（安全技术及工程专业论文）小波网络在空调负荷预测中的应用.pdf

s u b j e c t ：w a v e l e tn e t w o r k i n a p p l i c a t i o n o f f o r e c a s t i n g s p e c i a l 锣 n a m e a i r _ c o n d i t i o n e r sl o a d ： s a f e 坶e n g i n e e r i n g ：z h a ow e n x i u i n s t r u c t o r ：j ic h a n g f a a b s t r a c t ( s i g n a t u r e ) ( s 追n a t u r e ) 办纫l 胁舭 al o to fe l e c t r i cp o w e rh a sb e e nc o s ti na i ：r c 0 n m t i o n i n gs ys t e m ，s 0 ，a c c u r a t e l y f o r e c a s t i n gt h ea i r - c o n d i t i o n e r sl o a di sn o t0 n l yt h ew a y o fs a v i n ge n e 聊，b u ta l s o l eb a s i so f o p t i m i z i n gc o n t r o ls y s t e m nc a ns a t i s 矽t l ：i er e q u e s to fc o m f o r t a b l ee n v i r o 砌e n tb e t t e r t 0 r e a l i z et h ef o r e c a s to fa i r c o n d i t i o n i n gl o a d ，u n d e r “sb a c k g r o u l l d ，w e c a l la l s os a v e o p e r a t i n gc o s t s m 0 r e o v e r ，w i t ht h ei c es t o m g ea i r - c o n d i t i o i l i n gs y s t e m ( i s a c )m o r e s o p h i s t i c a t e d ，nh a sf 打r e a c l l i n gs i g r l i f i c a n c et of o r e c a s tt h el o a d o fa i r - c o n d i t i o n i n gs y s t e m b p( b a c kp r o p a g a t i o n )n e u t r a ln e t 、v o r ki sal e 枷n gm e t h o dw m c h i ss i m i l a rt oh 啪锄 b r a i n ，i tc a l ls o l v et 1 1 ep r o b l e mw h i c hi sd ) ，1 1 a m i c ，t i m e v a r y i n g ，a n dd i 舭db ym a i i y q 啪t i t i e s a n df o r e c a s t i n ga i r - c o n d i t i o n i n gi sj u s t an o n l i n e a rm o d e lw l l i c hc o n t a i n st l l e q u a l l t i t i e sm e m i o n e da b o v e w a v e l e ta n a l y s i si san e w l yd e v e l o p e dt k o w k c h o v e f c o m e s t h ed i s a d v a i l t a g e so ft r a d i t i o n a lf o 嘶e ra n a l y s i s i th 弱s u p e r i o r l o c a l i z e df i e 绷鹏si nb o t hm e t i m e sa n dt h e 矗e q u e n c i e sd o m a i na n dc 趾b ea p p l i e dt 0s i g i l a lp r o c e s s i n g ，l m a g ep r o c e s s l n g a n ds p e e c ha n a l y s i s f i r s t l y ab pm o d e lh a sb e e ns e tu pi nt h i sp a p e r ，w eu s em a n 。