基于人工魚群神經(jīng)網(wǎng)絡(luò)算法的建筑能耗預(yù)測*

李明海，劉敏(西安建筑科技大學(xué)信控學(xué)院，陜西西安　710055)

?

基于人工魚群神經(jīng)網(wǎng)絡(luò)算法的建筑能耗預(yù)測*

李明海，劉敏
(西安建筑科技大學(xué)信控學(xué)院，陜西西安710055)

李明海(1971—)，男，高級工程師，博士，研究方向為智能建筑與樓宇自動化。

摘要:為克服傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)方法在建筑能耗預(yù)測的不足，提出了一種基于時間序列自相關(guān)分析的人工魚群神經(jīng)網(wǎng)絡(luò)預(yù)測模型。對建筑標(biāo)準(zhǔn)能耗進(jìn)行自相關(guān)分析，確定輸入變量的維數(shù)，結(jié)合人工魚群算法尋優(yōu)速度快、易跳出極值等優(yōu)點，對BP神經(jīng)網(wǎng)絡(luò)的初值權(quán)值和閾值進(jìn)行優(yōu)化，建立能耗預(yù)測模型，并用模型對西安某高校建筑一個月的能耗值進(jìn)行預(yù)測。結(jié)果表明，較傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)模型，人工魚群神經(jīng)網(wǎng)絡(luò)預(yù)測模型具有更快的收斂速度，預(yù)測精度在±1％左右，預(yù)測誤差隨著迭代次數(shù)的增加而降低。

關(guān)鍵詞:自相關(guān)分析;人工魚群算法; BP神經(jīng)網(wǎng)絡(luò);能耗預(yù)測

劉敏(1990—)，男，碩士研究生，研究方向為建筑智能化及建筑節(jié)能。

0　引言

建筑能耗預(yù)測可為建筑節(jié)能評估、管理以及城市能源合理規(guī)劃布局提供依據(jù)，預(yù)測的精度直接影響能源調(diào)度及決策的安全性和科學(xué)性。

近年來，人工智能算法中典型的反向傳播神經(jīng)網(wǎng)絡(luò)越來越廣泛地應(yīng)用于建筑能耗預(yù)測，主要因BP神經(jīng)網(wǎng)絡(luò)具有很強(qiáng)的非線性擬合能力、良好的自學(xué)習(xí)及容錯能力，但要求訓(xùn)練樣本大、收斂時間長，初始權(quán)值、閾值難以確定，影響了模型的預(yù)測精度。因此，研究人員采用不同的智能算法來改進(jìn)BP神經(jīng)網(wǎng)絡(luò)，但這類研究也相對較少。文獻(xiàn)［1］建立了徑向基函數(shù)(Radical Basis Function，RBF)的能耗預(yù)測算法，降低了試驗的相對誤差，但模型的精確度和穩(wěn)定性不太理想。文獻(xiàn)［2］利用遺傳算法對神經(jīng)網(wǎng)絡(luò)的連接權(quán)進(jìn)行優(yōu)化，建立了基于GA-BP網(wǎng)絡(luò)的建筑能耗和室內(nèi)熱舒適狀況的預(yù)測模型，但編碼、變異復(fù)雜，對初始參數(shù)要求嚴(yán)格。

時間序列法是數(shù)據(jù)驅(qū)動模型方法的一種，主要包括移動平均法［3］和指數(shù)平滑法［4］等，適用于短期、中期、長期預(yù)測。由于建筑能耗具有強(qiáng)大的慣性，在短時間內(nèi)表現(xiàn)為歷史時刻能耗數(shù)據(jù)基礎(chǔ)上的隨機(jī)起伏，因此相關(guān)性分析可以有效剔除不相關(guān)或相關(guān)程度低的數(shù)據(jù)，減少輸入數(shù)據(jù)的維數(shù)，提高預(yù)測的準(zhǔn)確性。人工魚群算法是一種采用并行尋優(yōu)策略模擬魚群行為的智能優(yōu)化算法，具有隨機(jī)性、簡單性、尋優(yōu)速度快、易跳出局部極小值等優(yōu)點［5-7］。本文提出了一種基于人工魚群神經(jīng)網(wǎng)絡(luò)算法的建筑能耗預(yù)測模型。

