件，則返回步驟3 ;如果滿足結束條件，則輸出當前最優(yōu)位置 Pg⑴。
[0017] 步驟7 :賦值神經(jīng)網(wǎng)絡并進行神經(jīng)網(wǎng)絡模擬，預測辦公建筑負荷。
[0018] 由于辦公建筑具有典型的負荷周期性，每日及每周同日間負荷曲線呈周期性的變 化規(guī)律，室外氣象參數(shù)和室內人員變動與設備啟停是引起辦公建筑負荷波動的主要原因。 本發(fā)明綜合考慮了影響辦公建筑負荷變化的主要影響因素及負荷的周期性，預測模型建立 后只需要輸入特征變量即可實現(xiàn)建筑負荷的高精度預測，方法簡便，易實現(xiàn)。
[0019] 本發(fā)明所達到的有益效果：
[0020] 通過基于神經(jīng)網(wǎng)絡的辦公建筑負荷預測方法，綜合考慮了影響辦公建筑負荷波動 變化的所有內擾與外擾因素，即室外氣象參數(shù)、室內人員變動以及設備啟停因素。同時針對 辦公建筑特殊的周期性用電特性，將其周期性負荷變化一并考慮進去，利用人工神經(jīng)網(wǎng)絡 模擬，實現(xiàn)辦公建筑的高精度負荷預測，具有負荷預測精度高、簡單易實現(xiàn)的有益效果。

【專利附圖】

【附圖說明】
[0021] 圖1為基于粒子群神經(jīng)網(wǎng)絡的辦公建筑負荷預測算法流程圖
[0022] 圖2為訓練結束后的最優(yōu)辦公建筑負荷預測神經(jīng)網(wǎng)絡模型。

【具體實施方式】
[0023] 下面結合附圖對本發(fā)明作進一步描述。以下實施例僅用于更加清楚地說明本發(fā)明 的技術方案，而不能以此來限制本發(fā)明的保護范圍。
[0024] 本發(fā)明的方案流程圖如圖1所示，它主要包括以下七個步驟，具體實施如下：
[0025] 步驟1 :確定輸入特征變量和輸出目標向量
[0026] 該實施例為北京市某一辦公建筑。一般而言，建筑負荷是由建筑外擾和內擾引起， 室外氣象參數(shù)和室內人員變動與設備啟停是引起建筑物負荷波動的主要原因。對于辦公建 筑來說，人員變動較為規(guī)律，建筑負荷也往往呈現(xiàn)出周期性的變化規(guī)律，每日及每周同日間 負荷曲線具有相似性。
[0027] 本發(fā)明中用一個三層的BP神經(jīng)網(wǎng)絡來模擬該辦公建筑的負荷預測，把它看成一 個高度非線性系統(tǒng)。模型結構的確定首先是要確定輸入特征變量和輸出目標向量。發(fā)明 中輸入特征變量選擇歷史負荷中的T-I時刻的負荷值，T-2時刻的負荷值，T-3時刻的負荷 值，T-24時刻的負荷值；室外氣象參數(shù)中的室外平均溫度，室外平均濕度；設備啟停因素中 的空調主機1開啟狀態(tài)，空調主機2開啟狀態(tài)，空調主機3開啟狀態(tài)，冷凍水溫度；考慮到辦 公建筑獨特的負荷周期性，輸入特征變量還應該加入一個反映負荷周期變化的參數(shù)，稱之 為周變量（該變量取值為1到7的整數(shù)，代表周一到周日）。
[0028] 本發(fā)明負荷預測模型的目標向量是辦公建筑T時刻的負荷，所以模型的輸出目標 向量選定為T時刻的負荷預測值。
[0029] 綜上，本發(fā)明中神經(jīng)網(wǎng)絡預測模型的輸入層采用11個神經(jīng)網(wǎng)絡單元，輸入特征變 量為：T-I時刻的負荷值，T-2時刻的負荷值，T-3時刻的負荷值，T-24時刻的負荷值，周變 量，室外平均溫度，室外平均濕度，空調主機1開啟狀態(tài)，空調主機2開啟狀態(tài)，空調主機3 開啟狀態(tài)，冷凍水溫度；輸出層采用1個神經(jīng)網(wǎng)絡單元，輸出目標向量為T時刻的負荷預測 值。收集該建筑200個輸入特征變量和輸出目標向量的樣本值，作為下一步神經(jīng)網(wǎng)絡模擬 的樣本數(shù)據(jù)。
[0030] 步驟2 :初始化粒子群解集。
[0031] 設置粒子群解集Xi = (an, a2i, bu，b2i, Ci)，其中au和bn分別代表神經(jīng)網(wǎng)絡輸入 層與隱含層間的權值和閾值，a2i和b2i分別代表神經(jīng)網(wǎng)絡隱含層與輸出層間的權值和閾值， Ci代表神經(jīng)網(wǎng)絡隱含層的個數(shù)。由步驟1得知，神經(jīng)網(wǎng)絡的輸入層個數(shù)為11，輸出層個數(shù) 為1，所以，B1為CiX 11階矩陣，a2為IXci階矩陣，Id1為CiX 1階矩陣，b2為IX 1階矩陣。
[0032] 設定粒子群規(guī)模為s，進化最大迭代數(shù)為，對每個粒子Xi進行位置和速度的初 始化。對任意的i, j (j = 1，2,…，4)，均在范圍[0, 1]之間服從均勻分布產(chǎn)生Xij和Vij ;對 任意的i，j (j = 5)，即粒子群解集的第5維元素代表神經(jīng)網(wǎng)絡隱含層的個數(shù)，由于根據(jù)隱含

