基于遗传算法优化的动态冰蓄冷负荷预测

闫华光,石 坤,许高杰,李德志,张艳辉,林仕立,黄 冲

(1.中国电力科学研究院，北京100190;2中国科学院广州能源研究所,广州,510640)

基于遗传算法优化的动态冰蓄冷负荷预测

闫华光1,石 坤1,许高杰1,李德志1,张艳辉2,林仕立2,黄 冲2

(1.中国电力科学研究院，北京100190;2中国科学院广州能源研究所,广州,510640)

本文中利用时间、大气干球温度、环境温度、太阳辐射强度、t-1时刻的系统冷负荷和t-24时刻的系统冷负荷作为输入变量进行建模预测。本文充分利用遗传算法的全局搜索的优势以及BP神经网络精于局部精确搜索的特性,采用遗传算法（Genetic Algorithm，GA）优化神经网络算法各因子的初始权重,充分达到了两种智能算法有机结合，达到了优势互补的目的。结果表明，遗传算法和神经网络的有效结合显著提高了预测精度，证明了这种方法的有效性和可靠性，为指导动态冰蓄冷空调系统负荷预测和提高预测精度提供了新途径。

冰蓄冷系统;负荷预测;遗传算法;神经网络

0 引言

动态冰蓄冷空调系统的负荷预测是长期困扰学术界和研究者的一个具有挑战性的问题。如何准确预测冷负荷，提高能源利用率，达到节能的目的，是长期困扰学术界和研究者的一个具有挑战性的问题。Ferrano 和 Wong 首次提出了采用BP模型方法预测次日冰蓄冷系统的总冷负荷，其主要的思想方法是根据前一天的的温度确定冷负荷模式，与专家系统相糅合，恰当地确定次日负荷所需冷量，达到可以更好地控制夜间制冷机的运行功率的目的。但遗憾的是，该文献仅提出了神经网络负荷预测的思想，并没有实质的应用于工况。曹双华 等建立了基于小波变换算法，建立了递归人工神经网络模型预测空调负荷,引入折扣系数法以提高近期预测精度，结果表明该方法预测精度较高，但存在局部收敛和收敛速度慢等缺点。

本文通过不同实验周期的相关实验数据，并建立了糅合遗传算法的优势和人工神经网络智能算法的混合算法，应用于动态冰蓄冷系统次日负荷预测，探索提高蓄冰空调系统的动态优化控制的新的有效工具。

1 模型的建立

1.1 遗传算法简介

遗传算法（Genetic Algorithm，GA）主要依赖于群体搜

索策略和群体中基体相互间的信息交换策略, 但主要特征是搜索策略并不依赖于梯度信息。它尤其适用于解决的非线性问题，其求解问题的涉及编码、选择、交叉和变异等四个主要步骤。

1.2 遗传算法对BP权值的优化

1)连接权编码: BP人工神经网络输入层结点数位m，输出层结点数为n，隐含层节点数为S1，BP人工神经网络的初始权阀值由4个初始权值矩阵组成：输入层-隐含层的IW，隐含层-输出层LW，隐含层初始阀值矩阵B1，输出层初始阀值矩阵B2，所有权阀值共同组成了一个染色体；本实验采用实数编码，则遗传算法编码长度（即染色体）为m*S1+S1*n+S1+n。

2)适应度函数。人工神经网络预测体系以训练数据样本为输入量，计算模型输出值与期望输出值之间的平均绝对误差ΔEi，则染色体的适应度函数可表征为：

其中,yk(k=1,2,…,n)为网络的输出；Rk(k=1,2,…,n)为输出层神经元的期望输出,即实际的冷负荷；i为m组训练样本，ρ为加权系数，其主要用来加大近期样本所起的作用。适应度函数值大的个体直接进入下一代，适应度值小的个体被淘汰，从而提高了遗传算法的全局收敛性。

3)选择算子。对各染色体进行选择计算。对染色体i的选择率为：

其中,ƒi为染色体i的适应度函数；∑ƒj为种群的总适应度。

4)交叉计算。交叉率 pc 的自适应公式为：

其中,ƒc为交叉前父代两个个体中适应度大者；ƒ0为种群平均适应度。

5)变异率计算。变异率 pm 的自适应调整公式为：

其中,ƒ0为种群平均适应度；ƒ为需变异个体的适应度。通过上述遗传算法的运算可得出一组误差最小的人工神经网络初始权值和阈值。

6）将初始权重和初始阈值进行前馈训练,得到待测样本的实际输出值和期望输出值之差Δe(t)。后再次调整网络的权值和阈值,得到Δe(t+1)。设e=Δe(t+1)-Δe(t)为前后两次前馈训练误差的差值。若Δe(t)>β(误差精度)且e(t)＜Δ(收敛速度),即认为BP网络训练陷入局部极小值,为解决这个弊端，则转入遗传算法程序。重复进行步骤2,直到全局误差小于预先设定的计算误差ε。