1　建筑能耗預(yù)測模型

1.1時間序列自相關(guān)分析

時間序列分析包括自相關(guān)分析、偏相關(guān)分析、譜分析等。自相關(guān)函數(shù)表示時間序列中相鄰變量之間的相互關(guān)系及密切程度:

式中: At1，At2——變量A在t1、t2時刻的觀測值;

k——兩個變量的時間間隔，k = t2－t1。

1.2人工魚群算法

人工魚群算法是通過構(gòu)造人工魚來模仿魚類的覓食、聚群及追尾行為的一種優(yōu)化算法，通過所構(gòu)造的單條魚行為的局部尋優(yōu)，完成對全局空間的尋優(yōu)過程［10-11］。

1.3時間序列的人工魚群神經(jīng)網(wǎng)絡(luò)算法

1.3.1參數(shù)定義

經(jīng)過時間序列的自相關(guān)分析，選取測試點前歷史能耗自相關(guān)系數(shù)在0.6以上的b個數(shù)據(jù)作為輸入變量的維數(shù)，根據(jù)Kolmogorov定理確定隱含層的個數(shù)為c，輸出神經(jīng)元個數(shù)為m，e為神經(jīng)元實際輸出與期望輸出的誤差。訓(xùn)練魚群的數(shù)目為f，一個神經(jīng)網(wǎng)絡(luò)表示一條人工魚，任意兩條人工魚的差(gi－gj)(i，j = 1，2，…，f)與和(gi+ gj)仍為一個神經(jīng)網(wǎng)絡(luò)，人工魚當(dāng)前位置的食物濃度為h =1/e，兩條人工魚間的距離定義為

式中: wk0——第k個隱含層神經(jīng)元的閾值;

wkh——第h個輸入神經(jīng)元和第k個隱含層神經(jīng)元間的連接權(quán)值;

vl0——第l個輸出神經(jīng)元的閾值;

vlk——第k個隱含層神經(jīng)元和第l個輸出神經(jīng)元間的連接權(quán)值。

1.3.2行為描述

(1)覓食行為。假定某人工魚的當(dāng)前狀態(tài)為gi，其食物濃度為hi，若gi視線范圍內(nèi)的另一狀態(tài)人工魚gj的食物濃度hj≤hi，則gi隨機(jī)移動一步，下一狀態(tài)的閾值學(xué)習(xí)方式為

式中: R(n)——區(qū)間［0，n］內(nèi)的隨機(jī)數(shù);

n——人工魚移動的最大步長。

若hj＞hi，則gi向gj的方向移動一步，下一狀態(tài)的閾值學(xué)習(xí)方式為

式中，0＜k≤c，0＜l≤m。

同樣，wk0、wkh、vl0的學(xué)習(xí)方式與vlk相同。

(2)聚群行為。某人工魚當(dāng)前狀態(tài)為gi，其最大視線范圍VS內(nèi)伙伴數(shù)為pi，則形成集合為

若Zir=φ，表明該人工魚視線內(nèi)無其他伙伴，執(zhí)行覓食行為。

若Zir≠φ，表明該人工魚視線內(nèi)至少存在一個伙伴，則搜索集合Zir的中心位置的狀態(tài):

式中: t——第s個伙伴狀態(tài)參數(shù)，即wk0、wkh、vl0、vlk各參數(shù)的初值為0;

gst——第s個伙伴的參數(shù);

yit——第i條人工魚視線內(nèi)中心位置的狀態(tài)參數(shù)。

若第i條人工魚中心視線內(nèi)的食物濃度值hiy滿足式(7)，表明該伙伴視線內(nèi)中心位置不擁擠，且較為安全，則該人工魚執(zhí)行式(8)，反之執(zhí)行覓食行為。

式中:δ——擁擠度系數(shù);

vlk(yi)——第i個人工魚視線內(nèi)中心位置yi的閾值參數(shù);

diy——第i個人工魚與其視線內(nèi)中心位置y的距離。

同理，可以確定wk0、wkh、vl0的學(xué)習(xí)方式。

(3)追尾行為。若Zir=φ，執(zhí)行覓食行為。

若Zir≠φ，設(shè)當(dāng)前狀態(tài)為gi的某人工魚視線內(nèi)所有伙伴中伙伴gj的食物濃度最大，hj，max若滿足式(9)，表明gj附近不擁擠且食物含量多，人工魚gi執(zhí)行式(10)，否則執(zhí)行覓食行為。