a b t or e a l i z ei t b u t ， d u r i n gt l l ef 1 0 r e c 嬲t i n 舀w ef i n dt h ep r e c i s i o ni sn o ti d e a l ，s o ，s e c o n d l y w e u s ew a v e l e ta n a l y s l s t 0i m p r o v et h em o d e l s o ，t h i sp a p e rc o m b i n e s 、a v e l e tt r a i l s f o ma i l db pn e u t r a ln e t 、o r k t o g e t h e rt os e tu paf o r e c a s t i n gm o d e lw h i c h c a nb e 慨rr e a l i z et h ef o r e c a s t i n ga i r - c o n d i t i o n e r s l o a d t l l i sp a p e r 印p l i e dt h em e t h o do fw a v e l e t sd e c o m p o s i t i o n - r e c o n s t r u c t i o n - p r e d i c t i o n w a v e l e tn e u r mn e t w o r ki no r d e rt 0r e a l i z et h ef o r e c a s to fa i r c o n d i t i o l l i n gl o a d f i r s t l y ，m 出 s u r et h ep a r a m e t e r si n p u t t e dt ot h em o d e l t h e s ep a r a m e t e r sa r eo u t d o o rt e m p e r a t u r e ，w i n d s p e e d ，s o l a rr a d i a t i o n ，w e a t h e r ，、o r k d a yo r 、e e k e n dt h ea i r - c o n d i t i o n i n g l o a do fy e s t e r d a y s e c o n d l y ，d e c o m p o s ea n dr e c o n s t m c t 让屺l o a d ，f i n dt h ec h a l l g i n gd i s c i p l i n e o fm el o a d t 1 1 i r d l y ，s e tu pt h et o p o l o g i c a ls p a c e 觚dc h o o s et h et r a i m n g ，t 舢s f i e 仃i n g 劬c t i o n s f i n a l l y ， s e tu pt h ew a v e l e tf o r e c a u s t i n gm o d e lb ym a t l a ba n dn e u t r a ln e t w o r kt o o l b o xt h a ti sg u i t o o l b o x a r e rt h et r a i n i n ga n ds i m u l a t i o nt ot h ef o r e c a s t i n gm o d e lo ft h ec o m p l e xb u i l d i n gi n x i a n ，t h ep r e d i c t i n gr e s u l t ss h o wm a tt h ed e c o m