數(shù)據(jù)驅(qū)動的建筑電能耗預(yù)測方法研究.pdf

1、建筑能量系統(tǒng)是一類多變量、分布式參數(shù)的復(fù)雜系統(tǒng)。準(zhǔn)確預(yù)測建筑能量消耗水平是分析建筑物的節(jié)能潛力、指導(dǎo)未來能源使用的重要基礎(chǔ)和前提。同時，對于提高建筑能耗設(shè)備的使用效率、減少能源浪費具有重要現(xiàn)實意義。目前，應(yīng)用先進(jìn)優(yōu)化算法實現(xiàn)建筑能量預(yù)測引起了諸多關(guān)注。本文針對既有建筑，運用多種群智能優(yōu)化算法，圍繞數(shù)據(jù)驅(qū)動的建筑電能耗預(yù)測方法展開研究。具體研究內(nèi)容包括：
　?。?）作為典型的數(shù)據(jù)驅(qū)動建模方法，人工神經(jīng)網(wǎng)絡(luò)（ANN）在過去20多年間被

2、廣泛應(yīng)用于建筑能量預(yù)測領(lǐng)域。本文驗證了基于BP神經(jīng)網(wǎng)絡(luò)的建筑能耗預(yù)測模型，在數(shù)據(jù)預(yù)處理過程中，采用基于主成分分析法（PCA）的變量選擇方法對ASHRAE提供的建筑能耗原始數(shù)據(jù)進(jìn)行變量篩選。仿真實驗結(jié)果表明該模型能夠準(zhǔn)確的預(yù)測建筑能耗，且建模時間較短。
　　（2）為了克服 BP神經(jīng)網(wǎng)絡(luò)在學(xué)習(xí)過程中易陷入局部極值、收斂速度慢的缺陷，引入群智能算法中應(yīng)用較多的微粒群算法（PSO）和遺傳算法（GA）優(yōu)化BP神經(jīng)網(wǎng)絡(luò)各處理層之間的連接權(quán)值和

3、閾值，構(gòu)建了PSO-ANN和GA-ANN兩種建筑電能耗預(yù)測模型。利用ASHRAE公布的建筑能耗數(shù)據(jù)進(jìn)行驗證實驗，并做對比分析研究。結(jié)果表明PSO-ANN在預(yù)測精度、建模時間及算法復(fù)雜度上均優(yōu)于GA-ANN模型，體現(xiàn)了該模型的優(yōu)越性。
　?。?）針對基本PSO算法易早熟收斂和尋優(yōu)速度慢的問題，本文提出了一種改進(jìn)的 PSO算法，該算法結(jié)合了生物界繁殖和遺傳變異機制。繁殖機制可以有效的保證種群微粒更好地搜索解空間，并且能加快種群收斂速度

4、；遺傳變異機制用來擾亂種群微粒的尋優(yōu)軌跡，從而在可行解空間中克服易陷入局部最優(yōu)解的現(xiàn)象。基準(zhǔn)測試函數(shù)計算結(jié)果表明iPSO具有較強的全局搜索能力和較快的收斂速度。本文運用該算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的連接權(quán)值和閾值，構(gòu)建了iPSO-ANN建筑電能耗預(yù)測模型。仿真實驗結(jié)果證明了該模型的有效性：平均建模時間不超過10秒鐘，預(yù)測精度比單一BP神經(jīng)網(wǎng)絡(luò)提高了22.7％。
　?。?）利用所提出的iPSO-ANN模型預(yù)測某高校圖書館建筑的逐時電力能耗