基于BP神经网络的空调负荷预测
基于神经网络的负荷预测研究
基于神经网络的负荷预测研究近年来，随着电力行业快速发展，负荷预测技术的研究和应用越来越广泛。
负荷预测是电力系统运行中非常关键的一环，可为电力系统的规划、运行和管理等提供有效的支持。
随着神经网络技术的不断发展和应用，基于神经网络的负荷预测研究成为了学术界和电力行业的热点之一。
一、神经网络的基本原理神经网络是一种类似于人类神经系统的信息处理算法，并且被广泛运用在各种领域中。
在负荷预测中，神经网络可以用来预测未来某一时刻的负荷水平。
神经网络的基本组成部分包括神经元（neuron）、神经网络层（layer）和权重（weight）。
神经元是神经网络最基本的单元，负责接收和处理输入信号，并产生输出。
神经网络由多个神经元组成的层（hidden layer）互相连接而成，其中输入层和输出层是不包含隐藏神经元的。
每个连接的强度由权重所控制。
神经网络的训练通过对神经元间的权重进行优化，使神经网络能够更准确地预测负荷变化。
训练数据通常以历史负荷数据为依据，并且采用监督学习方式，即将训练集中的负荷数据和实际负荷数据用于网络的训练和优化。
二、神经网络在负荷预测中的应用神经网络在负荷预测领域得到了广泛的应用，尤其是针对长期、短期、超短期的负荷预测。
其中，长期负荷预测主要考虑负荷的季节性和年度变化趋势，如针对一个月或季度的负荷数据进行预测；短期负荷预测注重预测近期的负荷变化，如一天或一周内负荷的小时变化；超短期则是对即将到来的负荷进行实时预测，如下一个小时内的负荷变化。
一般情况下，神经网络的负荷预测模型可按照预测时间跨度的不同划分为三类。
长期负荷预测模型以月为预测单位，通常采用BP（Back Propagation）神经网络进行训练，能够准确地预测出某个季度的负荷水平。
短期负荷预测模型以小时为预测单位，通常采用RNN（Recurrent Neural Network）进行训练，可以准确地预测近期的负荷变化。
超短期负荷预测模型以分钟为单位进行预测，采用的通常是基于LSTM（Long Short-term Memory）的模型，反应速度和精度比长期和短期负荷预测更高。
基于神经网络的空调系统负荷预测研究
空调 负荷受多种因素的影响 ， 与诸多影响因素之间是一
较不规律的建 筑物 预测效果如何 尚需验证 。
种多变量 、 强耦合 、 严 重非线性 的关系 ， 且这种关 系具有动态 性， 因而传统方法的预 测精度不高 。 由于神经网络具 有并行处
考虑到空调 系统具 有动态性 的特 点 ，而 Ｅ Ｌ ＭＡ Ｎ 回归 神
王雷
（ 北京 中环世纪工程设计有 限责任公司 ， 北京 １ ０ ０ ０ ９ ７ ） ｎ ａ － Ｕｎ ｉ ｏ ｎ Ｄｅ ｓ ｉ ｇ ｎ ａ ｎ ｄ Ｓ ｕ ｐ ｅ ｒ ｖ ｉ ｓ ｉ ｏ ｎＣ ｏ ． Ｌ ｔ ｄ ． ， Ｂｅ ￣ ｉ ｎ ｇ １ ０ ０ ０ ９ ７ ， Ｃ ｈ ｉ ｎ ａ ）
经网络是一种典型 的动态神经元 网络 ， 具有适应 时变特性 的 理、 联想记忆 、 分布式知识存储 、 鲁棒性强等特 点 ， 尤其是它的
自组织、 自适应、 自学习功能， 从而在复杂非线性对象的辨识
ｐｒ ｅ ｄ ｉ ｃ ｔ ｉ ｏ ｎａ ｂ ｏ ｕ ｔ ｄ ａ ｉ ｌ ｙｃ ｏ ｏ ｌ ｉ ｎ ｇｌ ｏ ａ ｄ ｓｂ ｓｅ ａ ｄｏ ｎｔ ｈｅＥ ＬＭ ＡＮ ｎ ｅ ｒａ ｕ ｌ ｎ ｅ ｔ ｗｏ ｒ ｋｗａ ｓｍａ ｉ ｎ ｌ ｙｄ ｉｓ ｃ ｕ ｓ ｓ ｅ ｄ． Ｔｈ ｅｉ ｎｆ ｌｕ ｅ ｎ ｃ ｅｄ ｅ ｇ ｒ ｅ ｅｏ ｆ ｈｅｉ ｔ ｎｐ ｕ ｔ ａ ｒ ｇ ｕ ｍｅ ｎ ｔ ｓ ｔ ｏ ｏ ｕｔ ｐ ｕ ｔ ｒ ｅ ｓ ｕｌ ｔ ｓ ｆ ｏ ｒ ｔ ｈ ｅ ｄ ａ ｉ ｌ ｙ ｃ ｏ ｏ ｌ ｉ ｎ ｇ ｌ ｏ ａ ｄ ｎ ｅ ｕ ｒ ａ ｌ ｐ ｒ ｅ ｄｉ ｃ ｔ ｉ ｏ ｎ ｍｏ ｄ ａ ｌ ｗａ ｓ ｎａ ａ ｌｙ ｚ ｅ ｄ ｂ ｙ Ｍｕ ｌ ｉ－ ｔ ｌ ｉ ｎ ｅ ｒ ａ ｒ ｅ ｇ ｒ ｅ ｓ ｓ ｉ ｏ ｎ ｍｅ ｔ ｈ ｏ ｄ ． Ｆ ｉ ｎ ａ ｌ ｌ ｙ ， ｔ ｈ ｒ ｏ ｕ ｇ ｈ ｅ ｘ ｐ ｅ ｒ ｉ ｍｅ ｎ ｔ ａ ｌ ｖ ｅ ｒ ｉ ｉｃ ｆ ａ ｔ ｉ ｏ ｎ ， ｔ ａ ｋｉ ｎ ｇｔ ｈ ｅ ａ ｖ ｅ ｒ ａ ｇ ｅｖ ｌｕ ａ ｅａ Ｒｅ ｒ ｍｕ ｌ ｔ ｉ ｐ ｌ ｅｆ ｏ ｒ ｅ ｃ ａ ｓ ｔ ｉ ｎ ｇ ｂａ ｓ ｄ ｏ ｅ ｎｍ ｏ ｒ ｅｔ ｈ ｎ ｔ ａ ｈ ｒ ｅ ｅ ｗｅ ｅ ｋ ｓ ’ ｉｓ ｈ ｔ ｏ ｒ ｉ ｃ ａ ｌ ａｔ ｄ ａ ａ ｓ ｔ ｈ ｅｔ ｒ ａ ｉ ｎ ｉ ｎｇｓ ｅ ｔ ． Ｉ ｔ ｃ ｎ ｇ ａ ｉ ｖ ｅ ｏ ｕ ｔ ｈｅ ｔ