p o s i t i o n - r e c o n s t r u c t i o n - p r e d i c t i o n 、硼l v e l e t n e u r a lr l e t v 旧r kh a sg o o dq u a l i t yi nt e h n so fp r e d i c t i o np r e c i s i o na n dg e n e r a l i z a t i o n k e y w o r d s ：w a v e l e ta n a l y s i s b pn e u r a ln e t 、o r ka i r _ c o n d i t i o n e r sl o a d f o r e c 2 l s t t h e s i s ：a p p l i c a t i o ns t u d y t h i sp a p e ri ss u p p o n e db ys c i e n t i f i cr e s e a r c hp r i 。0 e c to fs h a n n x ie d u c a t i o nd e p a n m e n t ( 0 7 j k 31 2 ) 姿柳技丈擎 学位论文独创性说明 本人郑重声明：所呈交的学位论文是我个人在导师指导下进行的研究t 作及 其取得研究成果。尽我所知，除了文中加以标注和致谢的地方外，论文中不包含 其他人或集体已经公开发表或撰写过的研究成果，也不包含为获得西安科技大学 或其他教育机构的学位或证书所使用过的材料。与我一同工作的同志对本研究所 做的任何贡献均已在论文中做了明确的说明并表示了谢意。 二 学位论文作者签名：么未弱日期：勿秒夕乡万 学位论文知识产权声明书 本人完全了解学校有关保护知识产权的规定，即：研究生在校攻读学位期问 论文工作的知识产权单位属于西安科技大学。学校有权保留并向国家有关部门或 机构送交论文的复印件和电子版。本人允许论文被查阅和借阅。学校可以将本学 位论文的全部或部分内容编入有关数据库进行检索，可以采用影印、缩印或扫描 等复制手段保存和汇编本学位论文。同时本人保证，毕业后结合学位论文研究课 题再撰写的文章律注明作者单位为西安科技大学。 保密论文待解密后适刚本声明。 学位论文作者签名：指导教师签名： 叼彩筏 1 引堋神 1 绪论 1 1 选题背景及意义 1 绪论 1 1 1 选题背景 近几十年来，我国经济的高速发展和人民物质生活水平的不断提高，对能源的需求 量也越来越大。如何有效地节约能源已经成为解决经济发展与能源危机之间矛盾的当务 之急。随着能源的日趋紧张，建筑上的能源消耗和能源系统规划越来越不容忽视，建筑 能耗约占总能耗的1 4 1 3 。在建筑能耗中，最大的用户就是空调。众所周知，空调是耗 能大户。空调系统能耗占总建筑能耗比例约为5 0 7 0 。空调不只消耗燃气、水资源， 更重要的是消耗电力资源。随着空调技术的普及，城市建筑物空调用量猛增，空调耗电 量持续上升。特别是在现代化建筑中，空调用电量尤为巨大，已导致城市用电结构发生 了巨大的变化。在夏季用电高峰时刻，城市空调用电负荷在城市总用电中所占的比例更 是逐年升高【l ，z j 。 1 1 2 选题意义 其一，空调的能耗大，所以对空调系统的研究成为节能的一大突破口。对空调冷负 荷的准确预测能优化系统的运行调节，从而提高能源的利用率，避免由于系统的控制不 利而引起的能源浪费。 其二，随着用电量的不断加大，目前各省市、地区的电业部门纷纷公布用电政策和 峰谷分时电价，以经济手段推动电力“削峰填谷 的实现，冰蓄冷空调系统应运而生。 一般商业建筑广泛采用部分冰蓄冷系统。即在供冷时，依靠蓄冰罐融冰、冷冻机制冷来 共同承担建筑物冷负荷，这样冷冻机和蓄冰罐容量都会比较小，而且制冷机与蓄冰设备 优化控制的策略能够充分利用峰谷段电费差价，初投资和运行费用可以达到综合最优。 这就要求控制程序能够预计逐时负荷，根据预测负荷值计算分配蓄冷装置的蓄冷量及制 冷机的供冷量，以保证蓄冷量得到充分利用并能满足逐时冷负荷的要求。由此，准确预 测空调负荷对于蓄冰空调系统的运行就显得十分重要【3 】。 随着冰蓄冷技术在我国得到越来越广泛的应用，如何利用好冰蓄冷空调系统，充分 发挥冰蓄冷空调的优势已成为空调业界日益关心的问题。空调系统大部分时间都运行在 非设计日工况下，这使得如何使冰蓄冷空调系统达到最优化运行变得很困难。