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

1、面對公共建筑能耗增長迅速且能源使用不合理的現(xiàn)狀，實現(xiàn)快速、準確的建筑能耗預測有助于管理者及時發(fā)現(xiàn)能耗異常，進一步制定經(jīng)濟合理的節(jié)能措施。近年來，神經(jīng)網(wǎng)絡(luò)法常被研究者廣泛的應用于構(gòu)建建筑能耗預測模型中。論文針對徑向基函數(shù)（Radical Basis Function，RBF）神經(jīng)網(wǎng)絡(luò)的不足之處進行改進，建立新的預測模型，并應用于辦公建筑電力能耗預測。論文的主要研究內(nèi)容如下:
　　(1)針對常用于確定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，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，并用改進的神經(jīng)網(wǎng)絡(luò)進行辦公建筑電力負荷預測，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)為了進一步提高預測模型的有效性，提出用粒子群算法(Particle S

3、warm Optimization，PSO)作為學習算法優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)節(jié)點中心、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)預測模型，算例實驗結(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)定性和預測精度得到進一步提高。
　　(3)

4、針對粒子群算法在學習訓練過程中可能會陷入局部極值的情況，將粒子的適應度值引入慣性權(quán)重公式，通過比較個體與總體平均水平間的差異，自適應動態(tài)調(diào)整粒子的步長，使其跳出局部最優(yōu);同時針對上述基于粒子群算法改進的RBF神經(jīng)網(wǎng)絡(luò)中粒子維數(shù)復雜程度過高的不足，提出引入AP聚類算法確定網(wǎng)絡(luò)節(jié)點中心個數(shù)和位置的方法，形成APFPSO混合算法，并利用測試函數(shù)驗證改進算法的先進性，構(gòu)建基于混合算法的RBF神經(jīng)網(wǎng)絡(luò)預測模型;最后對辦公建筑未來30天的電力負荷值