2 空调负荷预测模型

本文针对广州某商贸楼冰蓄冷工程的冷负荷进行了预测，选取某日的预测结果和实际值作比较。将上一个月的工况实测制冷负荷数据和主要影响因素作为训练集，把待分析的数据作为测试集。

基于动态冰蓄冷中央空调系统的负荷以及主要相关参数关联分析，在遗传算法和神经网络结合的系统中, GA-BP采用三层的网络,本文选择五个主要参数：时间、大气干球温度、环境温度、太阳辐射强度、t-1时刻的系统冷负荷和t-24时刻的系统冷负荷作为输入变量，将t时刻的系统冷负荷作为输出变量。基于GA-BP建立冰蓄冷空调系统的负荷预测模型，采用实数编码,交叉概率取0.3、选择概率取0.8、变异概率0.05,初始种群个数N=50。

为证明GA-BP算法的优越,同时以相同的数据进行纯BP算法的冷负荷值预测,预测出的冷负荷值、平均绝对百分比误差和泛化均方根误差等分别见表1；文中采用了2个运行周期的实验数据，其中第1个运行周期数据用于建立基于主要参数的预测模型，第2运行周期数据预测结果如图2所示。

为了定量评价预测模型精度，平均绝对百分比误差（MAPE）和泛化均方根误差（RMSE）最大相对误差MRE来判断模型预测效果等指标来评价。其中，MRE计算值与实测值之间的误差。平均绝对百分比误差（MAPE）和泛化均方根误差（RMSE）来判断模型预测效果。其中Rfi为实测值，为预测值，n为参与测试的数据数量。

表1 两种方法误差比较Table 1. Error of the GA-BP and BP methods

由图1及表1可知，BP神经网络模型所预测结果变化趋势误差较大，而GA-BP模型预测值不仅能准确冷负荷及其变化趋势，而且由表1可知，该模型的MAPE，RMSE和MRE值均优于BP。实验结果表明：GA-BP训练和预测效果明显优于BP神经网络模型，具有更好的泛化能力，避免了BP算法陷入局部最小的缺陷,为进行冰蓄冷空调系统的负荷预测提供了一种准确、可靠方法。

3 结论

冰蓄冷空调系统的负荷要受到多种因素的影响，且其各因素间相互耦合，造成冷负荷预测的控制的困难，因此本文选用GA-BP方法建立了冰蓄冷空调系统的负荷预测模型。

BP从理论上保证了模型的泛化能力，具有更加可靠的推广性，适于在线工作；遗传算法具有效率高、速度快的优点，此二者的结合可以避免过拟合和欠拟合现象，且可指导优化运行，实际应用前景广阔。

[1] F.J.Ferran, K.V.Wong. Prediction of Thermal Storage Loads Using a Neural Network.ASHRAE Transactions. 1990, 96(2): 723-726

[2] 曹双华,曹家枞.基于小波变换的神经网络空调负荷预测研究[J]. 暖通空调, 2005,35(4): 13-17.

[3] 徐今强，肖睿.黄冲，冯自平.空调负荷预测模型及仿真研究[J],华中科技大学学报（自然科学版）2009,37(1)增刊: 259-262.

[4] 徐今强,冯自平,肖睿,黄冲.冰蓄冷中央空调预热泵流量模糊控制[J],排灌机械工程学报，2010,3(28):260-263.

Prediction model of GA-BP on air conditioning load

Yan Huaguang1,Shi Kun1,Xu Gaojie1,Li Dezhi1,Zhang Yanhui2,Lin Shili2,Huang Chong2
(1.China Electric Power Research Institute，Beijing，100190 2.Guangzhou Institute of Energy Conversion,Chinese Academy of Sciences,Guangzhou,510640)

The prediction model of air conditioning load was established that selected environment factors，according to the magnitude of the effect of time,wet bulb temperature,relative atmospheric temperature, Solar radiation intensity,and system cooling load at t-1and t-24 as the input variable.The model combines genetic algorithm(GA)based on global optimization with back propagation(BP)based on gradient descent in the paper make the linking weights of networks self-adaptive evolution in constantly iterative process. The results show that GA-BP could significantly increased model computational speed and accuracy,proved the effectiveness and reliability of this method provides a new way for guiding the prediction of air conditioning load and improve model accuracy.

Ice storage system;prediction model;genetic algorithm;Neural Network

O441.3

A

图1 实验值与GA-BP和BP网络预测值的比较
Fig.1. Experimental data comparison with GA-BP & BP network prediction values

国家重点基础研究发展计划(973计划)项目(2012CB724400)

闫华光，男，1977年10月出生，硕士，高级工程师，主任，主要研究方向为：节能技术与应用