这时，人 们就非常希望能够预测未来的空调负荷值，以便根据预测值来合理分配蓄冷量和制冷 量。 西安科技大学硕士学位论文 其三，自动控制系统的需求。在空调的控制方面，空调的设备机器、输送系统都是 按系统的最大负荷设计的，但平时部分负荷多，负荷不一定，因此，在机器的启动停止， 跟踪负荷的变化和系统的节能运行上，控制就承担了非常重要的作用。一般的，输配流 量的控制是以负荷和流量为基准进行的，冷热源的控制是以负荷热量为基准的，根据供 回水的增减进行控制【4 】。 我们进行空调的负荷预测之后就可以避免控制系统的滞后，优化系统的运行。空调 负荷的预测可以增加输入变量的准确性，减弱传感器部分的作用，减少控制的滞后，提 高控制的效率和精度。从而节约能源，提高室内环境的舒适度。 1 2 空调负荷预测的研究现状 随着预测学的r 益发展，预测的方法越来越多，预测技术的水平也在日益提高。目 前，预测方法一般分为定性预测和定量预测两大类。前者为直观预测，后者又可称为模 型预测，主要通过数学和数理统计的方法来预测【1 ，5 。7 1 。 ( 1 ) 定性预测 定性预测的特点是简单易行，至今仍在预测方法中占有重要的地位。它主要用于那 些无法用数量的形式表达的事物。例如专家对某项工程的看法、估计某项政策可能产生 影响。 定性预测一般以专家为索取信息的对象，组织各方面的专家运用专业知识和经验， 通过直观的方法对过去和现在发生的问题进行综合分析，从中找出规律，对今后的发展 趋势和前景做出主观推测。其优点是在缺乏足够统计数据和原始资料的条件下( 例如发 展某项新产品，新建某项重大工程等) 可以做出比较准确的判断或推测。这在很大程度 上取决于专家个人的经验和努力。对于空调负荷而言，定性预测的准确度取决于运行操 作人员的经验以及对整个空调系统的了解程度，比较难以实施。 ( 2 ) 定量预测 定量预测也称为统计预测。它在数学、概率论和数理统计的方法对历史数据进行处 理。常用的方法有回归分析和时间序列分析两类。这两类方法相辅相成，其应用主要依 赖于不同的前提假设条件。 回归分析 回归分析也称为解释型预测，它假设一个系统的输入输出之间存在着某种因果关 系。它认为输入变量的变化会引起系统输出量的变化，并且两者的关系是一个常数。预 测工作首先要做的就是通过观测系统的输出结果，并对系统的输入数据加以分析、比较， 来寻找两者是否存在因果关系。 对于空调系统负荷预测而言，就是利用测得的历史空调负荷数据以及影响负荷的所 有室内外历史气象参数等数据建立相应的回归模型。用回归分析方法建立的因果关系模 2 1 绪论 型不仅能够用于预测，而且能够用来解释系统内部运行的原因和各个因素之间的关系， 对长期预测来说是一种有效的方法。 时间序列分析 时间序列分析与回归分析方法有明显的不同：时间序列分析把系统堪称是一个“暗 箱 ，它不关心影响这个系统运行的因素是什么，而且也不想去花费精力寻找这些因素 是什么，而是把这个系统堪称是不需要外界知道的“生长过程”。该方法基于两个常识： 其一，在实际应用中，对一个系统人们往往不知道它是如何运行的，即使了解了这个系 统的运行状况，也往往难对其加以度量：其二，有时候人们只关心观测和预测将会发生 什么事情，而并不想知道为什么会发生这种事情。时间序列方法只依赖于历史观测数据 和它的数据模式。它把所有的观测数据按时间的顺序排列起来( 如某一地区的室外平均 温度) ，第一步先对这些数据加以描述例如用图的形式表达；第二步再用适当的数理统 计方法对这个时间序列加以解释，确定它的数据模式；第三步是对时间序列进行预测； 第四步根据预测结果加以控制，以达到预期的效果。 本论文的空调系统负荷预测，其目的为实施系统或设备运行优化提供量化的输入和 控制水平，定性预测只是一个根据经验的判断无法满足相应的要求，只能采用定量预测 的方法，才能更好地进行控制。 在定量的输入和控制水平中，常用的回归分析方法包括简单回归模型、多变量回归 模型、计量经济模型等。时间序列分析方法包括指数平滑模型、自回归一移动平均模型 等等。这些模型都已经成为广泛应用的预测方法，经过多位国内外专家学者的研究和努 力后，也建立了相应的空调系统的预测模型。这些方法在运用于空调负荷预测时，均考 虑了空调系统负荷的动态性、时变性、多扰量性、不确定性等随机特性，也都是建立在 大量的空调负荷的历史记录基础上的【7 j 。 然而，这些模型建立的数学过程是很复杂和繁冗的。