基于人工鱼群神经网络算法的建筑能耗预测*

李明海，刘敏(西安建筑科技大学信控学院，陕西西安　710055)



基于人工鱼群神经网络算法的建筑能耗预测*

李明海，刘敏
(西安建筑科技大学信控学院，陕西西安710055)

李明海(1971—)，男，高级工程师，博士，研究方向为智能建筑与楼宇自动化。

摘要:为克服传统BP神经网络方法在建筑能耗预测的不足，提出了一种基于时间序列自相关分析的人工鱼群神经网络预测模型。对建筑标准能耗进行自相关分析，确定输入变量的维数，结合人工鱼群算法寻优速度快、易跳出极值等优点，对BP神经网络的初值权值和阈值进行优化，建立能耗预测模型，并用模型对西安某高校建筑一个月的能耗值进行预测。结果表明，较传统的BP神经网络模型，人工鱼群神经网络预测模型具有更快的收敛速度，预测精度在±1％左右，预测误差随着迭代次数的增加而降低。

关键词:自相关分析;人工鱼群算法; BP神经网络;能耗预测

刘敏(1990—)，男，硕士研究生，研究方向为建筑智能化及建筑节能。

0　引言

建筑能耗预测可为建筑节能评估、管理以及城市能源合理规划布局提供依据，预测的精度直接影响能源调度及决策的安全性和科学性。

近年来，人工智能算法中典型的反向传播神经网络越来越广泛地应用于建筑能耗预测，主要因BP神经网络具有很强的非线性拟合能力、良好的自学习及容错能力，但要求训练样本大、收敛时间长，初始权值、阈值难以确定，影响了模型的预测精度。因此，研究人员采用不同的智能算法来改进BP神经网络，但这类研究也相对较少。文献［1］建立了径向基函数(Radical Basis Function，RBF)的能耗预测算法，降低了试验的相对误差，但模型的精确度和稳定性不太理想。文献［2］利用遗传算法对神经网络的连接权进行优化，建立了基于GA-BP网络的建筑能耗和室内热舒适状况的预测模型，但编码、变异复杂，对初始参数要求严格。

时间序列法是数据驱动模型方法的一种，主要包括移动平均法［3］和指数平滑法［4］等，适用于短期、中期、长期预测。由于建筑能耗具有强大的惯性，在短时间内表现为历史时刻能耗数据基础上的随机起伏，因此相关性分析可以有效剔除不相关或相关程度低的数据，减少输入数据的维数，提高预测的准确性。人工鱼群算法是一种采用并行寻优策略模拟鱼群行为的智能优化算法，具有随机性、简单性、寻优速度快、易跳出局部极小值等优点［5-7］。本文提出了一种基于人工鱼群神经网络算法的建筑能耗预测模型。

1　建筑能耗预测模型

1.1时间序列自相关分析

时间序列分析包括自相关分析、偏相关分析、谱分析等。自相关函数表示时间序列中相邻变量之间的相互关系及密切程度:

式中: At1，At2——变量A在t1、t2时刻的观测值;

k——两个变量的时间间隔，k = t2－t1。

1.2人工鱼群算法

人工鱼群算法是通过构造人工鱼来模仿鱼类的觅食、聚群及追尾行为的一种优化算法，通过所构造的单条鱼行为的局部寻优，完成对全局空间的寻优过程［10-11］。

1.3时间序列的人工鱼群神经网络算法

1.3.1参数定义

经过时间序列的自相关分析，选取测试点前历史能耗自相关系数在0.6以上的b个数据作为输入变量的维数，根据Kolmogorov定理确定隐含层的个数为c，输出神经元个数为m，e为神经元实际输出与期望输出的误差。训练鱼群的数目为f，一个神经网络表示一条人工鱼，任意两条人工鱼的差(gi－gj)(i，j = 1，2，…，f)与和(gi+ gj)仍为一个神经网络，人工鱼当前位置的食物浓度为h =1/e，两条人工鱼间的距离定义为