基于BP神经网络的短期负荷预测
基于BP神经网络的短期负荷预测基于BP神经网络的短期负荷预测0. 引言随着工业化和城市化的快速发展，电力负荷的准确预测成为了能源管理和电力系统规划的重要问题之一。
短期负荷预测可以帮助电力系统进行合理的调度和运营，从而提高能源利用效率和经济性。
BP神经网络（Backpropagation Neural Network）作为一种常用的人工神经网络模型，在短期负荷预测中展现了其优异的性能和广泛的应用前景。
1. BP神经网络模型BP神经网络是一种典型的前馈神经网络模型，由输入层、隐藏层和输出层组成。
输入层接受各种负荷预测的输入特征，隐藏层用于提取输入特征的非线性组合和抽象表示，输出层给出对负荷预测值的估计。
BP神经网络通过不断调整网络中的权重和阈值，利用误差反向传播原理实现对负荷预测模型的训练和优化。
2. 数据预处理在进行短期负荷预测之前，需要对原始数据进行预处理。
具体而言，包括数据清洗、特征提取和数据标准化等步骤。
数据清洗主要是为了去除异常值和缺失值，确保数据的完整性和准确性。
特征提取是为了从原始数据中提取出能够反映负荷变化规律的有效特征。
数据标准化是为了将不同尺度和量纲的数据转化为统一的范围，以便于神经网络的训练和比较。
3. 网络训练和优化网络的训练和优化是短期负荷预测的核心步骤。
首先，需要将原始数据集划分为训练集和测试集，其中训练集用于网络的权重和阈值的调整，测试集用于评估网络的预测性能。
接下来，利用误差反向传播算法，不断更新和调整网络中的权重和阈值，以最小化网络在训练集上的误差。
在训练过程中，需要设置合适的学习率和动量因子，以避免网络陷入局部最小值的问题，并提高网络的收敛速度和稳定性。
4. 模型评估和预测在网络训练完成后，需要对模型的性能进行评估和预测。
评估指标包括均方根误差（RMSE）、平均相对误差（MRE）和均方相对误差（MSRE）等，用于评价网络的预测误差和准确性。
通过与其他传统的负荷预测方法进行比较，可以验证BP神经网络在短期负荷预测中的优势和有效性。
BP神经网络在建筑物空调负荷预测中的应用评述
关 键 词
Ｂ Ｐ神 经 网络 负荷 预 测
ＡＰＰＬＩ ＣＡＴＩ ｏＮ ＲＥＶＩ ＥＷ ｏＦ ＢＰ ＮＥＵＴＲＡＬ ＮＥＴＷ ｏＲＫ Ｒ Ｆｏ ＰＲＥＤＩ ＣＴＩ ｏＮ ｏＦ
ＣｏｏＬＩ ＮＧ ＬｏＡＤ Ｎ Ｒ Ｉ ＡＩ ＣｏＮＤＩ ｏＮＤ Ｆ ＴＩ Ｇ ｏＲ ＢＵＩ ＤＤＩ Ｌ 『 ＧＳ
维普资讯
第２ ４卷第６期
２０ ０ ７年 ６月
计算机应用与软件
Ｃｏ ｕ ｅ ｐ ｉａ ｉｎ ｎ ｏ ｔ ｒ ｍｐ ｔ ｒＡｐ ｌｃ ｔ ｓ ａ ｄ Ｓ ｆｗａ ｅ ｏ
Ｖｏ ． ４ Ｎｏ． １２ ６
Ｊ ｎ ２ ０ ｕ ．ｏ ７
Ｂ Ｐ神 经 网络 在 建 筑 物 空调 负 荷 预 测 中 的应 用 评 述
ｈ
也应 用于研究建筑 物的动态 热特性 ， 以便 实施节 能控制 。人 工 神经 网络 （ Ｎ 的反向传播 （ ａｋＰｏａａ ｏ ， Ａ Ｎ） Ｂ ｃ ｒｐｇｔ ｎ 简称 Ｂ ） ｉ Ｐ 训练算 法是一种迭代梯度算法 … ， 用于求解前 馈 网络 的实 际输 出与 期 望输 出的最小均方差值 ，Ｐ网作 为一种 反向传递 并能修正误 差 Ｂ
Ｚ ｅ ｇＨｕｆｎ － Ｂ ｉ ｉｇ Ｌ ｎ ｕ ｈ ｎ ｉ ａ ａ ｎ Ｊ ｉＡ ｇ ｉ
（ ｃｏｌｆＥ ｖ ｏｍ ｎａ Ｍｕ ｉｐ ｌ ｎ ｉ ｅｉｇ Ｘ ＇ ｎｖｒｔ ｒ ｉｃｕｅ＆ Ｔｃｎ ｌ ｙＸ ＇ １ ０５，ｈａ ｘ， ｈｎ Ｓｈ ｏ ｏ ｎｉ ｎ ｅｔｌ＆ ｒ ｎ ｉ ｇｎ ｒ ， ｉｎ Ｕ ｉ ｓｙｏ ｃ ｔ ｔｒ ｃａＥ ｅ ｎ ａ ｅ ｉ ｆＡ ｈ ｅ ｅｈ ｏ ｇ ，ｉ ｎ７０ ５ Ｓａ ｎ ｉＣ ｉ ｏ ａ ａ） （ ｎｒ ｎ ｎｉ ｎ ｎａ Ｅ ｇｎｒ ｇＤｐ ｒ ｎ，ｈ ｎｙ ａ ｎｔｕｅｆＴｃｎｌ ｙ Ｚ ｅｇｈ ｕ４０ ０ ， ｅ ｎ Ｃ ｉ ） Ｅ ｇ ａ ｄＥ ｖ ｏｍ ｔ ｌ ｎ ｉ ｉ ｅ ｙ ｒｅ ｅ ｎ ｅａｔ ｔ Ｚ ｇ ｕ ｎＩ ｉ ｔｏ ｅｈ ｏ ， ｈｎｚ ５ ０ ７ Ｈ ｎ ， ｈｎ ｅ ｍ ｏ ｓｔ ｏ ｇ ｏ ａ ａ
