了解前馈神经网络在空调负荷预测中的应用

《了解前馈神经网络在空调负荷预测中的应用》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、制冷空调RefrigerationAirConditioning专题研讨与电力机械&ElectricPowerMachinery前馈神经网络在空调负荷预测中的应用王海涛,郭二宝(安徽建筑工业学院环境工程学院,安徽合肥230022)摘要:空调系统负荷是一个典型的具有动态性、不确定性等随机特性的非线性模型,传统方式难以实现准确、快速地预测空调系统动态负荷。人工神经网络具有高度的非线性运算能力和很强的容错能力,其中最为广泛的是前馈神经网络和采用误差反向传播算法来计算网络权值。本文讨论当误差不为零或者不为线性函数,即二阶项S(w)不能忽略时的Hesse矩阵的近似计算,进而训练网络。研究结果表明,用该种

2、神经网络预测空调负荷和计算的结果会较好地吻合。关键词:空调负荷预测;误差反向传播算法;Hesse矩阵中图分类号:TU831.2,TP183文献标识码:A文章编号:1006-8449(2007)05-0008-040引言人工神经网络(ArtificialNeuralNetwork,简称度法和Levenberg-Marquardt算法(简称LM算法);很ANN)系统从20世纪40年代诞生至今仅半个多世纪,多研究和应用中都不加证明地认为LM算法具有全局但由于所具有的非线性特性,大量的并行分布结构以二阶收敛性。但事实上,只有当Hesse矩阵的二阶项及学习和归纳能力,使其在模式识别、信号处理、知识S(w

3、)趋于零时,才能应用LM算法,否则网络训练可能工程、专家系统、优化组合等领域得到越来越广泛的应收敛很慢或不收敛。[1]空调系统负荷是一个典型的具有动态性、不确定用。在暖通空调(HVAC)中也有很多应用,如HVAC[2][3]性等随机特性的非线性模型。传统的负荷预测方法使非线性计算、空调负荷计算、供暖系统运行的故障用的是显式的数学表达式为模型来预测负荷,这一局诊断等。空调系统负荷的准确、快速的预测对空调系限性决定了其难于实现准确、快速地预测空调系统动统的安全及经济运行是非常关键的。它不仅能更加可态负荷。本文讨论当误差不为零或者误差不为线性函靠而合理地满足系统负荷要求,而且有利于对系统运数即二阶项

4、S(w)不能忽略时的Hesse矩阵的近似计行进行科学的规划、调度和管理,提高系统运行方案的算,进而训练网络来预测空调负荷。经济性、可靠性,也将优化空调系统与其它生产系统之间的协调性,促进生产效率的提高。1前馈神经网络算法国内外对人工神经网络研究的重点主要集中在网络权值学习算法、误差函数和网络结构等。网络权值1.1前向计算的学习算法中影响最大的就是误差反向传播算法典型前馈神经网络的结构包括输入层、隐层、输出(back-propagation,简称BP算法)。该方法由正向传播层,各层之间实行全互连接,层内神经元之间无连接。和误差反向传播两个过程组成。由于BP算法存在局设网络共l层,包括输入层、隐层

5、和输出层。第l层共部极小点,收敛速度慢等缺点,所以各种改进的BP算有nl个神经元节点,l层第j个神经元输出yj(l),l层法纷纷出现。如可变的学习速率,以提高算法的收敛输出为:速度;对于局部极小点问题,很多研究重点是神经网络nl-1[4]与进化算法结合。进化计算其固有的全局搜索能力,u(il)=!y(jl-1)wi(jl-1)+θ(il)(1)j=1可以保证经过足够多进化代数总能找到全局最有解。式中θ(il)—第l层第i个神经元的阈值;基于优化理论可以给出许多权值学习算法,如共轭梯No.5/20078总第117期第28卷RefrigerationAirConditioning制冷空调专题研讨&

6、ElectricPowerMachinery与电力机械y(jl-1)—l-1层第j个神经元的输出;即当e(W)不是很小或者e(W)不是线性函数时的wi(jl-1)—第l-1层第i个神经元和第l层第jHesse矩阵的近似求法:个神经元的连接权值;ΔWΔWTHΔg(HΔg)TH=H+kk-kkkkk+1kΔWTΔe(Δg)THΔgnl-1—第l-1层神经元的个数。kkkkk目标函数一般取期望输出与实际输出之差的平方Δgk=Δe(W(k+1))-Δe(W(k))和:ΔWk=W(k+1)-W(k)nlnl1212该算法是一种叠代算法,算法初值Hk选为单位矩E(W)=!(di-yi)=!ei(W)(2)

7、2i=12i=1阵。神经网络的训练就是求当E(W)为最小时的权值结合DFP算法的神经网络算法:W。一般情况下,前馈神经网络的激活函数取非线性对-1TW(k+1)=W(k)-[H(k)+μkI]J(Wk)e(Wk)(6)1数-S形函数(logsig函数),即f(x)=。-x1+e2算法流程1.2LM算法实验表明,结合DFP算法的神经网络训练过程在目标函数:误差很大或者不是线性函数时具有明显的优越性。