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<sub>i</sub>=(w<sub>1i</sub>,w<sub>2i</sub>,b<sub>1i</sub>,b<sub>2i</sub>),人工蜂群规模为N<sub>s</sub>,最大迭代次数为t<sub>max</sub>,i=(1,2,......,N<sub>s</sub>),其中w<sub>1</sub>和b<sub>1</sub>分别对应神经网络输入层与隐层之间的权值和阈值,w<sub>2</sub>和b<sub>2</sub>分别对应神经网络隐层与输出层之间的权值和阈值,w<sub>1i</sub>,w<sub>2i</sub>,b<sub>1i</sub>,b<sub>2i</sub>分别为w<sub>1</sub>,w<sub>2</sub>,b<sub>1</sub>,b<sub>2</sub>在解集X<sub>i</sub>中对应的分量,对每个解集进行初始化,得到蜂群X<sub>i</sub>(t),其中t是指第t代,t=(0,1,……,t<sub>max</sub>)的初始解集X<sub>i</sub>(0)=(w<sub>1i</sub>(0),w<sub>2i</sub>(0),b<sub>1i</sub>(0),b<sub>2i</sub>(0))(i=1,2,......,N<sub>s</sub>);第三步:对于每个解集X<sub>i</sub>(t),i=(1,2,......,N<sub>s</sub>),把w<sub>1i</sub>,w<sub>2i</sub>,b<sub>1i</sub>,b<sub>2i</sub>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<sub>i</sub>(t)的适应度值fitness(X<sub>i</sub>(t)),适应度值计算公式如下:<maths num="0001" id="cmaths0001"><math><![CDATA[<mrow><mi>fitness</mi><mrow><mo>(</mo><msub><mi>X</mi><mi>i</mi></msub><mrow><mo>(</mo><mi>t</mi><mo>)</mo></mrow><mo>)</mo></mrow><mo>=</mo><mn>1</mn><mo>/</mo><mo>[</mo><munderover><mi>Σ</mi><mrow><mi>j</mi><mo>=</mo><mn>1</mn></mrow><mi>k</mi></munderover><msup><mrow><mo>(</mo><msub><mi>y</mi><mi>j</mi></msub><mo>-</mo><msubsup><mi>y</mi><mi>j</mi><mo>′</mo></msubsup><mo>)</mo></mrow><mn>2</mn></msup><mo>]</mo></mrow>]]></math><img file="FDA0000585302150000011.GIF" wi="677" he="148" /></maths>其中,y<sub>j</sub>为神经网络的目标输出值,y′<sub>j</sub>为利用X<sub>i</sub>(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<sub>max</sub>,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。 |