基于改进BP神经网络的中央空调冷负荷预测研究_王蕾
（ ） 文章编号 ： １ ６ ７ １ ４ ５ ９ ８ ２ ０ １ ４ ０ ６ １ ６ ９ ０ ０ ３ Ｔ Ｐ ７ ５ １ － － － 中图分类号 ：
基于改进 Ｂ Ｐ 神经网络的中央空调冷负荷预测研究
王 蕾 ， 张九根 ， 李 腾 ， 陈 实
（ ） 南京工业大学 自动化与电气工程学院 ， 南京 ２ １ １ ８ １ ６；江苏省建筑设计研究院有限公司 ， 南京 ２ １ ０ ０ １ ９
对它的影响 。 在本文中 ， 预测系统是与控制紧密相关 ， 控 制 过 程中产生的误差对预测有重要的训练意义 ， 它应该作为一个 反 馈参数进入到神经网络的输入参数中 ， 因此 ， 输入参数应加 入 。 控制误差 （ Ｅ Ｃ） 本文所描述的建筑 冷 负 荷 预 测 的 Ｂ Ｐ神经网络结构如图１ 所示 ：
０ 引言
对于空调节能 ， 如何 使 空 调 系 统 能 耗 和 运 行 费 用 最 小 化 ， 提高空调系统经济效益 ， 是一个棘手又必须解决的问题 。 精 确 的冷负荷预测是空调系统运行管理的有效依据 ， 提高控制调 节 的可预见性及系统的稳定性 。 目前负荷预测包括静态预测和 动 态预测 ， 这些预测方法都需要建立数学模型 ， 且预测结果的 准 确性与所建立模型的精度有着密切的关系 。 对于空调系统而言 ，各房间热传递过程和众多因素有关 。 由 于这些因素的多样性和不确定性 ， 用静态预测或动态预测所建立 的过程模型和对象模型一般比较复杂 ， 并要处理大量数据 。 基于 这些原因 ，人工神经网络 （ Ａ Ｎ Ｎ） 越来越受到人们的关注 。 目前 。 然而通用的 Ｂ 神经网络是其中应用最广泛的神经网络 Ｂ Ｐ Ｐ 模型 会存在收敛慢 ，易陷入局部最优 ， 精度相对低的缺点
基于BP神经网络的短期负荷预测
基于BP神经网络的短期负荷预测基于BP神经网络的短期负荷预测一、引言电力系统的短期负荷预测在电力行业中扮演着重要角色。
准确预测短期负荷有助于确保电力系统的稳定运行，合理安排电力资源，提高电力供应的可靠性和效率。
然而，由于负荷预测的复杂性和不确定性，传统的统计方法往往不能满足准确预测的要求。
随着计算机技术的快速发展，人工智能技术被广泛应用于负荷预测领域。
其中，基于BP神经网络的短期负荷预测方法因其较高的准确性和灵活性而备受关注。
本文旨在探讨基于BP神经网络的短期负荷预测原理及应用，并通过实例分析展示其优势和局限性。
二、基于BP神经网络的负荷预测原理BP神经网络（Backpropagation Neural Network）是一种具有反向传播算法的人工神经网络。
它由输入层、隐藏层和输出层组成，通过非线性映射将输入信号转换为输出信号。
在负荷预测中，输入层通常包含历史负荷数据和其它相关因素（如天气、季节等），输出层则是预测的负荷值。
具体而言，BP神经网络的预测过程可以分为以下几个步骤：1. 数据准备：将历史负荷数据进行预处理，包括归一化、滤波和特征提取等。
同时，对于相关因素的数据也需要进行同样的处理。
2. 网络搭建：确定神经网络的结构和参数设置。
隐藏层的节点数量和层数的选择是关键，过少会导致欠拟合，过多则可能引起过拟合。
3. 前向传播：将输入数据通过神经网络传递，计算每个神经元的输出。
此过程中，网络中的连接权重根据当前输入和人工设定的权重进行调整。
4. 反向传播：根据误差函数计算损失，并通过链式法则更新各层的权重。
该过程反复进行直到误差小于预设阈值。
5. 预测与评估：使用训练好的神经网络对新的输入数据进行预测，并评估预测结果的准确性。
常用评估指标包括均方根误差（RMSE）和平均绝对百分比误差（MAPE）等。
三、基于BP神经网络的负荷预测应用基于BP神经网络的短期负荷预测方法已在电力系统中得到广泛应用。
以下是几个典型的应用实例：1. 区域负荷预测：通过采集各个区域的历史负荷数据和相关影响因素，建立对应的BP神经网络模型，实现对区域负荷的短期预测。
基于BP神经网络的短期负荷预测研究
基于BP神经网络的短期负荷预测研究短期负荷预测是电网运行和调度的关键问题之一，对于电力系统的安全稳定运行具有重要意义。
短期负荷预测主要是指对未来一段时间（一天、一周或更短的时间段）内的电力负荷进行预测。
准确的短期负荷预测可以帮助电力企业做好电力调度，合理调度发电机组的输出功率，提高电网能源利用率，减少电网运行成本。
在过去的几十年中，人们使用了许多方法来进行短期负荷预测，如回归分析、时间序列分析、灰色预测、神经网络等。