式中: wk0——第k个隐含层神经元的阈值;

wkh——第h个输入神经元和第k个隐含层神经元间的连接权值;

vl0——第l个输出神经元的阈值;

vlk——第k个隐含层神经元和第l个输出神经元间的连接权值。

1.3.2行为描述

(1)觅食行为。假定某人工鱼的当前状态为gi，其食物浓度为hi，若gi视线范围内的另一状态人工鱼gj的食物浓度hj≤hi，则gi随机移动一步，下一状态的阈值学习方式为

式中: R(n)——区间［0，n］内的随机数;

n——人工鱼移动的最大步长。

若hj＞hi，则gi向gj的方向移动一步，下一状态的阈值学习方式为

式中，0＜k≤c，0＜l≤m。

同样，wk0、wkh、vl0的学习方式与vlk相同。

(2)聚群行为。某人工鱼当前状态为gi，其最大视线范围VS内伙伴数为pi，则形成集合为

若Zir=φ，表明该人工鱼视线内无其他伙伴，执行觅食行为。

若Zir≠φ，表明该人工鱼视线内至少存在一个伙伴，则搜索集合Zir的中心位置的状态:

式中: t——第s个伙伴状态参数，即wk0、wkh、vl0、vlk各参数的初值为0;

gst——第s个伙伴的参数;

yit——第i条人工鱼视线内中心位置的状态参数。

若第i条人工鱼中心视线内的食物浓度值hiy满足式(7)，表明该伙伴视线内中心位置不拥挤，且较为安全，则该人工鱼执行式(8)，反之执行觅食行为。

式中:δ——拥挤度系数;

vlk(yi)——第i个人工鱼视线内中心位置yi的阈值参数;

diy——第i个人工鱼与其视线内中心位置y的距离。

同理，可以确定wk0、wkh、vl0的学习方式。

(3)追尾行为。若Zir=φ，执行觅食行为。

若Zir≠φ，设当前状态为gi的某人工鱼视线内所有伙伴中伙伴gj的食物浓度最大，hj，max若满足式(9)，表明gj附近不拥挤且食物含量多，人工鱼gi执行式(10)，否则执行觅食行为。

式中: vlk(gj)——gj状态下的阈值;

di，j——人工鱼gi与gj间的距离。

同理，可以确定wk0、wkh、vl0的学习方式。

(4)公告板。定义一条人工鱼，并在算法中设定一个用于记录最优人工鱼状态的公告板。每条人工鱼游动一次后，都将自身状态下的食物浓度信息与公告板信息进行比较，若优于公告板，则公告板信息被该人工鱼的信息所取代。

1.3.3行为选择

(1)对能耗时间序列进行自相关分析，确定BP神经网络输入变量的维数。

(2)对人工鱼所处的环境进行分析，模拟聚群、追尾行为。

(3)对比两种行为发生后食物浓度值，选择浓度值高的行为来执行，缺省行为定义为觅食行为，并将该人工鱼的状态与公告板比较，决定是否更新公告板信息。

(4)将公告板信息，也就是人工鱼群找到的最优解，转换成BP神经网络的对应参数，即权值与阈值。

(5)综合能耗输入变量及训练好的权值与阈值，预测未来的能耗。

建筑能耗预测模型流程如图1所示，其中MI、TN分别为最大迭代次数和最大尝试次数。

2　试验验证

为验证本文算法的有效性与可行性，以西安某高校能源管理中心采集的校园建筑标准能耗值进行模型的建立及训练，将2014年4月1日～2014年7月9日的100组标准能耗值作为训练样本，将2014年7月10日～2014年8月10日的31组的标准能耗作为检验样本。具体实现过程如下:

图1　建筑能耗预测模型流程

(1)采用SPSS 22统计分析软件，对标准能耗数据进行时间序列的自相关分析，结果如图2所示。由图2可见，当自相关系数降至1－e－1时，能耗数据延时步长为7，因此可确定输入变量的维数为7。

图2　标准能耗的自相关系数

(2)该人工鱼的数目f = 80，最大移动步长n =0.3，人工鱼的视线范围VS =0.6，拥挤度δ= 0.618，尝试次数TN = 25，最大迭代次数MI=120。多次试验得到，隐含层神经元个数为15时，相对误差较小，输出神经元个数为1，故该人工鱼群神经网络的结构为7－15－1。

