基于改進(jìn)徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的辦公建筑用電能耗預(yù)測(cè)研究.pdf

1、面對(duì)公共建筑能耗增長(zhǎng)迅速且能源使用不合理的現(xiàn)狀，實(shí)現(xiàn)快速、準(zhǔn)確的建筑能耗預(yù)測(cè)有助于管理者及時(shí)發(fā)現(xiàn)能耗異常，進(jìn)一步制定經(jīng)濟(jì)合理的節(jié)能措施。近年來(lái)，神經(jīng)網(wǎng)絡(luò)法常被研究者廣泛的應(yīng)用于構(gòu)建建筑能耗預(yù)測(cè)模型中。論文針對(duì)徑向基函數(shù)（Radical Basis Function，RBF）神經(jīng)網(wǎng)絡(luò)的不足之處進(jìn)行改進(jìn)，建立新的預(yù)測(cè)模型，并應(yīng)用于辦公建筑電力能耗預(yù)測(cè)。論文的主要研究?jī)?nèi)容如下:
　　(1)針對(duì)常用于確定RBF神經(jīng)網(wǎng)絡(luò)中心的kmeans算

2、法具有主觀不確定性的缺點(diǎn)，提出用近鄰傳播聚類算法（Affinity Propagation，AP）得到高質(zhì)量聚類中心作為隱層基函數(shù)的中心矢量，用梯度下降法優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)參數(shù)的方法，形成AP-RBF神經(jīng)網(wǎng)絡(luò)算法，并用改進(jìn)的神經(jīng)網(wǎng)絡(luò)進(jìn)行辦公建筑電力負(fù)荷預(yù)測(cè)，結(jié)果表明，相較于BP神經(jīng)網(wǎng)絡(luò)和k-meansRBF神經(jīng)網(wǎng)絡(luò)模型，該方法大幅提高了模型的穩(wěn)定性。
　　(2)為了進(jìn)一步提高預(yù)測(cè)模型的有效性，提出用粒子群算法(Particle S

3、warm Optimization，PSO)作為學(xué)習(xí)算法優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)節(jié)點(diǎn)中心、寬度和連接權(quán)值的方法，分別構(gòu)建基于基本粒子群算法(LDIWPSO)、慣性權(quán)重遞增策略粒子群算法（LIIWPSO）以及固定權(quán)重策略粒子群算法(FWPSO)的RBF神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，算例實(shí)驗(yàn)結(jié)果表明，LDIWPSO-RBF模型相較于LIIWPSO-RBF、FWPSO-RBF和kmeansRBF神經(jīng)網(wǎng)絡(luò)模型，其穩(wěn)定性和預(yù)測(cè)精度得到進(jìn)一步提高。
　　(3)

4、針對(duì)粒子群算法在學(xué)習(xí)訓(xùn)練過(guò)程中可能會(huì)陷入局部極值的情況，將粒子的適應(yīng)度值引入慣性權(quán)重公式，通過(guò)比較個(gè)體與總體平均水平間的差異，自適應(yīng)動(dòng)態(tài)調(diào)整粒子的步長(zhǎng)，使其跳出局部最優(yōu);同時(shí)針對(duì)上述基于粒子群算法改進(jìn)的RBF神經(jīng)網(wǎng)絡(luò)中粒子維數(shù)復(fù)雜程度過(guò)高的不足，提出引入AP聚類算法確定網(wǎng)絡(luò)節(jié)點(diǎn)中心個(gè)數(shù)和位置的方法，形成APFPSO混合算法，并利用測(cè)試函數(shù)驗(yàn)證改進(jìn)算法的先進(jìn)性，構(gòu)建基于混合算法的RBF神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型;最后對(duì)辦公建筑未來(lái)30天的電力負(fù)荷值