然而，由于电力负荷具有复杂性、不确定性和非线性特点，传统的方法往往难以获得准确的预测结果。
相比之下，神经网络方法在短期负荷预测中具有一定的优势。
BP神经网络是一种常用的神经网络模型，它是一种前向反馈、误差反向传播的多层感知器模型。
在短期负荷预测中，BP神经网络可以通过学习历史负荷数据和影响因素，建立负荷预测模型并进行预测。
BP神经网络模型具有非线性处理能力和逼近任意复杂函数的能力，能够充分挖掘数据中的潜在模式和规律，提高负荷预测的准确性。
在进行基于BP神经网络的短期负荷预测研究时，需要考虑以下几个方面：1.数据预处理：原始负荷数据往往受到噪声、异常点等因素的影响，需要进行数据清洗和预处理。
常见的数据预处理方法包括去除异常值、平滑处理和数据归一化等。
2.输入特征选择：负荷预测的准确性与所选择的输入特征密切相关。
可以使用相关性分析、主成分分析、逐步回归等方法选择最佳的输入特征，以提高负荷预测模型的性能。
3.网络结构设计：BP神经网络的性能受到网络结构的影响。
合理设计神经网络的层数和节点数可以提高负荷预测的准确性。
常见的网络结构包括单隐藏层网络、多隐藏层网络、含有连接权共享的网络等。
4.学习算法选择：BP神经网络的学习算法有多种选择，如经典的基于梯度下降的BP算法、改进的BP算法（如动量法、弹性BP算法）、共轭梯度算法等。
选择合适的学习算法可以提高神经网络的学习速度和收敛性。
5.模型评估和优化：在使用BP神经网络进行负荷预测时，需要对预测模型进行评估和优化。
基于遗传神经网络的冰蓄冷空调系统负荷预测研究
始值 选取 较繁琐 等 缺陷 ， 笔者基 于遗 传算 法 （ Ａ） Ｇ
的思 想 ， Ｂ 对 Ｐ神 经 网络 权 重进 行 优 化 ， 构成 一 种
Ｇ ． Ｐ算法 ， ＡＢ 并应 用 于 冰 蓄 冷 中央 空 调 预测 仿 真
系统 中 ， 果表 明该 模 型 提 高 了收 敛 速 度 和预 测 结
１ ３ 神 经 网测采 用 时间移 动法 进
行， 即得 到 ｔ 时刻 的 预测 负荷 值 Ｌ ａ （ ） ， 预 ｏｄ ｔ 后 再
为充 分发 挥冰 蓄 冷 空 调优 势 ， 良好 的控制 策 略 显 得极 为重 要 ， 而准 确 的负 荷 预测 是 制 定 冰 蓄冷 空
有 大气 温度 、 湿度及 太 阳辐射 强度 等。一 般来 说 ， 如 果 网络的输 入 变 量 不 完整 ， 即输 入 层 中没有 完 全 包含影 响 网络 输 出的 变量 因素 ， 网络 训 练 就 不
星期 一 一五 （ 作 日） 工
量 化 值
Ｏ． ７ Ｏ． ３
星期 六 、 星期 天 （ 息 日） 休
收 稿 日期 ：０ ２０ —４ 修 改 稿 ） ２ １ －２１ （
第 ４期
周 树 贵 等 ． 于 遗 传 神 经 网络 的冰 蓄 冷 空 调 系统 负 荷 预测 研 究 基
会 收敛 ， 而如 果输 入 中包 含 个别 与 网络 收 敛 误 差 无 关 的变 量 ， 由于 Ｂ Ｐ网络 具 有很 强 的鲁棒 性 （ 容 错 性 ） 因 而 对 网 络 不 会 产 生 太 大 影 响 。受 实 际 ， 情 况 限制 ， 设计 如 下 数 据 作 为冰 蓄冷 空 调 系 统 拟 负 荷预 测神经 网络 的输 入量 ： 时刻 ｔ０～ ３ ） 大 （ ２ｈ ；
基于BP神经网络的负荷预测模型研究
基于BP神经网络的负荷预测模型研究第一章：引言负荷预测在电力系统运行和规划中扮演着重要的角色。
准确地预测负荷变化可以有效地优化电力系统的运行调度和资源分配，提高电力系统的可靠性和经济性。
近年来，随着电力系统规模的不断扩大和发展，负荷预测变得越来越复杂。
传统的负荷预测方法，如统计方法和时间序列方法，在处理非线性和时变特性方面存在一定的局限性。
因此，基于人工智能的方法逐渐成为研究的热点。
第二章：BP神经网络的基本原理BP神经网络是一种常用的人工神经网络，其具有非线性映射能力和适应性优势。
BP神经网络由输入层、隐藏层和输出层组成，通过前向传播和反向传播算法来实现训练和预测的过程。
输入层接收负荷预测的相关特征，隐藏层进行特征转化和映射，输出层输出负荷预测结果。
第三章：负荷预测模型的构建在构建基于BP神经网络的负荷预测模型时，首先需要选择合适的输入变量。
常用的输入变量包括历史负荷数据、天气数据、节假日等。
接下来，需要对数据进行预处理，包括数据归一化、去除异常值等。
然后，将数据集划分为训练集和测试集，用于模型的训练和评估。
