[发明专利]一种基于遗传算法-神经网络的热负荷预测方法

权利要求书

1.一种基于遗传算法-神经网络的热负荷预测方法，其特征在于，所述方法包括：

步骤1、首先仿真获取一段时间内每天四个特征向量以及一个待预测标签；其中，所述四个特征向量包括室外干球温度、太阳照度、风速和湿球温度；待预测标签为热负荷数值；

步骤2、将上述仿真出的数据按照时间进行划分，分为训练集数据和预测集数据；

步骤3、再利用z-scroe算法将两个数据集的特征向量以及待预测标签进行归一化处理，进而将各数据的量纲统一；

步骤4、对遗传算法的参数和BP神经网络参数进行设置和初始化；

步骤5、基于初始化参数建立BP神经网络，将BP神经网络的所有权值和阈值作为一组有序染色体，依据权值和阈值的数目，用相应维数的实数变量表示；

步骤6、计算某一个体的适应度值，将预测的热负荷数值进行反归一化后计算得到待预测标签的MSE数值；

步骤7、通过遗传算法对参数进行寻优获得最佳BP神经网络，对预测集数据的热负荷进行预测。

2.根据权利要求1所述基于遗传算法-神经网络的热负荷预测方法，其特征在于，所述步骤3进行归一化处理采用的计算公式为：

其中，x_i,j代表待归一化的第i组数据的第j维数据；μ_j代表第j维特征的均值；σ_j代表第j维特征的标准差；x′_i,j代表归一化后的第i组数据的第j维数据。

3.根据权利要求1所述基于遗传算法-神经网络的热负荷预测方法，其特征在于，在步骤4中，遗传算法的参数包括种群数量、群体规模、基因长度、交叉概率和变异概率；

BP神经网络参数包括输入神经元个数、隐层神经元个数、输出神经元个数和编码长度，其中：

输入神经元个数为特征向量的维数；隐层神经元个数根据需要进行设置；输出神经元个数为待预测标签的维度；编码长度的计算公式为：

S＝R×S₁+S₁×S₂+S₁+S₂

式中，S为编码长度；R为输入神经元个数；S₁为隐层神经元个数；S₂为输出神经元个数。

4.根据权利要求1所述基于遗传算法-神经网络的热负荷预测方法，其特征在于，在步骤5中，经过编码后的基因表示为：

X＝[ω₁₁,ω₁₂,…ω_mn,v₁₁,v₁₂,…v_pm,θ₁,θ₂,…θ_m,t₁,t₂,…t_p]

其中，ω_i,j代表输入层的第j个神经元对隐含层的第i个神经元的阈值；v_i,j代表隐含层的第j个神经元对输出层的第i个神经元的阈值；θ_i表示隐含层第i个神经元的阈值；t_i表示输出层第i个神经元的阈值。

5.根据权利要求1所述基于遗传算法-神经网络的热负荷预测方法，其特征在于，在步骤6中，反归一化计算公式表示为；

式中，y_i代表归一化的第i个样本点的热负荷，μ代表热负荷的均值，σ代表热负荷的标准差，y′_i代表反归一化后的第i个样本点的热负荷。

6.根据权利要求1所述基于遗传算法-神经网络的热负荷预测方法，其特征在于，在步骤7中，通过遗传算法对参数进行寻优获得最佳BP神经网络的过程为：

采用轮盘赌形式选取优秀个体；

将上一代优秀个体进行单点交叉，形成新的个体；

基于新的个体进行步骤6的操作得到待预测标签的MSE数值，若满足最优终止条件，则结束，获得最优网络的所有权值和阈值的数值；若不满足，则继续迭代最优个体。