【權利要求】
1. 一種基于粒子群神經(jīng)網(wǎng)絡的辦公建筑負荷預測方法，其特征是，包含以下步驟： 步驟1:確立辦公建筑負荷預測神經(jīng)網(wǎng)絡模型的輸入特征變量和輸出目標向量； 步驟2 :初始化粒子群解集Xi = (an，a2i，bn，b2i，Ci)，其中a n和bn分別代表神經(jīng)網(wǎng)絡 輸入層與隱含層間的權值和閾值，a2i和b2i分別代表神經(jīng)網(wǎng)絡隱含層與輸出層間的權值和 閾值，Ci代表神經(jīng)網(wǎng)絡隱含層的個數(shù)，對其分別進行初始化； 步驟3 :計算每個粒子的適應度值，即當前微粒下的目標函數(shù)值f(x); 步驟4:更新粒子的局部最優(yōu)位置Pi (t)和全局最優(yōu)位置pg (t); 步驟5 :更新微粒的速度Vij(t+1)和位置Xij(t+1); 步驟6 :判斷結束條件； 如果尚未滿足結束條件，則返回步驟3 ;如果滿足結束條件，則輸出當前最優(yōu)位置 Pg⑴； 步驟7 :賦值神經(jīng)網(wǎng)絡并進行神經(jīng)網(wǎng)絡模擬，預測辦公建筑負荷。
2. 根據(jù)權利要求1所述的基于粒子群神經(jīng)網(wǎng)絡的辦公建筑負荷預測方法，其特征是， 步驟1中，神經(jīng)網(wǎng)絡模型的輸入特征變量包括：T-I時刻的負荷值，T-2時刻的負荷值，T-3 時刻的負荷值，T-24時刻的負荷值，周變量，室外平均溫度，室外平均濕度，空調主機1開啟 狀態(tài)，空調主機2開啟狀態(tài)，空調主機3開啟狀態(tài)，冷凍水溫度； 輸出目標向量為T時刻的負荷預測值。
3. 根據(jù)權利要求1所述的基于粒子群神經(jīng)網(wǎng)絡的辦公建筑負荷預測方法，其特征是， 步驟3中，粒子群的每個解集Xi (t)，t = (1，2, 3,…，t_)都對應著神經(jīng)網(wǎng)絡的一組權值、 閾值和隱含層個數(shù)，把這些值分別賦給神經(jīng)網(wǎng)絡并進行網(wǎng)絡訓練，通過計算神經(jīng)網(wǎng)絡的訓 練誤差的倒數(shù)來計算粒子的適應度值f Ui (t))。
4. 根據(jù)權利要求1所述的基于粒子群神經(jīng)網(wǎng)絡的辦公建筑負荷預測方法，其特征是， 步驟4中，更新粒子的局部和全局最優(yōu)位置的步驟為： 對于每個粒子，將其適應值與所經(jīng)歷過的局部最優(yōu)位置Pi (t)的適應值進行比較，粒子 的局部最優(yōu)位置更新參照以下公式：
其中，f(Xi(t+l))為粒子第t+1代的適應值，f(Pi(t))為粒子第t代經(jīng)歷過的最好位 置的適應值； 群體中的全局最優(yōu)位置？8(0，為？8(〇￡{?(|(〇，？1(〇，?，？ 3(〇}，并且 f(Pg(t)) 111{卿〇)彳賴），...，晚酬；全局最優(yōu)位置更新公式如下：
5. 根據(jù)權利要求1所述的基于粒子群神經(jīng)網(wǎng)絡的辦公建筑負荷預測方法，其特征是， 步驟5中，更新微粒的速度Vij (t+1)和位置Xij (t+1)的公式如下： Vij (t+1) = W ? Vij (t)+(Ijrlj (t) (piJ(t)-xiJ(t))+d2r2J(t) (pgJ (t)-Xij (t)) Xij (t+1) = Xij (t)+Vij (t+1) 其中，o為慣性權重，(I1和d2為加速常數(shù),(t)和r2j (t)為兩個相互獨立的介于O和 1之間的隨機數(shù)，t指迭代次數(shù)；Vij(t)和Xij(t)分別代表第t代的速度和位置， Vij(t+1)和Xij(t+1)分別代表第t+1代的速度和位置。
6.根據(jù)權利要求1所述的基于粒子群神經(jīng)網(wǎng)絡的辦公建筑負荷預測方法，其特征是， 步驟6中，結束條件為： 如果f(Pg(t))_f(pg(t+l))彡e，或是迭代次數(shù)t>t_，則優(yōu)化結束并輸出當前全局 最優(yōu)解Pg (t)，其中e為最大允許誤差，為最大迭代次數(shù)； 否則返回步驟3。
【文檔編號】G06Q50/06GK104331737SQ201410675567
【公開日】2015年2月4日 申請日期:2014年11月21日 優(yōu)先權日:2014年11月21日
【發(fā)明者】范潔, 顏慶國, 陳霄, 易永仙, 楊斌, 薛溟楓, 閆華光, 石懷德, 許高杰, 周玉, 袁靜偉, 陳飛 申請人:國家電網(wǎng)公司, 江蘇省電力公司, 江蘇省電力公司電力科學研究院, 中國電力科學研究院