Levy-CPSO-GA算...荷预测模型LSTM中的应用_后理通.pdf

第 卷 第期青 岛 大 学 学 报（工 程 技 术 版）年 月 （）文章编号：（）；：算法在空调冷负荷预测模型 中的应用后理通，张晨晨，丛意林，吴伊成，马永志（青岛大学机电工程学院，山东 青岛 ）摘要：针对单一算法优化空调冷负荷模型参数存在的局限性及对预测精度的需求，本文提出了基于遗传算法（，）进化、莱维飞行（）及粒子群（，）优化算法的协同并行混合算法 。将初始种群初始化为个同规模种群，分别按照合作机制和竞争机制并行更新，种群采用 飞行产生随机新巢方式自适应初始化 ，同时引入迭代极值，记录粒子群的信息交换；种群按照更新，种群间通过适应度交流，以最优适应度更新群体，将混合算法应用于优化长短 期 预测 模 型（，），并将结果与各预测算法进行比较。研究结果表明，优化后的预测模型，预测精度大幅提高，与 相比，降低 了 ；与 模 型相 比，误 差 显 著降低，降低 了 ，在第 个预测点处，该预测模型的绝对误差为 ，相比于 的绝对误差值 ，其精度提高了 ，预测性能优于其他算法。该研究对准确预测冷负荷具有重要意义。关键词：；负荷预测；协同并行优化中图分类号：；文献标识码：收稿日期：；修回日期：基金项目：国家自然科学基金资助项目（）；山东省重点研发计划资助项目（）作者简介：后理通（），男，硕士研究生，主要研究方向为优化算法对空调负荷的预测和传热。通信作者：马永志（），男，副教授，主要研究方向为大数据与云计算技术。：建筑能耗作为全球性问题，约占世界能耗的，其中采暖、通风及空调系统（，）能耗占比最大，若能源供应与实际负荷需求相匹配，则 节能潜力巨大，因此提高 的运行效率对降低能耗至关重要，而准确预测冷负荷对提高效率具有重要意义。但由于空调负荷的非线性、多变性及动态性特点，精准预测负荷难度提高。常用的预测方法包括参数模型法和非参数模型法，参数模型法包括回归算法和时间序列，回归算法预测精度低，时间序列只适用于负荷均匀变化的系统；非参数模型法包括极限学习机（，）、神经网络，如 神经网络、支持向量回归（，）和长短期记忆网络（，）等。预测精度低，网络易陷入局部，对初值敏感，用于解决维度灾难及局部最小问题，无法处理大容量数据。与循环神经网络（，）相比，算法实现了长期记忆。为此，等人 采用 预测空调系统能耗；等人 将 应用于电网负荷预测；等人 将 应用于建筑热负荷短期预测；等人 提出了一个基于 的递归神经网络并进行测试。近年来，许多学者提出优化方法。等人 实现了对热泵能耗的预测，验证了 的有效性；等人 采用遗传算法优化 窗口，但由于其局限性，很难高效精准的捕捉到最优参数。基于此，本文以混合算法代替单一优化算法，迭代计算种群的最优解，将最优解作为 的超参数，结合平均影响值（，）和 系第期后理通，等：算法在空调冷负荷预测模型 中的应用数，筛选出网络输入变量，并确定最佳输入 网络序列，从而构成完整的预测网络模型。研究结果表明，优化后的预测模型精度更高，误差显著降低。该研究为准确预测空调冷负荷提供了理论基础。算法模型 算法标准 未考虑迭代过程的信息交换，导致迭代后期算法的多样性消失，因此在速度更新公式中引入迭代极值 （），引入后称之为 算法。为改善后期迭代效率低的问题，可提高算法找到最优解的可能性。第个粒子的速度为 （）（）（）（）（）（）式中，为粒子；为当前迭代数；为粒子飞行速度；为惯性权重；和为认知因子；和为，之间的随机数；为，间迭代系数；为个体极值；为全局极值；为粒子位置；为第个粒子的速度；为第个粒子的位置。算法当被优化的函数存在多个局部最优解时，标准粒子群易陷入局部最优。由于简单变异算子随机初始化可导致粒子远离搜索空间，降低搜索效率，因此采用 算法中随机游走的方法寻找新解（与 算法两者结合称之为 算法），拓展搜索空间的同时，记录当前最优解，避免粒子进入无效搜索空间。