尽管自回归移动平均模型、 指数评价模型均是立足于经典数学方程式，并结合传热学基础理论对空调系统冷负荷作 本质的了解后建立起来的数学函数模型，但在实际应用中无法避免这样的问题，如建立 的数学函数模型需大量确定的统计数据，数据分析、处理过程复杂、繁冗，数学模型的 求解过程庞大；建立数学模型后，往往要求对预测过程的数学模型甚至干扰的数学模型 能完全精确知道，这对空调系统负荷这一复杂多扰量随机模型而言，不大切合实际；随 机模型的函数形式确定后，在实际系统冷负荷预测时，可能会出现一些影响规律不确定 的因素，认为强制确定的随机函数模型的可信度及干扰性等常也难尽人意，常会出现较 大误差，甚至不能收敛。 更重要的是，这些数学模型因为不能从本质上处理非线性问题，在处理空调系统负 荷这类非线性随机模型时，往往对各种干扰有着高度的敏感性，从而使它们的可信性、 收敛性等很难尽人意。而我们要预测的空调负荷模型是一个受多扰量影响的、动态的、 3 西安科技大学硕士学位论文 时变性模型。所以，尽管利用这些方法能制定出很完善的、很合理的系统优化控制策略， 也会因无法合理的、全面地、完善地解决负荷预测这一重要环节出现的问题而使系统优 化控制的精确性和实时性受到重大影响【6 ，7 】。 1 3 神经网络的研究现状 神经网络是由大量的处理单元互相连接两成的网络。为了模拟大脑的基本特性，在 神经科学研究的基础上，提出了神经网络的模型。但是，实际上神经网络并没有完全反 映大脑的功能，只是对生物神经网络进行了某种抽象、简化和模拟。神经网络的信息处 理通过神经元的相互作用来实现，知识与信息的存储变现为网络元件互连分布式的无力 联系。神经网络的学习和识别取决于各神经元连接权系数的动态演化过程【9 】。 神经网络作为一种新的方法体系，具有分布并行处理、非线性映射、自适应学习和 鲁棒性等特性，这使得它在模式识别、控制优化、智能信息处理以及故障诊断等方面都 有广泛的应用。目前，神经网络的研究可以分为理论研究和应用研究两大方面。理论研 究分为：利用神经生理与认知科学研究大脑思维及智能机理。用数理方法探索智能 水平更高的人工神经网络模型，深入研究网络的算法和性能，开发新的网络数理理论。 应用研究可分为以下两类：神经网络软件模拟和硬件实现的研究。神经网络在各个 领域中应用的研究，这些领域主要包括模式识别、信号处理、知识工程、专家系统、优 化组合、智能控制等【】o 】。 神经网络能够解决这样具有动态性、时变性、多扰量性、不确定性等随机特性的问 题，所以，人们又逐渐引入了神经网络的方法对空调的负荷进行预测。神经网络的理论 研究是一门新兴的边缘和交叉学科，它的产生和发展一方面受其他学科的影响，反过来 又势必影响其他学科的发展【l 3 。 在1 9 9 0 年f e 彻n o 等人首次描述了如何采用人工神经网络模型预测冰蓄冷空调系统 第二天的总冷负荷。他们提出根据前一天的2 4 小时的温度确定冷负荷模式，并且和一 个专家系统结合，确定系统所需蓄冰量，以便更好地控制夜间制冷机的运行，达到节能 的目的。但是该文献只是首次提出了用神经网络进行冰蓄冷系统负荷预测的概念，主要 还是根据冷负荷模式确定蓄冰量，而且还需要专家系统的支持，实现起来比较复杂。 m 甜i a s 于1 9 9 4 年选择了3 个多层感知器m l p 预测电负荷、冷水负荷和热水负荷，并 分别作了多步预测和单步预测，预测精度不高。k a w a s l l i m a 于1 9 9 4 年推荐用于空调负 荷预测的神经网络模型采用一个输出神经元( 冷负荷) 和有2 n + 1 个神经元的隐含层( n 是输入层的神经元个数) 。其不足是虽然训练速度比较快，但是在负荷剧烈变化时，预 测精度就显得较差。k 嬲佻l l i m a 等于1 9 9 5 年比较了a 刚m a 、e w m a 、l r 和舢州模 型用于未来2 4 小时冰蓄冷系统逐时负荷预测的精度。其结果表明，人工神经网络模型 对空调逐时负荷预测的期望相对误差低于其它模型，但是预测精度相对来说，还不够理 4 1 绪论 想。孙光伟等人于1 9 9 9 年，采用b p 网络对逐时空调负荷进行预报，并对神经网络的输 入进行了比较研究，仿真结果表明，将前几目的负荷数据、预测日的气象参数和预测日 的特性作为网络输入时，预测精度最高。此外，其它研究者也用b p 网络预测逐时空调 负荷，区别主要在于网络输入层不同l 1 3 。 国内外研究人员对人工神经网络负荷预测方面开展了大量的探索性工作，使空调负 荷预测技术不断得到提高。