[发明专利]一种基于BP神经网络的地铁能耗综合预测方法

说明书

技术领域

本发明涉及一种能耗综合预测方法，尤其是一种基于神经网络的地铁能耗综合预测方法。

背景技术

城市轨道交通是城市公共交通体系的重要组成部分，具有运量大，速度快，准点率高，占地少，污染小等特点，可以很好的解决当前城市交通拥挤问题。随着全国各地大批量的上马地铁项目，地铁的运行公里数直线上升。由于地铁的运营主要是靠能源，因此提高能源的利用效率对于降低地铁的运营成本，保护环境，节能减排都具有重大的意义。

为了实现轨道交通节能降耗，降低运输成本，国内外的研究学者进行了广泛的研究，主要从以下两方面进行，一部分学者从列车运动方程即基于列车受力分析的机车功率角度计算列车运行能耗；另一部分研究单位建立了基于能耗影响因素(如速度、停靠站数量等)的多元回归方程，通过统计数据分析与校验其影响因素的影响程度，进而估算出列车能耗。这里的能耗影响因素主要是指影响列车运行能耗的因素，包括列车的停站方案、技术速度、满载率、列车的牵引力特性以及线路条件等。通过对每一个单一因素进行理论分析和条件对比，从而做出能耗预测。

目前的地铁能耗预测主要是针对列车本身的运行能耗进行的测算，而车站内的自动扶梯、空调系统和其它动力设备的运营能耗并未进行准确科学的测算。显然，为了提高能源利用率，对地铁能耗进行合理的预测就要考虑地铁系统的总能耗，而不仅是列车本身的运行能耗。另一方面，现有的能耗预测是分别在单一影响因素下进行，然后再进行能耗的整合，而不是根据影响因素直接对总能耗进行预测，更关键的是地铁能耗的周期性未被考虑进去，其往往具有不确定性，并包含了大量的非线性函数，因此无法用功率计算公式精确表示。

发明内容

针对现有地铁能耗预测模型存在的不足，本发明提出一种基于BP神经网络的地铁能耗综合预测方法，主要包括以下步骤：

第一步，建立地铁能耗综合预测的神经网络模型，其中包括确定神经网络模型的输入特征变量，神经网络模型输出的目标向量；

第二步，确定所述神经网络模型的隐含层单元数的取值边界；

第三步，对所述神经网络模型的参数进行初始化；

第四步，计算所述神经网络模型的学习误差；

第五步，对所述神经网络模型进行训练，确定所述神经网络模型的隐含层单元数，从而建立用于预测地铁能耗的BP神经网络。

该方法综合考虑了列车运行能耗以及车站运营能耗的影响因素，同时还考虑了地铁能耗的周期性。只需输入影响能耗的特征变量即可预测当日的地铁总能耗。

附图说明

图1是地铁能耗BP网络模型方案流程图

图2是误差分级迭代法程序框图

具体实施方式

下面结合附图详细说明本发明的实施方案。

本发明的方案流程图如图1所示，它主要包括以下五个步骤，具体实施如下：

步骤一：确定输入变量和目标输出

地铁能耗系统本身可看成是关于时间序列的一个高度非线性系统，故可以用一个三层的BP神经网络来对地铁能耗进行模拟。其模型结构的确定，需考虑对地铁能耗影响较大的变量因素，并分析其用于神经网络的可行性。

影响地铁能耗的因素很多，例如地铁站内的灯光照明、空调设备、人流密度、环境温度，列车的技术速度、列车的运营组织模式以及列车的基础设施等。通过对以上因素进行分析发现，短时期内，列车一旦投入使用，列车的基础设施以及运营组织模式将不会改变，其对地铁能耗的变化影响可以不予考虑。而列车的满载率又跟车站内的人流密度密切相关，空调耗电与环境温度也有直接的联系。因此，我们可以对能耗的影响因素进行属性约简，只需考虑环境温度、人流密度、列车的车次密度和灯光照明四个影响因素，其中环境温度用高于26℃的小时数来表示。影响因素考虑的越多，神经网络系统会越复杂和庞大，网络学习时间将过长，无法达到满意效果。上面初步确定的四个影响因素是否全部作为网络的输入特征变量，本发明采用一种基于相关系数的方法来最终确定。

首先计算各影响因素的不同指标与地铁能耗的相关系数，相关系数绝对值的大小反映了相应指标影响地铁能耗程度的大小，相关系数计算公式如下，