接着，选择适当的网络结构和参数，如隐藏层数、神经元个数和学习率等。
最后，通过对训练集的训练和优化，得到预测模型。
第四章：负荷预测模型的实验与分析本章将通过实验对基于BP神经网络的负荷预测模型进行验证和分析。
首先，采集真实的负荷数据和相关特征数据，构建实验数据集。
然后，将数据集按照一定的比例划分为训练集和测试集。
接着，使用BP神经网络模型对训练集进行训练，并对测试集进行预测。
最后，根据实验结果进行分析和评估。
第五章：模型性能评价指标为了评估基于BP神经网络的负荷预测模型的性能，需要引入合适的评价指标。
常用的评价指标包括平均绝对百分比误差(MAPE)、均方根误差(RMSE)和相关系数等。
通过对实验结果进行评价指标的计算和比较，可以对模型的预测精度进行客观的评估。
第六章：讨论与展望本章将对基于BP神经网络的负荷预测模型进行讨论和展望。
基于LM-BP神经网络的办公建筑逐时空调能耗预测
５８
王 曦 ꎬ 等 : 基 于 ＬＭ － ＢＰ 神 经 网 络 的 办 公 建 筑 逐 时 空 调 能 耗 预 测
０ 引言
随着我国经济的高速发展ꎬ我国建筑能耗占比上
升至 ４５ ５％ꎬ 其 中 大 型 公 共 建 筑 电 能 消 耗 最 为 严
重 [１] ꎮ 准确预测建筑能耗对于做好电力调配ꎬ缓解高
峰时期用电压力ꎬ对于实现能耗的合理分配ꎬ提高电
１ ＬＭ －ＢＰ 神经网络算法
ＢＰ 神经网络一般由输入层、隐含层和输出层构
成ꎬ通过神 经 元 进 行 信 息 传 输 [１１] ꎬ 网 络 模 型 结 构 如
图 １ 所示ꎮ
网的经济性、可靠性具有重要意义ꎮ
在电力市场交易中ꎬ用能侧需要确定自己用电需
求进行市场申报ꎬ偏差考核机制的完善和分时电价的
ａｖｅｒａｇｅ ｉｎ ｓｕｍｍｅｒ ｍｏｄｅｌꎬ ａｎｄ ５％ ｉｎ ｗｉｎｔｅｒ ｍｏｄｅｌꎬ ｂｏｔｈ ｏｆ ｗｈｉｃｈ ａｒｅ ｗｉｔｈｉｎ １０％ꎬ ｗｈｉｃｈ ｉｎｄｉｃａｔｅｓ ｔｈｅ
ｆｅａｓｉｂｉｌｉｔｙ ｏｆ ｕｓｉｎｇ ＬＭ￣ＢＰ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｉｎ ｐｒｅｄｉｃｔｉｎｇ ｂｕｉｌｄｉｎｇ ａｉｒ ｃｏｎｄｉｔｉｏｎｉｎｇ ｅｎｅｒｇｙ ｃｏｎｓｕｍｐｔｉｏｎ. Ｔｈｅ
ｓｐｅｅｄ ｏｆ ｔｈｅ ｍｏｄｅｌꎬ ｒｅｄｕｃｅ ｔｈｅ ｎｕｍｂｅｒ ｏｆ ｉｔｅｒａｔｉｏｎｓ. Ｔｈｅ ＬＭ￣ＢＰ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｉｓ ｕｓｅｄ ｔｏ ｔｒａｉｎ ａｎｄ ｔｅｓｔ
ｓａｍｐｌｅｓ ｏｆ ａｉｒ￣ｃｏｎｄｉｔｉｏｎｉｎｇ ｅｎｅｒｇｙ ｃｏｎｓｕｍｐｔｉｏｎ ｓｉｍｕｌａｔｉｏｎ ｄａｔａ ｉｎ ｓｕｍｍｅｒ ａｎｄ ｗｉｎｔｅｒ ｒｅｓｐｅｃｔｉｖｅｌｙ ｔｏ
基于GRA-SA-BP神经网络算法的商场空调冷负荷预测模型
建设科技 ∣ 113建设科技CONSTRUCTION SCIENCE AND TECHNOLOGY2020年12月下总第421期交流探讨大型公共建筑能耗作为能源消耗巨头之一，占中国社会总能耗的32%左右[1]。
在大型公共建筑的能耗中，空调能耗达到总能耗的40%~60%[2]。
与此同时，建立合理的空调负荷预测模型是实现空调系统经济运行和调度的基础[3]。
目前针对空调负荷预测，国内外的学者在不同方向进行了研究。
王洪磊[4]等人运用eQUEST 能耗模拟软件,预测天津某区域空调冷、热负荷。
陈锐彬[5]基于GRA-SA-BP 神经网络算法的商场空调冷负荷预测模型黄馨乐 于军琪 赵安军（西安建筑科技大学 建筑设备科学与工程学院，西安 710055）[摘要]本文提出了一种基于GRA-SA-BP 神经网络算法预测商场的空调冷负荷，利用关联度分析法，剔除输入变量中和输出变量间关联度低的因素，采用模拟退火算法对BP 神经网络的权值进行优化，并对优化后的神经网络进行训练，得到冷负荷预测结果。
结果表明，GRA-SA-BP 模型具有较高的预测精度和可靠性，满足实际的应用需求。
