基于遗传神经网络的冰蓄冷空调系统负荷预测研究

《基于遗传神经网络的冰蓄冷空调系统负荷预测研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、·446·化工自动化及仪表第39卷基于遗传神经网络的冰蓄冷空调系统负荷预测研究112周树贵张九根石文华(1．南京工业大学智能建筑研究所，南京210009;2．苏州致幻工业设计有限公司，江苏苏州215008)摘要针对现阶段冰蓄冷中央空调系统负荷预测的BP(BackPropagation)模型收敛速度慢和容易陷入局部极小点等缺点，结合遗传算法GA(GeneticAlgorithm)和BP神经网络，提出了一种GA-BP算法，并在冰蓄冷中央空调负荷预测系统中应用。关键词冰蓄冷空调系统负荷预测遗传算法BP算法中图分类号TH865文献标识码A文章编号1000-3932(

2、2012)04-0446-04在夏季用电高峰期间，空调用电负荷在城市总气温度、湿度及太阳辐射强度等。一般来说，如果用电量中的比例越来越高，使得峰谷供电显得越来网络的输入变量不完整，即输入层中没有完全包含越不平衡。冰蓄冷技术从此处着手，参与电力调影响网络输出的变量因素，网络训练就不会收敛，峰、平衡电网，充分利用谷段电力“削峰填谷”，削而如果输入中包含个别与网络收敛误差无关的变减高峰期间供电量，减少电力建设投资。为充分发量，由于BP网络具有很强的鲁棒性(容错性)，因挥冰蓄冷空调优势，良好的控制策略显得极为重而对网络不会产生太大影响。受实际情况限制，拟要，而准确的

3、负荷预测是制定冰蓄冷空调系统控制设计如下数据作为冰蓄冷空调系统负荷预测神经策略的基础和重要前提。网络的输入量:时刻t(0～23h);大气干球温度Td;现阶段基于BP模型的冰蓄冷空调负荷预测大气相对湿度RH;太阳辐射强度Ins;t－1时刻的系统冷负荷Load(t－1);t－24时刻的系统冷负荷存在容易陷入局部极小点、收敛速度慢及网络初始［1］Load(t－24);日期类型。值选取较繁琐等缺陷，笔者基于遗传算法(GA)的上述几组变量中太阳辐射、大气的温度和相对思想，对BP神经网络权重进行优化，构成一种GA-湿度是影响冰蓄冷空调系统的主要因素，同时选择BP算法，并

4、应用于冰蓄冷中央空调预测仿真系统同一天提前一时刻的负荷Load(t－1)以及前一天中，结果表明该模型提高了收敛速度和预测精度。同一时刻的负荷Load(t－24)作为其他输入变1冰蓄冷空调系统负荷BP预测模型结构①［2］量。由于使用冰蓄冷空调系统的建筑主要是商1．1BP神经网络基本结构贸楼宇，员工的工作日类型也对冰蓄冷空调系统的神经网络系统是由大量的处理单元(神经元)使用和负荷有着重要影响。笔者将星期一～五作广泛连接而成的复杂网络系统。它反映了人脑功为工作日，星期六和星期天作为休息日，对它们进能的许多基本特性:学习、归纳及分类等。现常用行量化处理，取值列于表1

5、。的BP模型实现了多层神经网络设想，其基本网络表1日期类型量化是三层前向网络，含有输入层、输出层和隐含层，各日期类型量化值层之间实行全连接，具有实现黑箱建模的优点，非常适用于复杂非线性对象的建模。星期一～五(工作日)0．71．2神经网络输入变量的选取星期六、星期天(休息日)0．3输入层输入变量的选取至关重要，只有对负荷影响比较大的因素包括于输入量之内，才能作出比较精确的负荷预测。而对负荷影响比较大的有大①收稿日期:2012-02-14(修改稿)第4期周树贵等．基于遗传神经网络的冰蓄冷空调系统负荷预测研究·447·1．3神经网络输出变量的选取冰蓄冷空调系统负荷

6、预测采用时间移动法进行，即得到t时刻的预测负荷值Load(t)后，再预测t+1时刻的负荷值Load(t+1)。依此类推，就能得到整个完整的冰蓄冷空调系统负荷预测输出。所以，对于冰蓄冷空调系统负荷预测的BP神经网络，输出量是某一时刻冰蓄冷空调系统的短期预测［3］负荷值。1．4BP网络连接方式用于负荷预测的BP神经网络结构如图1所示。图2遗传算法优化神经网络结构参数流程3基于GA-BP神经网络的冰蓄冷空调负荷仿真研究笔者对南京某商贸楼冰蓄冷工程2010年8月的冷负荷进行了预测，选取8月23日的预测结果图1用于负荷预测的BP神经网络结构示意图和实际值作比较。借助建

7、筑冰蓄冷自动控制系统的历史数据，得到了2010年6、7月冰蓄冷的温度、BP神经网络采用全互连连接网络，即每个处冷量、冷负荷和相关数据。理单元的输出都与下一层的每个处理单元相联系，针对以上数据，建立7×15×1的三层结构遗［4］而同一层之间的处理单元没有相连。传人工神经网络模型，在Matlab中进行仿真，具体2冰蓄冷空调系统负荷BP预测模型的改进遗传人工神经网络模型如图3所示。遗传算法(GA)具有自适应性及全局优化性等特征，而常规的BP算法存在收敛速度慢、易陷入［5］局部极小及网络初始值选取较繁琐等缺陷。笔者基于GA算法提出一种改进的BP神经网络，利用GA具有

8、的全局搜索等特性，克服BP网络学习易陷入局部极小点等