空调负荷的预测将优化空调的控制系统，并会在满足建筑物 室内条件的前提下，使设备投资和运行费用都减至最小。 空调负荷预测方法的发展总起来说可由以下框图1 1 简要表示： 1 9 8 4 ，f 。盯e s t e r ，“基于多元线性回归技术” 1 9 8 9 ，m a c a n h u r ，“带外部输入的递归自动回归移动平均模型” t 神经网络1 9 9 0 ，f e 哪n o ，引入“人工神经网络” 上 1 9 9 4 ，m a t t i a s ，选用“多层感知器” t 1 9 9 4 ，k a w a s h i m a ，采用“一个输出神经元和有2 n + 1 个神经元的隐含层”的方法 1 9 9 5 ，k a w a s h i m a ，比较了a r i m a 、e w 二m a 、l r 和 a n n 模型的精度 1 9 9 9 ，孙光伟，使用了“b p 神经网络” 1r 神经网络与其他 i2 0 0 3 ，曹双华，混沌优化和神经网络相结合 ii 技术的融合 2 0 0 4 ，y a 0 ，层次分析法、a r m a 、灰色控制、非线性 同归分析法 2 0 0 5 ，曹双华，小波变换与神经网络相结合 2 0 0 6 ，h o u ，引入粗糙集理论、模糊控制理论 图1 1 空调负荷预测技术的发展 5 西安科技大学硕士学位论文 1 4 小波分析的研究现状 小波分析作为一种新兴理论已经在科学技术界掀起了一场轩然大波。在数学家们看 来，小波分析是一个新的数学分支，它是泛函分析、f o 面e r 分析、样条分析、调和分析、 数值分析的最完美结晶；在应用领域，特别是在信号处理、图像处理、语音分析以及众 多非线性科学领域，它被认为是继f o 谢e r 分析之后又一有效的时频分析方法。从原则 上讲，凡是传统上能够使用f o 研e r 分析的地方，都可用小波分析来代替。小波分析在 时域和频域同时具有良好的局部化特性，克服了传统f o 嘶e r 分析的不足，而且由于它 对高频采取逐渐精细的时域步长，从而可以聚焦到被分析信号的任意细节，因此小波分 析具有数学显微镜的美称。 我们知道，大多数前向多层网络都是基函数网络，如j 下交函数网络、样条函数网络、 径向基函数网络和b p 网络等，而基于s i 舯o i d 基函数的b p 网络是使用较为广泛的一 类。尽管这种网络具有较强的函数逼近和容错能力，但从函数表示的角度出发，它是一 类次优网络1 2 ，主要原因是： ( 1 ) s i 舯o i d 函数是一具有k 次光滑度的c 函数( 七一o 。) ，它的能量具有无限性， 使得人们不能用能量有限的带限函数来逼近它，也不能找到它与f 对应的局部特性；而 通常能用解析式= 沙啪来逼近的函数往往是r 函数，所以我们不能知道的性 牙6 质和它的物理意义； ( 2 ) s i g n l o i d 函数不满足小波分析理论中定义的框架条件，故不能保证解的唯一性； ( 3 ) 从原则上讲，s i g m o i d 网络，可以以任意精度逼近给定的函数或信号，但它需 要无限多权值，而且不能定量地确定何种规模的网络可以逼近所要求的分辨尺度。 正因为这些原因，各国学者都希望构造一个可以克服s i g m o i d 网络缺陷的神经网络。 小波神经网络( w a v e l e tn e u r a jn e t w o r k ，简称小波网络) 在此时应运而生。小波网络是结合 最近发展的小波变换良好的时频局域化性质与传统人工神经网络的自学习功能而形成 的一种前馈型神经网络。 空调负荷受时间、系统类型与划分、气象条件等多种因素的影响，具有空调负荷受 时间、系统类型与划分、气象条件等多种因素的影响，具有一定的周期变化规律，同时 也具有非平稳性及随机性等特性。小波分析在数据分析与处理方面有较大优势，它是一 种时频窗口面积大小固定不变、时间窗和频率窗都可改变的时频局部化分析方法。通过 对空调负荷数据序列进行小波变换，将其映射到时频域上，对这些时频域就频域进行小 波逆变换可得到空调负荷的各频域分量。对这些分量进行分析，能更好地研究空调负荷 的变化规律。 小波分析作为一种强有力的时频局部化分析工具，近年来大量地被应用于短期负荷 6 1 绪论 预测的研究，并取得了一定的成果。