[关键字]灰色关联度分析；模拟退火算法；空调冷负荷；预测模型；Cold Load Prediction Model of Shopping Mall Air Conditioning Basedon GRA-SA-BP Neural Network AlgorithmHuang Xinle ， Yu Junqi ， Zhao Anjun（School of Building Services Science and Engineering ，Xi’an University of Architecture and Technology ，Xi’an, 710055）Abstract : In this paper, a method based on GRA-SA-BP neural network algorithm is proposed to predict the air-conditioning cooling load of shopping malls. By using the correlation analysis method, the factors with low correlation between input variables and output variables are eliminated. The simulated annealing algorithm is used to optimize the weights of BP neural network, and the optimized neural network is trained to obtain the cooling load prediction results. The results show that the GRA-SA-BP model has high prediction accuracy and reliability, which can meet the actual application requirements.Keywords: grey correlation analysis, simulated annealing algorithm, air-conditioning cooling load, prediction model等人采用BP 神经网络建立了冷负荷预测模型,验证了其冷负荷预测的准确性。
基于BP神经网络的空调能耗预测与监控系统
lation experiment
0
引
等场所的合理分配能耗资源、节能减排等都具有重要的
言
价值 [2]。
随 着 经 济 发 展 ，空 调 占 总 住 宅 能 耗 的 比 例 越 来 越
近年来，已有不少国内外学者对空调能耗预测展开
大 。因此，准确监控预测空调系统能耗对空调负荷峰
研 究 ，Yang 等 人 提 出 了 ELM（Extreme Learning Ma⁃
system based on BP neural network
WANG Ding’ao1，2，LIU Qin1，2
（1. College of Electronics and Information Engineering，Nanjing University of Information Science and Technology，Nanjing 210044，China；
空调能耗预测与监控系统。该方法将室外温湿度、房间冷热负荷、空调维持温湿度作为 BP 神经的输入，利用 DeST 分析并仿
真在不同环境条件下的空调能耗。实验结果与样本数据比较可得，两者误差百分比在[-1.319%，1.270%]。为便于算法的实
际应用，亦设计一套基于 MVVM（Model⁃View⁃ViewModel）架构思想的空调能耗监测系统，并用 Java 将空调能耗预测方程进行
[1]
谷来临时做好电力负荷的削峰填谷工作，提高电网安全
性、经济性、可靠性等具有重要意义，对公司、单位、家庭
收稿日期：2019⁃03⁃12
chine）算法 [3]，ELM 算法本身精度相对较低，预测结果误
2. Jiangsu Key Laboratory of Meteorological Observation and Information Processing，Nanjing University of Information Science Technology，Nanjing 210044，China；
基于改进BP网络的空调系统负荷预测
基于改进BP网络的空调系统负荷预测
孙敬;曹建培;张九根
【期刊名称】《微计算机信息》
【年(卷),期】2006(022)035
【摘要】本文针对BP模型收敛速度慢、易陷入局部极小点等缺点,基于遗传算法的思想,对训练算法进行了改进,提高了收敛速度和预测精度.应用表明这种改进模型在空调系统的负荷预测方面是有效的、可行的.
