[发明专利]一种基于遗传算法-神经网络的热负荷预测方法

摘要

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。

主权项

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。