[发明专利]一种基于遗传算法-神经网络的热负荷预测方法

说明书

本发明公开了一种基于遗传算法‑神经网络的热负荷预测方法，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；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；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；对遗传算法的参数和BP神经网络参数进行设置和初始化；基于初始化参数建立BP神经网络；计算某一个体的适应度值；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。上述方法可以克服传统人工神经网络容易陷入局部极小值的缺点，并对热负荷进行有效预测，保证了热负荷预测的准确性。

技术领域

本发明涉及供暖系统技术领域，尤其涉及一种基于遗传算法-神经网络的热负荷预测方法。

背景技术

由于我国当前集中供暖系统的控制发展不够完善，经常出现用户端无法满足按需供暖，所以合理的热量生产显得十分重要，现有技术中常用的热负荷预测方法主要有时间序列预测法、情景分析预测法和人工神经网络法等，其中：

时间序列预测法通过时间序列模型来描述的运行规律，最终确定热负荷的预测数学公式，通过数学公式来计算出未来的热负荷的需求，虽然对于供暖系统热负荷的预测速度快，准确度高，但是建立模型的过程复杂，没有考虑到特殊天气的变化因素，因此对于实时预测或数据波动大的情况预测效果并不理想。

情景分析预测法将多个建筑物进行组合，确定区域内建筑物的热负荷的情景。它能提供最可能出现的热负荷预测结果，属于高概率性预测，精度较高，但结果依赖于各个热负荷的变化规律，一旦出现突发情况，预测偏差将无法估量。

人工神经网络预测法不用依赖具体的复杂数学模型就能够处理非线性问题，能够自组织、自学习和自适应，并且有强大的非线性映射与泛化能力，但是确定网络参数耗时耗力，缺乏一定理论指导，神经网络基于经验风险最小化的缘故使其易陷入局部极小值，预测速度也较为缓慢。

发明内容

本发明的目的是提供一种基于遗传算法-神经网络的热负荷预测方法，该方法可以克服传统人工神经网络容易陷入局部极小值的缺点，并对热负荷进行有效预测，保证了热负荷预测的准确性。

本发明的目的是通过以下技术方案实现的：

一种基于遗传算法-神经网络的热负荷预测方法，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。

由上述本发明提供的技术方案可以看出，上述方法可以克服传统人工神经网络容易陷入局部极小值的缺点，并对热负荷进行有效预测，保证了热负荷预测的准确性。

附图说明