【总页数】4页(P199-201,151)
【作者】孙敬;曹建培;张九根
【作者单位】210009,南京工业大学;210007,空军94608部队59分队;210009,南京工业大学
【正文语种】中文
【中图分类】TP183
【相关文献】
1.基于BP改进模型的空调系统负荷预测 [J], 常晓珂;夏凊;晋欣桥
2.基于改进BP网络的空调系统负荷预测 [J], 孙敬;曹建培;张九根
3.基于改进型BP神经网络的大型CCHP系统负荷预测研究 [J], 顾兆雄;黄志坚;谢鸣;林萌雅;齐家业;高文忠
4.基于改进BP神经网络算法的电力负荷预测研究 [J], 王荦荦;杨辉;李建峰
5.基于遗传模拟退火算法改进BP神经网络的中长期电力负荷预测 [J], 徐扬;张紫涛
因版权原因，仅展示原文概要，查看原文内容请购买。
基于改进人工神经网络的空调负荷预测
基于改进人工神经网络的空调负荷预测
陈文成;陈楚夫;陈玉凌
【期刊名称】《建筑节能(中英文)》
【年(卷),期】2022(50)11
【摘要】建筑空调负荷预测对于节约建筑能耗、维持设备稳定负荷运转有着重要的意义,故研究建筑空调负荷预测具有较高的现实意义与社会价值。
建立建筑模型,利用EnergyPlus负荷模拟软件得到建筑空调负荷数据,采用MATLAB建立BP人工神经网络模型。
将遗传算法(GA)引入BP神经网络,建立改进的GA-BP神经网络模型。
使用两种不同的神经网络对建筑的空调负荷数据进行训练和验证,得出两种网络模型预测数据的平均误差皆低于20%。
其中,BP神经网络负荷预测的决定系数R~2为0.714,GA-BP神经网络负荷预测的决定系数R~2为0.948,故后者的负荷预测性能更好。
由此可见,改进人工神经网络对建筑物空调负荷的预测具有更高的准确性以及一定的应用价值。
【总页数】5页(P98-102)
【作者】陈文成;陈楚夫;陈玉凌
【作者单位】湖南省工业设备安装有限公司;中国电建集团中南勘测设计研究院有限公司
【正文语种】中文
【中图分类】TU83
【相关文献】
1.基于改进BP人工神经网络的电力负荷预测
2.人工神经网络在空调系统负荷预测中的应用
3.基于BP人工神经网络的空调降温负荷预测
4.基于BP人工神经网络的改进广义预测控制的电网负荷预测
5.基于改进聚类算法的人工神经网络短期负荷预测研究
因版权原因，仅展示原文概要，查看原文内容请购买。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
ＣＨＥＮ ｅ Ｗ ｎ—ｄ ｎ ｉ ｇ，ＺＨＡ０ ｅ—ｓ ｅ Ｚｈ ｈｎ
（ ｈ ｎ ｈ ｉ ｎｖｒｉ ，Ｓｈ ｏ ｏ ｃ ｔ ｎｃ ｎ ｉｅｒ ｇａ ｄＡ ｔ ｔ ｎ ｈｎ ｈ ｉ ０ ０ ， ｈｎ ） Ｓ ａｇ ａ Ｕ ｉｅｓｙ ｃ ｏｌ ｆ ｔ Ｍａｈｒ ｉ Ｅ ｇ ｅｉ ｎ ｕｏ ｉ ，Ｓ ａ ｇａ ２ ０ ７ Ｃ ｉａ ｏ ｓ ｎ ｎ ｍａ ｏ １
ｍｅｓｒ ｇｄ ｔ ｏ ｅｃ ｉｅ ｙｔｍ ｉ ｅＣ ｅｊ ｎ Ｉｔ ｎ ｔ ｎ ｌ ｕｌｉｇ ｈ ｔ ｅｄ ｏｄ ｒｓｌ． ａｕｉ ａ ｆ ｈ ｈｌ ｒｓｓ ｎ ｔ ｈ ｎｉ ｎｅ ａｉ ａ Ｂ ｉ ｎ ，ｔａ ｌａｓｔ ｇｏ ｅｕｔ ｎ ａ ｔ ｌ ｅ ｈ ａ ｒ ｏ ｄ ｏ ｓ
陈文 鼎 。 哲 身 赵 （ 海 大 学 机 电工程 与 自动化 学院 ， 海 上 上 ２０ ７ ） ０ ０ ２
摘 要 ： 文 以城 建 国际 大厦冷 源 系统 的检 测数 据 为依 据 ， 用 Ｂ 本 利 Ｐ神 经 网络 ， 立 了 空调 负 建
荷 预测 模 型 ， 取得 了较 好 的结果 。 文章进 一 步分析 了可能存 在 的误 差及提 高预 测 精度 的 方法 。 并
Ａｂｓｒ ｃ Ａ ｅ ｒ ｌｎ ｔ ｒ ｄ ｌｔ ａ ｏ ｅ ａ ｔ ｈ ｕ ｌ ｉ ｇ ｌａ ｓ ｐ ｅ ｅ ｔ ｄ ｉ ｈ ｓｐａ ｅ ａ ｅ ｎ ｔ ｔ ａ ｔ： ｎ ｕ ａ ｅｗｏ ｋ ｍｏ ｅ ｈ ｔｆｒ ｃ ｓｓ ｔｅ ｂ ｉｄ ｎ ｏ ｄ ｉ ｒ ｓ ｎ ｅ ｎ ｔ ｉ ｐ ｒｂ ｓ ｄ ｏ ｈｅ