小波分析具有以下优点【2 4 j ： ( 1 ) 小波分析可以很好地挖掘出负荷变化的局部特征； ( 2 ) 小波分解重构后的信号能细致地刻画各种随机干扰因素对负荷变化的影响； ( 3 ) 对不同的负荷序列采用不同的预测模型进行处理，可以有效地提高预测精度， 克服了单一预测方法的自身缺点。 基于小波分析的组合预测方法原理简单，预测模型容易实现，其能有效地提高预测 精度，可以为短期负荷预测工作提供强有力的支持。 1 5 本文的主要工作 从大的方面来说，空调系统负荷预测可分为长期负荷预测、中期负荷预测与短期负 荷预测三种。长期预测可长达几十年，中期预测通常为5 6 年，而短期预测则是指几个 月、几周、几天、几个小时甚至更短。 长期和中期预测主要用于对新的空调机组的安装、扩建、增容等，其涉及面相当广， 常涉及到国民经济和生产力水平实际发展的很多方面，是一个叫庞大的系统工程。短期 负荷预测的目的是即时预测，在对空调系统进行在线实时控制时，应当加上实时负荷预 测的信息来实现机组的运行控制，从而使控制具有预见性，及时改善系统控制动作的滞 后性等性能。 本论文的研究主要讨论的是单个空调系统的短期负荷预测，更确切地说是空调系统 负荷的实时预测。即利用每一时刻影响空调负荷的因素去预测此时刻的空调冷负荷值。 具体工作如下所述： 首先，影响空调负荷的因素很多，包括与气象有关的室内外空气干球温度乙、0 ； 室内外空气的相对湿度纯、钆；太阳辐射照度，；建筑物周围的风速1 ，。与气象无关的 有室内灯光照明、室内人员数量和活动情况、室内设备负荷新风量比例等其他有关因素。 本课题通过比较分析，通过神经网络能实现非线性预测的特点，对数据进行预处理，构 建出有效的预测因子。 再者，建立b p 神经网络模型，确定输入输出参数及b p 神经网络的拓扑结构以及 模型中的各个参数。对此网络进行训练和仿真，分析此模型进行空调冷负荷预测的误差。 然后，利用小波的优势，采用“松散”的小波结构。即首先对空调的冷负荷进行分 解和重构，得到变化规律明显的小波系数，然后针对各个小波系数建立b p 神经网络预 测空调的冷负荷的模型，对各个神经网络选择合适的拓扑空间、函数以及各种参数。并 通过m a t l a b 实现对空调负荷的预测，然后对预测误差进行分析。 最后，对建立的b p 神经网络模型和小波网络模型的预测空调冷负荷的精度进行分 析比较。 7 西安科技大学硕士学位论文 l 。6 本文的技术路线 本文拟建立b p 神经网络和小波神经网络两种模型，并进行分析比较，其技术路线 如图1 2 所示： 图1 2 本文的技术路线图 8 2 神经网络的基本理论 2 神经网络的基本理论 2 1 神经网络概述 神经网络理论是大量信息并行处理和大规模并行计算的基础，神经网络既是高度非 线性动力学系统，又是自适应组织系统，可用来描述认知、决策及控制的智能行为，它 的中心问题是智能的认知和模拟。 2 1 1 人工神经元模型 神经网络是由大量的、同时也是很简单的处理单元( 或称神经元) 广泛地互相连接 而形成的非线性复杂网络系统。它是在现代神经科学研究成果的基础上提出的，试图通 过模拟大脑神经网络处理、记忆信息的方式完成人脑那样的信息处理能力。神经元是神 经网络的最基本的处理单元。图2 1 给出了一个简单的人工神经元模型【1 0 】。 而 输薯 入 x h 输 y 出 图2 1 人工神经元模型 人工神经元是对生物神经元的一种形式化描述，它对生物神经元的信息处理，用数 学语言表达，对结构和功能进行模拟并用模型图予以表达。图2 1 中五、薯吒分别 代表神经元的输入，q 、缎蛾则分别代表、每个输入的连接强度，即权值，秒为 阈值，它可以是固定值，不进行调整，也可以如权值一样在训练中不断调整。这样的 神经元有以下三个重要功能：加权可对每个信号进行不同程度的加权。求和一 一确定全部输入信号的组合效果。转移通过转移函数厂( ) ，确定其输出。通过 这三个功能的模拟，基本反映了生物神经元的基本特性。该神经元的输出y 则表示为【l o 】： j l y = 厂( 哆薯+ 秒) ( 2 1 ) f - l 常用的转移函数厂( ) 有以下几种类型。 ( 1 ) 硬限幅函数 硬限幅函数的表达式如下： 9 西安科技大学硕士学位论文 ( 2 ) 线性函数( p u r e l i n ) 线性函数的表达式如下： 少= 厂c v ，= ：三三 ) ，= 厂p ) = v ( 2 2 ) ( 2 3 ) ( 3 ) s i g l i l o i d 函数 s i g m o i d 函数也叫s 函数，它是非线性函数，有单极性和双极性两种。 