基于粒子群优化的极限学习机冰蓄冷空调负荷预测

《基于粒子群优化的极限学习机冰蓄冷空调负荷预测》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、基于粒子群优化的极限学习机冰蓄冷空调负荷预测摘要：以精确的空调负荷预测为前提，方能使得冰蓄冷空调在融冰供冷过程屮采取最为合理的运行策略。提出一种改进的增量型极限学习机(PSO-IELM)的建筑物空调负荷预测模型通过粒子群优化算法，克服传统极限学：＞itt(ELM)在负荷预测中存在的不稳定性。并结合对西安地区某购物中心夏季不同月份的空调负荷进行训练和预测。实例分析结果表明，粒子群优化增量型极限学习机(PSO-IELM)具有更好泛化能力和更商预测精度。是对建筑空调负荷预测的有效手段。关键字：极限学习机，粒子群算法，负荷预测，冰蓄冷1引言冰蓄冷空调自20世纪90年代进入中国至今，其

2、“移峰填谷”來平衡电网使用效率，因此备受关注。由于冰蓄冷空调相对于与其他空调系统结构复杂，运行繁琐。制冷主机与冰槽并行或分时提供建筑物所需冷fi,合理的运行策略与控制方法，使系统达到最有效的运行,是实现冰蓄冷空调节能降耗的关键所在。因此要求够准确地预测次H逐时负荷，以预测数值与当地分时电价(图1)为依据合理分配制冷机组供冷量及蓄冷装置的释冷量，以保证系统能以最为经济节能的工作方式运行。??Hitt-4：M1AMl^eMr^M图1西安市逐时电价以往的预测空调负荷的主要方法有BP、SVM等传统神经网络［1］或其改进算法，具有较好的系统辨识能力与预测结果。但也存在着许多不足，如收敛

3、速度慢，容易陷入局部最小点，过拟合而导致的泛化性下降，最优的隐含层节点个数难以确定等。极限学习机(ExtremeLearningMachine.ELM)［4］是由Huang等于2006年提出的一种新型的单隐层前馈祌经网络学习方法。输入权位和阀位采取随机赋位，通过正规化理论得到输出权值。在保证神经网络逼近任意连续系统的前提下，极大的提升了网络的收敛速度与泛化能力的。为了改善极限学习机因随机赋值带来的不稳定性％1，将粒子群(PartiesSwarmOptimization.PSO)引入极限学习机当中，形成基于粒子群优化的增量型极限学习机(P5O-IEI.M),有效的减少丫可调参数

4、，并使隐含层节点数不耑要通过实验来确定。提高预测结果精度和系统稳定性。2增量型极限学习机［111极限学习机是一种特殊类型的前馈祌经M络，仅仅只有一个隐含层，并且隐含层节祌经元数目直接决定神经网络的系统泛化能力与辨识精度。人为来试凑隐含层节点个数往往无法取得最优的结果［121，大大的影响了极限学习机的实际应用效果［71。增强型极限学习机(I-ELM)是分析了固定型极限学习机的主要问题，所改进的具有节点A递增功能的极限学习机。含有L个隐含层神经元ELM算法输出函数可如(1)表示。L工pf㈨，bilXj)=tji=V2,…，N(1)i=lCLi=£1^2,汉i3,…辽hjT表示输入

5、层与隐含层第j个神经兀的权值，表禾第i个隐1l+exp(-(afx+hj))含层祌经元的阀值，仏表示为连接第i个隐含层祌经元的输出权值，GO）为第i个隐含层祌经元的激励函数，本文隐含层祌经元输出函数采用的是单极性S函数GO）上述（1）式可以更紧凑的表达为（2）。其中H为隐含层的输出矩阵。Hp=T（2）若具有I个隐含层节点的极限学习机祌经网络输出函数为输入权值屮与阀值么随机选取。则对于任意连续的目标函数，有lim

6、

7、/-(/£_!+H^a^x^W=0(3)Pl(4)含有I个节点的输出权值#Z计算公式为:hill其-屮e£=f-/Y为具有I个隐含层节点的网络输出误差。e£在选代过

8、程屮一直呈现单调递减的趋势m。固定型极限学习机往往为了得到优秀的辨识精度，选取过大的隐含层节点。带来的结果仅仅是缩小了训练误差，预测误差反而随之增加。I-ELM很好的减少了“无用”的祌经元节点，有效的提高了网络对目标函数逼近能力。在Huang的研究中发现［51，I-ELM虽然改进了原有的ELM，但输入权值与阀值的随机选取使得I-ELM中某些隐含层节点在网络的输出扮演了一个非常次要角色，从而最终增加网络的复杂性。为了避免这一问题进一步提高ELM网络对目标函数的逼近能力，并获得更紧凑的网络体系结构，本文在I-ELM的基础上引入粒子群优化算法。提出了一种改进的I-ELM模型（PSO

9、-IELM）3增量型极限学习机的优化3.1粒子群算法巾KennedylW•士和Eberhart教授提出的粒子群优化算法是一种基于群体演化，不依赖梯度、曲率等信息的直接搜索，模拟鸟类的觅食行为规律的启发式算法。在粒子群算法中，每个粒子代表一个可能的解，多有的粒子组成群体。粒子在解空间中根据自身的历史信息（个体极值pid）和群体信息（全局极值p#d）共同决定其“飞翔”的速度和方向，以此來寻找最优解。r=⑷q•r^pid-z?d）+c2-r2（pgd-z?d）^d1=Ad+V/d1其中，iv为惯量因子。（^和