[发明专利]一种基于粒子群神经网络的办公建筑负荷预测方法

权利要求书

1.一种基于粒子群神经网络的办公建筑负荷预测方法，其特征是，包含以下步骤：

步骤1：确立办公建筑负荷预测神经网络模型的输入特征变量和输出目标向量；

步骤2：初始化粒子群解集x_i＝(a_1i,a_2i,b_1i,b_2i,c_i)，其中a_1i和b_1i分别代表神经网络输入层与隐含层间的权值和阈值，a_2i和b_2i分别代表神经网络隐含层与输出层间的权值和阈值，c_i代表神经网络隐含层的个数，对其分别进行初始化；

步骤3：计算每个粒子的适应度值，即当前微粒下的目标函数值f(x)；

步骤4：更新粒子的局部最优位置p_i(t)和全局最优位置p_g(t)；

步骤5：更新微粒的速度v_ij(t+1)和位置x_ij(t+1)；

步骤6：判断结束条件；

如果尚未满足结束条件，则返回步骤3；如果满足结束条件，则输出当前最优位置p_g(t)；

步骤7：赋值神经网络并进行神经网络模拟，预测办公建筑负荷。

2.根据权利要求1所述的基于粒子群神经网络的办公建筑负荷预测方法，其特征是，步骤1中，神经网络模型的输入特征变量包括：T-1时刻的负荷值，T-2时刻的负荷值，T-3时刻的负荷值，T-24时刻的负荷值，周变量，室外平均温度，室外平均湿度，空调主机1开启状态，空调主机2开启状态，空调主机3开启状态，冷冻水温度；

输出目标向量为T时刻的负荷预测值。

3.根据权利要求1所述的基于粒子群神经网络的办公建筑负荷预测方法，其特征是，步骤3中，粒子群的每个解集x_i(t)，t＝(1,2,3,…,t_max)都对应着神经网络的一组权值、阈值和隐含层个数，把这些值分别赋给神经网络并进行网络训练，通过计算神经网络的训练误差的倒数来计算粒子的适应度值f(x_i(t))。