一种基于粒子群神经网络的办公建筑负荷预测方法

摘要

本发明公开了一种基于粒子群神经网络的办公建筑负荷预测方法，包含以下步骤：确立办公建筑负荷预测神经网络模型的输入特征变量和输出目标向量；初始化粒子群解集；计算每个粒子的适应度值；更新粒子的局部最优位置和全局最优位置；更新微粒的速度和位置；判断结束条件；如果满足结束条件，则输出当前最优位置；赋值神经网络并进行神经网络模拟，预测办公建筑负荷。通过基于神经网络的办公建筑负荷预测方法，综合考虑了影响办公建筑负荷波动变化的所有内扰与外扰因素。同时针对办公建筑特殊的周期性用电特性，将其周期性负荷变化一并考虑进去，利用人工神经网络模拟，实现办公建筑的高精度负荷预测，具有负荷预测精度高、简单易实现的有益效果。

主权项

一种基于粒子群神经网络的办公建筑负荷预测方法，其特征是，包含以下步骤：步骤1：确立办公建筑负荷预测神经网络模型的输入特征变量和输出目标向量；步骤2：初始化粒子群解集x_i＝(a_1i,a_2i,b_1i,b_2i,c_i)，其中a_1i和b_1i分别代表神经网络输入层与隐含层间的权值和阈值，a_2i和b_2i分别代表神经网络隐含层与输出层间的权值和阈值，c_i代表神经网络隐含层的个数，对其分别进行初始化；步骤3：计算每个粒子的适应度值，即当前微粒下的目标函数值f(x)；步骤4：更新粒子的局部最优位置p_i(t)和全局最优位置p_g(t)；步骤5：更新微粒的速度v_ij(t+1)和位置x_ij(t+1)；步骤6：判断结束条件；如果尚未满足结束条件，则返回步骤3；如果满足结束条件，则输出当前最优位置p_g(t)；步骤7：赋值神经网络并进行神经网络模拟，预测办公建筑负荷。