却塔组 成 。
中的 比重 急剧 上 升 。在 建 筑 能耗 里 ， 中央 空调 能耗
占总能耗 的 ６ ％左 右 ， ０ 而冷 热 源 系 统 的能 耗 又 占空
此 ， 以利 用人工 神 经 网络 的方 法 模 拟 室 外 气 象 参 可
数 与空 调负 荷 的非 线 性 模 型 。本 文 采用 Ｂ Ｐ神 经 网
过 网络 的学 习就 能掌 握影 响 空调负 荷 的各个 要 素及
其 内在联 系 ， 而预 测 要 优 于传 统 的统 计 预 测 的方 从
收稿 日期 ２０ ０ ９—１ Ｏ １一 ３ 修订稿 日期 ２０ ０ ９～１ ２—１ ２
作 者 简 介 ： 文 鼎 （ ９２～） 男 ， 士研 究 生 。 陈 １８ ， 硕
量空调 负荷 的有 关 数 据 中 自动 抽 取 共 同的 特 征 ， 通 过 调整 网络 的连接 权 重来 反 映 出这 种特 征 。从而 通
本课 题 的研究 对象是上 海城建 国际大厦 ， 地下 其 ３层 ， 上 ２ 地 ５层 ， 总建 筑 面 积 约６ ０ 其 中商 业 ００ ０ｍ ， 建筑面 积 约５５ ０ｍ ， 公 层 建筑 面积 ３ ０ 城 ０ 办 ９５０ｍ 。 建 国际大厦冷 冻水 系统 由 ３台 Ｙ Ｒ Ｏ Ｋ冷 水机 （其 中 ２ 台 离 心 机 （５７ ４ｋ／ ） 和 １ 台 螺 杆 机 ９ ９ Ｊｈ （２２ １ｋ／ ）４台冷冻水泵 、 ５ ５ Ｊ ｈ 、 ５台冷却 水泵和 ５台冷
际 大厦 的空 调负荷 预 测 。
负荷 预测 方法 主要 有 指 数 平 滑法 ， 元线 性 回归 法 多
和神 经 网络法 。人 工 神 经 网 络所 具 有 的 自学 习 、 自
１ 影 响 空 调 负 荷 的 因素
１ １ 建筑 物 空调 负 荷 的计 算 ．
组织能 力 和容错 性 等 优 点 ， 它 能 够从 所 学 习 的大 使
关 键词 ： 源 系统 ； Ｐ神 经 网络 ； 冷 Ｂ 负荷 预 测
中图分 类号 ： Ｕ ３ ． Ｔ ８ １２ 文献标 识 码 ： Ａ 文章 编号 ：０ ２— ３ ９（ ０ ０ １— ０ ５— ３ １０ ６ ３ ２ １ ）Ｏ ０ １ ０
Ｐｒ ｄ ｃ ｉｎ ｏ ｒ Ｃｏ ｄｉｉ ｎ ｎｇ Ｌｏ ｄ Ｂａ ｅ ｅ ｉｔｏ ｆＡｉ ｎ ｔｏ ｉ ａ ｓ ｄ ａ ｌ ｚ ｄ ａ ｄ ｔ ｅｈ ｄ ｔ ｍｐ ｏ ｅ ｉｓａ ｃ ｒ ｃ ｓ ｄ ｓ ｕ ｓ ｄ ｅ ｅ ｒ ｒｉ ｎａｙ ｅ ｎ ｈｅ ｍ ｔ ｏ ｏ ｉ ｒ ｖ ｔ ｃ ｕ ａ ｙ ｉ ｉｃ ｓ ｅ ．
Ｋｅ ｒ ｓ： ｏ ｄ ｓ ｕ ｃ ＢＰ ｎ ｕ ａ ｅｗｏ ｋ；ｏ ｄ ｐ ｅ ｃ ｉｎ ｙ ｗｏ ｄ ｃ ｌ ｏ ｒ ｅ； ｅ ｒ ｌｎ ｔ ｒ ｌ ａ ｒ ｄｉｔｏ
第２ ８卷 ， 总第 １９期 ５ ２１ ０ ０年 １月 ， １ 第 期
《节 能 技 术 》
ＥＮＥＲＧＹ ＣＯＮＳ ＥＲＶＡＴ ＯＮ Ｉ ＴＥＣＨＮＯＬＯＧＹ
Ｖｏ． ８， ｕ ． ．１ １ ２ Ｓ ｍ Ｎｏ ５９
Ｊ ｎ ２ １ Ｎｏ １ ａ ． ０ ０， ．
基于 Ｂ Ｐ神 经 网络 的空 调 负荷 预 测
０ 引 言
智能 建筑 的迅 速发 展使 建筑 物 能耗 在能源 消 耗
法 。中央 空 调 冷 冻 水 系 统 是 具 有 大 滞 后 和 非 线
性 特性 的系 统 ， 以确 立 室 外 气象 参数 与 空 调 负 荷 难
的数学模 型 。神 经 网络通 过学 习能 够掌 握数 据 问复 杂 的依从 关 系 ， 有较 好 的样本 非线 性 映射能 力 ， 具 因
调 能耗 的 ５ ％ 。 因此 ， 能较 准 确地 预 测 建 筑物 ５ 如
的 空调负 荷 ， 冷热 源按 建筑 物 负荷需 求 供应 ， 空 使 对
调 系统节 能有 非 常重 要 的 意义 。 目前 ， 常用 的空 调
络建 立 空调 负荷 预测 模 型 ， 将其 应 用 于上 海 城 建 国