解产生的过程步骤如下：）利用 飞行具有无限跳跃的特性产生随机解，游走路径为（）（）（）（）烄烆烌烎（）式中，（）取 ；和为标准高斯分布随机数；为伽玛函数。）由式（）计算得到步长 为 （）（）（）式中，为当前鸟巢位置；为当前经历过的最优巢；（）为 函数。）由步长计算得到新巢（新解）为 （）式中，为标准高斯分布随机数；为上一代更新的巢；为下一代更新的巢。粒子群经过速度和位置更新，得到的群体以一定概率，按照式（）式（）重新初始化。算图 算法原理法原理如图所示。算法 算法是一种基于优胜劣汰的自然启发算法，以高效的竞争机制进化计算，处理高度非线性复杂的问题，算法原理 如图所示。算法采用轮盘赌法选择适应度优的基因，通过适应度值的倒数，计算种群中个体被选中且遗传到下一代的概率，概率越大的个体基因在种群扩大，按照概率对基因进行交叉和变异。青 岛 大 学 学 报（工 程 技 术 版）第 卷图 算法原理图 结构图图 预测流程 预测模型 神经网络模型 是 递 归 神 经 网 络（，）的改良体，通过增加遗忘门、输入门和输出门，使 能选择性的“遗忘”和“记忆”时序信息，有效克服了长依赖 和梯度消失问题，结构图如图所示。图中，和为时刻隐含层输出和细胞状态；、珘分别为时刻输入向量、遗忘门、输入门、输出门、状态量和更新量；和 分别为 函数和双曲余弦函数。预测模型在 算 法 中，融 合 了 算法，同时与算法组合，形成双重搜索机制，提高了预测精度，加快了学习速度。个种群更新后得到新种群，以均方根误差作为适应度，计算种群适应度值，以最小适应度对应参数为最优值再次迭代更新，直至达到最大迭代次数，将对应解作为 训练模型的超参数，将训练好的 网络带入预测模型。预测流程如图所示。评价指标模型精度 评 价 指 标 采 用 均 方 根 误 差（，）、平均绝对百分比误差（，）、平均绝对误差（，）和决定系数（，）。具体公式为（）槡（）（）（）（）（）（）（）（）（）（）式中，为预测样本数；为实际冷负荷；为预测冷负荷；为实际冷负荷均值；为预测冷负荷均值。第期后理通，等：算法在空调冷负荷预测模型 中的应用 案例分析数据来源本文以青岛市某自习室为研究对象，借助 搭建物理模型，在 平台计算月 日 日自习室的冷负荷数据，采样间隔为 ，空调区域人员数量，参考相同建筑面积和维护结构同等功表冷负荷模拟主要参数建筑面积设备（）新风量（人）灯光（）人员数人 能建筑的人员分布，删除夜间非运行时间，共得 组 数据，其 中，测 试数 据 组，训练数据 组，空调运行期间，冷负荷模拟主要参数如表所示。输入变量筛选反复计算内外扰动的 均值绝对值，将每个特征变量分别增加或降低，代入负荷模拟模型，将输出的观测值相减后取均值绝对值，筛选其中贡献率大的内外扰因素，包括温度、相对湿度、辐射、风速、人员及新风负荷。采用 系数计算扰动和冷负荷在不同时刻的相关性，最终选定 系数较大的因子作为最佳输入，如分析最佳历史时刻的气象参数，历史负荷与当前负荷的相关性，最后选定输入变量为辐射（）（），（），人员（）（），温度（），（），（），（），相对湿度（）图各待定因子 相关系数（），新风量（），风速（），历史负荷（），（），（），将选中的因子归一化作为输入，各待定因子 相关系数如图所示。同时，充分考虑天气等外扰因素对当前冷负荷的延迟作用，以及呈现出周期规律性分布的历史负荷对当前负荷的影响，选取当前时刻，前个时刻为，前一天同一时刻为，前两天同一时刻为 ，前一周同一时刻为 ，其对应的特征变量作为待定输入变量。研究结果将 模 型 的 超 参 数 批 处 理 大 小、隐 含 层 单 元 个 数、初 始 学 习 率 的 范 围 分 别 设 置 为 ，适应度函数为均方根误差，训练数由误差损失函数的收敛性决定，训练数达到 时开始收敛，因此训练数为 ，随机失活概率为 ，学习率下降周期为 ，下降因子为 。同时，种群规模为，最大迭代次数为，惯性权值最大值为 ，最小值为 ，认知因子设为，迭代系数最优值为 ，交叉系数为 ，变异 系 数 为 ，粒 子 重 新 初 始 化 概 率 为 。