式中: vlk(gj)——gj狀態(tài)下的閾值;

di，j——人工魚gi與gj間的距離。

同理，可以確定wk0、wkh、vl0的學(xué)習(xí)方式。

(4)公告板。定義一條人工魚，并在算法中設(shè)定一個用于記錄最優(yōu)人工魚狀態(tài)的公告板。每條人工魚游動一次后，都將自身狀態(tài)下的食物濃度信息與公告板信息進(jìn)行比較，若優(yōu)于公告板，則公告板信息被該人工魚的信息所取代。

1.3.3行為選擇

(1)對能耗時間序列進(jìn)行自相關(guān)分析，確定BP神經(jīng)網(wǎng)絡(luò)輸入變量的維數(shù)。

(2)對人工魚所處的環(huán)境進(jìn)行分析，模擬聚群、追尾行為。

(3)對比兩種行為發(fā)生后食物濃度值，選擇濃度值高的行為來執(zhí)行，缺省行為定義為覓食行為，并將該人工魚的狀態(tài)與公告板比較，決定是否更新公告板信息。

(4)將公告板信息，也就是人工魚群找到的最優(yōu)解，轉(zhuǎn)換成BP神經(jīng)網(wǎng)絡(luò)的對應(yīng)參數(shù)，即權(quán)值與閾值。

(5)綜合能耗輸入變量及訓(xùn)練好的權(quán)值與閾值，預(yù)測未來的能耗。

建筑能耗預(yù)測模型流程如圖1所示，其中MI、TN分別為最大迭代次數(shù)和最大嘗試次數(shù)。

2　試驗驗證

為驗證本文算法的有效性與可行性，以西安某高校能源管理中心采集的校園建筑標(biāo)準(zhǔn)能耗值進(jìn)行模型的建立及訓(xùn)練，將2014年4月1日～2014年7月9日的100組標(biāo)準(zhǔn)能耗值作為訓(xùn)練樣本，將2014年7月10日～2014年8月10日的31組的標(biāo)準(zhǔn)能耗作為檢驗樣本。具體實現(xiàn)過程如下:

圖1　建筑能耗預(yù)測模型流程

(1)采用SPSS 22統(tǒng)計分析軟件，對標(biāo)準(zhǔn)能耗數(shù)據(jù)進(jìn)行時間序列的自相關(guān)分析，結(jié)果如圖2所示。由圖2可見，當(dāng)自相關(guān)系數(shù)降至1－e－1時，能耗數(shù)據(jù)延時步長為7，因此可確定輸入變量的維數(shù)為7。

圖2　標(biāo)準(zhǔn)能耗的自相關(guān)系數(shù)

(2)該人工魚的數(shù)目f = 80，最大移動步長n =0.3，人工魚的視線范圍VS =0.6，擁擠度δ= 0.618，嘗試次數(shù)TN = 25，最大迭代次數(shù)MI=120。多次試驗得到，隱含層神經(jīng)元個數(shù)為15時，相對誤差較小，輸出神經(jīng)元個數(shù)為1，故該人工魚群神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)為7－15－1。

為使該模型收斂更快，預(yù)測更精確，采用式(11)所得的輸入變量及檢驗樣本進(jìn)行歸一化處理，并用式(12)得到的均方誤差E作為預(yù)測結(jié)果的評價指標(biāo)。

min(X)、max(X)——輸入變量X中的最小值、最大值;

Yj'、Yj——耗電量的第j個預(yù)測值、真實值。

(3)將傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型與改進(jìn)后的預(yù)測模型進(jìn)行比較，預(yù)期結(jié)果及誤差對比如圖3、圖4所示。

圖3　預(yù)測結(jié)果對比

圖4　預(yù)測誤差對比

由圖3可見，改進(jìn)后的預(yù)測模型更精確。由圖4可見，改進(jìn)后模型的預(yù)測誤差更小(±1％ 內(nèi))，預(yù)測結(jié)果更穩(wěn)定。同時，在程序運行階段，改進(jìn)后的模型收斂速度更快。