为使该模型收敛更快，预测更精确，采用式(11)所得的输入变量及检验样本进行归一化处理，并用式(12)得到的均方误差E作为预测结果的评价指标。

min(X)、max(X)——输入变量X中的最小值、最大值;

Yj'、Yj——耗电量的第j个预测值、真实值。

(3)将传统的BP神经网络预测模型与改进后的预测模型进行比较，预期结果及误差对比如图3、图4所示。

图3　预测结果对比

图4　预测误差对比

由图3可见，改进后的预测模型更精确。由图4可见，改进后模型的预测误差更小(±1％ 内)，预测结果更稳定。同时，在程序运行阶段，改进后的模型收敛速度更快。

3　结语

本文采用时间序列的自相关性对输入变量进行分析，确定了输入变量的维数，同时采用人工鱼群算法对BP神经网络的权值和阈值进行优化，提高了网络的收敛速度，克服了BP神经网络易陷入局部极值的缺陷，同时该方法对局部寻优具有一定的适应性，不存在复杂编码等问题，具有较强的鲁棒性，为建筑的节能控制研究提供了有力的保证。

为进一步提高预测的精度，可增加训练样本的数目及训练迭代的次数。在人工鱼群算法预测结果的基础上进一步预测标准能耗，以及最适宜更新BP网络的权值与阈值，将是未来研究的方向。

参考文献

［1］李百战，张宇，丁勇.重庆市公共建筑能源管理现状分析［J］.暖通空调，2010，40(9):112-117.

［2］DONG B.Applying support vector machines to predict building energy consumption in tropical region［J］.Energy and Buildings，2005 (37 ): 543-553.

［3］赵超，林思铭，许巧玲.基于GM-RBF神经网络的高校建筑能耗预测［J］.南京理工大学学报，2014，38(1):48-53.

［4］喻伟，李百战，杨明宇，等.基于人工神经网络的建筑多目标预测模型［J］.中南大学学报:自然科学版，2012，43(12):4949-4955.

［5］常淑玲，尤学一.天津市需水量预测研究［J］.干旱区资源与环境，2008，22(2):14-19.［6］CAIADO J.Performance of combined double

seasonal univariate time series models for forecasting water demand［J］.Journal ofHdrologic Engineering，2009，15(3):215-222.

［7］李晓磊，邵之江，钱积新.一种基于动物自治体的寻优模式:鱼群算法［J］.系统工程理论与实践，2002 (11):32-38.

［8］李晓磊，钱积新.基于分解协调的人工鱼群优化算法研究［J］.电路与系统学报，2003，8(1):1-6.

［9］江铭炎，袁东风.人工鱼群算法及其应［M］.北京:科学出版社，2012.

［10］史峰，王辉，胡斐，等.MATLAB智能算法30个案例分析［M］.北京航空航天大学出版社，2011.

［11］高雷阜，赵世杰，高晶.人工鱼群算法在SVM参数优化选择中的应用［J］.计算机工程与应用，2013，49(23):86-89.

Prediction of Building Energy Consumption Based on Artificial Fish-swarm Algorithm of Neural Network

LI Minghai，LIU Min
(School of Information and Control Engineering，Xi’an University of Architecture＆Technology，Xi’an 710055，China)

Abstract:In order to overcome the shortage of traditional BP neural network method in the prediction of building energy consumption，this paper proposed a neural network prediction model based on time series self-correlation analysis.Firstly，the dimension of the input variables based on the energy consumption of building standards of self-correlation analysis was determined.Then combined with artificial fish-swarm algorithm，which has the advantage of higher optimization speed and easy to jump out of the extreme，the initial weights and threshold value of the BP neural network were optimized，and the energy consumption prediction model was established.Finally，the model was used to predict a month’s energy consumption values of a university building in Xi’an.The results show that compared with the traditional BP neural network model，this model has the faster convergence speed and prediction accuracy which is about±1％，and the prediction error decreases with the increase of the number of iterations.

Key words:self-correlation analysis; artificial fish-swarm algorithm; BP neural network; energy consumption prediction

收稿日期:2015-07-08

*基金项目:西安建筑科技大学基础研究基金项目(JC1515)

DOI:10.16618/j.cnki.1674-8417.2016.03.007

中图分类号:TU 201.5

文献标志码:A

文章编号:1674-8417(2016)03-0028-05