以 搜索的最优解，其批次大小为 ，隐含层单元数为 ，初始学习率为 作为超参数。为了验证 算法模型的预测效果，将其分别与 模型、模型、神经网络模型、模型以及 模型的预测结果进行对比，各模型的预测结果对比如图所示。青 岛 大 学 学 报（工 程 技 术 版）第 卷图各模型的预测结果对比由图可以看出，各预测模型的预测曲线与实际值曲线的趋势基本一致，后组与前组相比，其预测结果与实际值更加贴近，误差更小，优化后的 预测模型 、和 在突变处的预测效果更佳，更逼近实际值。各冷负荷预测模型性能指标对比如表所示。表各冷负荷预测模型性能指标对比模型 第期后理通，等：算法在空调冷负荷预测模型 中的应用由表可以看出，模型的、及 均低于其他模型，决定系数均高于其他模型，更接近。与 模型相比，、及 分别降低了 ，及 ；与 模型相比，、及 分别降低了 ，及 ；与 模型相比，、及 分别降低了 ，及 。由此可见，预测精度大幅提高。与 相比，及 分别降低了 ，及 ；与 相比，及 分别降低了 ，及 ；与 相比，及 分别降低了 ，及 ，预测误差也显著降低，由于三者的神经元结构相同，自主调整的是超参数，误差降低幅度没有 、及 大，说明 的预测效果最佳。结束语本文提出了 预测模型，通过混合优化算法对 结构参数进行优化，扩大了 网络搜索能力，捕捉有效特征量的灵敏度，最后将该模型应用于冷负荷预测。研究结果表明，该模型的预测精度大幅提高，与 相比，降低了 ；与相同网络结构的 模型相比，误差显著降低，降低了 ，并且在冷负荷突变处的预测精度明显提高，如在第 个预测点处，该预测模型的绝对误差为 ，相比于 的绝对误差值 ，精度提高了 。该预测模型适用于处理冷负荷预测问题，动态预测精准，为空调的节能运行策略提供了参考。在以后的研究中，可进行对比实验以验证算法的节能效果。该研究具有实际工程意义。参考文献：，（）：，：，：，（）：，（）：，（）：，：，（）：，：，：，（）：，（）：，：，（）：，（）：，（）：，青 岛 大 学 学 报（工 程 技 术 版）第 卷 ，：，：，（）：，：，：，（）：，：，（），：，：，：，：张玲空调热舒适度预测及控制算法研究长沙：湖南大学，：，（）：，（）：，（）：，（）：檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪殏殏殏殏科技论文中结论的写作内容结论是整篇文章的最后总结。结论不应是正文中各段小结的简单重复，它应该以正文中的实验或考察得到的现象、数据的阐述分析为依据，完整、准确、简洁地指出以下内容：）对研究对象进行考察或实验得到的结果所揭示的原理及其普遍性。）研究中有无发现例外或本论文尚难以解释和解决的问题。）与先前已发表过的（包括他人和自己）研究工作的异同。）本论文在理论上和实用上的意义及价值。）进一步深入研究本课题的建议。科技论文中致谢的写作内容致谢一般单独成段放在“结论”段之后，但它并不是论文的必要组成部分。致谢是对曾经给予本研究的选题、构思或论文撰写以指导或建议，对考察和实验做出某种贡献的人员，或给予过技术、资料、信息、物资或经费帮助的团体或个人致以谢意。第期后理通，等：算法在空调冷负荷预测模型 中的应用 ，（，）：，（），（）（），；，（），；，：；櫏櫏櫏櫏櫏櫏櫏櫏櫏櫏櫏櫏櫏櫏櫏櫏櫏櫏櫏櫏櫏櫏櫏櫏櫏櫏櫏櫏櫏櫏櫏櫏櫏櫏櫏櫏櫏櫏櫏櫏櫏櫏櫏櫏櫏櫏櫏櫏櫏櫏櫏櫏櫏櫏櫏櫏櫏櫏櫏櫏櫏櫏櫏櫏櫏櫏櫏櫏櫏櫏櫏櫏櫏櫏櫏櫏櫏櫏櫏櫏櫏櫏櫏櫏櫏櫏櫏櫏櫏櫏櫏櫏櫏櫏櫏櫏櫏櫏櫏櫏櫏櫏櫏櫏櫏櫏櫏櫏櫏櫏櫏櫏櫏櫏櫏櫏櫏櫏櫏櫏櫏櫏櫏櫏櫏櫏櫏櫏櫏櫏殽殽殽殽停止使用的非法定单位科技期刊中应停止使用的非法定单位包括以下几种：）所有市制单位。所有市制单位从 年月日起停止使用。例如：土地面积单位亩已改为公顷，其国际符号为。）除公斤、公里、公顷以外的公字头单位。例如：公