3　結(jié)語

本文采用時間序列的自相關(guān)性對輸入變量進(jìn)行分析，確定了輸入變量的維數(shù)，同時采用人工魚群算法對BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值進(jìn)行優(yōu)化，提高了網(wǎng)絡(luò)的收斂速度，克服了BP神經(jīng)網(wǎng)絡(luò)易陷入局部極值的缺陷，同時該方法對局部尋優(yōu)具有一定的適應(yīng)性，不存在復(fù)雜編碼等問題，具有較強(qiáng)的魯棒性，為建筑的節(jié)能控制研究提供了有力的保證。

為進(jìn)一步提高預(yù)測的精度，可增加訓(xùn)練樣本的數(shù)目及訓(xùn)練迭代的次數(shù)。在人工魚群算法預(yù)測結(jié)果的基礎(chǔ)上進(jìn)一步預(yù)測標(biāo)準(zhǔn)能耗，以及最適宜更新BP網(wǎng)絡(luò)的權(quán)值與閾值，將是未來研究的方向。

參考文獻(xiàn)

［1］李百戰(zhàn)，張宇，丁勇.重慶市公共建筑能源管理現(xiàn)狀分析［J］.暖通空調(diào)，2010，40(9):112-117.

［2］DONG B.Applying support vector machines to predict building energy consumption in tropical region［J］.Energy and Buildings，2005 (37 ): 543-553.

［3］趙超，林思銘，許巧玲.基于GM-RBF神經(jīng)網(wǎng)絡(luò)的高校建筑能耗預(yù)測［J］.南京理工大學(xué)學(xué)報，2014，38(1):48-53.

［4］喻偉，李百戰(zhàn)，楊明宇，等.基于人工神經(jīng)網(wǎng)絡(luò)的建筑多目標(biāo)預(yù)測模型［J］.中南大學(xué)學(xué)報:自然科學(xué)版，2012，43(12):4949-4955.

［5］常淑玲，尤學(xué)一.天津市需水量預(yù)測研究［J］.干旱區(qū)資源與環(huán)境，2008，22(2):14-19.［6］CAIADO J.Performance of combined double

seasonal univariate time series models for forecasting water demand［J］.Journal ofHdrologic Engineering，2009，15(3):215-222.

［7］李曉磊，邵之江，錢積新.一種基于動物自治體的尋優(yōu)模式:魚群算法［J］.系統(tǒng)工程理論與實踐，2002 (11):32-38.

［8］李曉磊，錢積新.基于分解協(xié)調(diào)的人工魚群優(yōu)化算法研究［J］.電路與系統(tǒng)學(xué)報，2003，8(1):1-6.

［9］江銘炎，袁東風(fēng).人工魚群算法及其應(yīng)［M］.北京:科學(xué)出版社，2012.

［10］史峰，王輝，胡斐，等.MATLAB智能算法30個案例分析［M］.北京航空航天大學(xué)出版社，2011.

［11］高雷阜，趙世杰，高晶.人工魚群算法在SVM參數(shù)優(yōu)化選擇中的應(yīng)用［J］.計算機(jī)工程與應(yīng)用，2013，49(23):86-89.

Prediction of Building Energy Consumption Based on Artificial Fish-swarm Algorithm of Neural Network

LI Minghai，LIU Min
(School of Information and Control Engineering，Xi’an University of Architecture＆Technology，Xi’an 710055，China)

Abstract:In order to overcome the shortage of traditional BP neural network method in the prediction of building energy consumption，this paper proposed a neural network prediction model based on time series self-correlation analysis.Firstly，the dimension of the input variables based on the energy consumption of building standards of self-correlation analysis was determined.Then combined with artificial fish-swarm algorithm，which has the advantage of higher optimization speed and easy to jump out of the extreme，the initial weights and threshold value of the BP neural network were optimized，and the energy consumption prediction model was established.Finally，the model was used to predict a month’s energy consumption values of a university building in Xi’an.The results show that compared with the traditional BP neural network model，this model has the faster convergence speed and prediction accuracy which is about±1％，and the prediction error decreases with the increase of the number of iterations.

Key words:self-correlation analysis; artificial fish-swarm algorithm; BP neural network; energy consumption prediction

收稿日期:2015-07-08

*基金項目:西安建筑科技大學(xué)基礎(chǔ)研究基金項目(JC1515)

DOI:10.16618/j.cnki.1674-8417.2016.03.007

中圖分類號:TU 201.5

文獻(xiàn)標(biāo)志碼:A

文章編號:1674-8417(2016)03-0028-05