一种基于人工蜂群和神经网络的建筑能耗预测方法

摘要

本发明提出一种基于人工蜂群和神经网络的建筑能耗预测方法。方法中，先利用人工蜂群算法进行神经网络的权值优化，然后利用优化后的神经网络进行建筑能耗的预测。人工蜂群算法是一种模拟蜜蜂群体的寻优算法，算法的控制参数少、易于实现、计算方便，与粒子群、遗传算法等智能计算方法相比，该算法的突出优点是每次迭代过程中都进行全局和局部搜索，大大增加了找到最优解的概率，并在较大程度上避免了局部最优，增强了全局收敛性。因此，采用人工蜂群算法优化神经网络的初始权值，在提高神经网络预测建筑能耗精度的同时，更能够明显改善目前神经网络权值优化问题中存在的不足。

主权项

一种基于人工蜂群和神经网络的建筑能耗预测方法，主要包含以下步骤：第一步：将建筑t时刻之前一段时期的实测负荷和温度作为神经网络的输入样本集，将t时刻的建筑负荷作为神经网络的输出样本集，并确定神经网络的输入变量个数，输出变量个数和隐层神经元个数；第二步：设置人工蜂群的解集为X_i＝(w_1i,w_2i,b_1i,b_2i)，人工蜂群规模为N_s，最大迭代次数为t_max，i＝(1,2,......,N_s)，其中w₁和b₁分别对应神经网络输入层与隐层之间的权值和阈值，w₂和b₂分别对应神经网络隐层与输出层之间的权值和阈值，w_1i,w_2i,b_1i,b_2i分别为w₁,w₂,b₁,b₂在解集X_i中对应的分量，对每个解集进行初始化，得到蜂群X_i(t)，其中t是指第t代，t＝(0,1,……,t_max)的初始解集X_i(0)＝(w_1i(0),w_2i(0),b_1i(0),b_2i(0))(i＝1,2,......,N_s)；第三步：对于每个解集X_i(t)，i＝(1,2,......,N_s)，把w_1i,w_2i,b_1i,b_2i作为神经网络的权值和阈值，并利用所述输入样本集和输出样本集进行神经网络训练，计算解集X_i(t)的适应度值fitness(X_i(t))，适应度值计算公式如下：$\mathrm{fitness}\left(X_i\left(t\right)\right)=1/\left[\underset{j=1}{\overset{k}{\Sigma }}{(y_j-y_j^{\prime })}^2\right]$其中，y_j为神经网络的目标输出值，y′_j为利用X_i(t)作为神经网络的权值和阈值时神经网络的实际输出值，k为神经网络测试样本的个数；第四步：把上述所有解集的适应度值从大到小排列，按照适应度值大小进行引领峰、守望蜂和侦察蜂的划分，并记录蜂群的局部和全局最优值；第五步：引领峰、守望蜂和侦察蜂分别进行邻域搜索产生新解，并进行解的替代；第六步：如果迭代次数小于或等于最大迭代次数t_max，则重复第三步、第四步和第五步，否则输出蜂群的全局最优值，全局最优值代表神经网络的最优权值和阈值；第七步：把得到的最优权值和阈值赋值给所述神经网络，进行神经网络的权值优化，利用所述神经网络进行建筑在t时刻的能耗预测。