单极性的表达式为： 1 y 2 厂( y ) 2 孟万 ( 2 4 双极性的表达式为： 1 一口一五p 少2 似) 5 蒿万 ( 2 5 ) 2 1 2 神经元的拓扑结构 神经元之间的连接可以有任意形式，但最常见的结构是前向神经网络和反馈神经网 络这两种类型。 前向神经网络也称多层前向网或简称前馈网络，它是指拓扑结构为有向无环图的神 经网络。在前向神经网络中，各神经元接受前一层的输入，并将计算结果输出给下一层， 没有反馈。节点分为两类，即输入单元和计算单元，每一计算单元可有任意个输入，但 只有一个输出( 它可耦合到任意多个其他节点作为其输入) 。 反馈神经网络是指拓扑结构中有环路的神经网络。所有节点都是计算单元，同时也 可接收输入，并向外界输出【2 5 1 。 2 1 3 神经网络的学习方式 在神经网络的结构和转移函数确定之后，如何设计权值使网络达到一定的要求，就 成为决定神经网络的第三大要素。学习问题归根到底就是网络权值的调整问题，其方法 有以下几种【l o 】： ( 1 ) 有导师学习( 也称监督学习) 这种学习模式采用纠错的规则，学习方法要在给出输入输出模式x 的同时在输出侧 还要给出与之相应的目标模式，又称教师信号或期望输出模式，两者一起称为训练对。 般训练一个网络需要许多训练对，称为训练集。学习系统可以根据已知输出与实际输 出之间的差值( 误差信号) 来调节系统参数。 ( 2 ) 无教师学习( 无监督学习) l o 2 神经网络的基本理论 在学习时，训练集仅由各输入模式组成，而不提供相应的输出模式。网络根据特有 的内部结构和学习规则，响应输入的激励反复调整权值，这个过程称为网络的自组织。 网络调整权值不取决于外来的教师信号的影响，可以认为这种学习评价准则隐含于网络 内部。 ( 3 ) 列记式学习 这种学习方法可以说是一次性的，不需要一个训练过程，网络的权值按某种特殊的 模式设计好以后，不再作变动。当以后网络输入有关信息时，这种记忆模式就会被回忆 起来。 神经网络应用于系统预测中。一般来讲，在系统建模、辨识和预报中，对于线性系 统，在频域，传递函数矩阵可以很好地表达系统的黑箱式输入输出模型；在时域，利用 自回归滑动平均( 删a ) 模型通过各种参数估计方法，也可以给出系统输入和输出的 描述。这样一来，线性系统的预测问题已经基本解决了。但对于非线性系统，一般采用 基于非线性自回归滑动平均( n a r m a ) 模型进行预测，但是，很难为这种模型找到一 个恰当的参数估计方法。因此可以说，传统的非线性系统辨识，在理论研究和实际应用 方面，都存在极大的困难【2 6 。 相比之下，神经网络在这方面显示出明显的优越性。由于设计网络具有通过学习逼 近任意非线性映射的能力，将神经网络应用于非线性系统的建模与辨识，可以不受非线 性模型的限制，便于给出工程上易于实现的学习算法。 2 2b p 神经网络概述 2 2 1b p 神经网络的网络结构 神经网络的类型很多，目前较常使用的算法是b a c kp r o p a g a t i o n ( b p ) 算法。b p 算 法是在1 9 8 5 年由r l m e l l 斌等提出，它以其强大的非线性映射能力在模式识别、人工神 经网络模型等领域得到了广泛的应用。它在m a t l a b 环境下开发的神经网络工具箱中 可以很好地实现1 2 碓引。 b p 网络是一种单向传播的具有三层或三层以上的神经网络，包括输入层、中间层 ( 隐层) 和输出层。上下层之间实现全连接，而每层神经元之间无连接。当一对学习样 本提供给网络后，神经元的激活值从输入层经各中间层向输出层传播，在输出层的各神 经元获得网络的输入响应。接下来，按照减少目标输出与实际误差的方向，从输出层经 过各中间层逐层修正连接权值，最后回到输入层，这种算法成为“误差逆传播算法”，即 b p 算法。随着这种误差逆的传播修正不断进行，网络对输入模式响应的正确率也不断 上升。如图2 2 所示为一个三层b p 神经网络结构副2 8 j 。 西安科技大学硕士学位论文 输 入 模 式 隐含层 输 出 模 式 图2 。2 三层b p 神经网络结构 b p 网络的传递函数要求可微，常用的有s i g m o i d 型的对数、正切函数或线性函数。 由于传递函数是处处可微的，所以对于b p 网络来说，一方面，所划分的区域不再是一 个线性划分，而是由一个非线性超平面组成的区域，它是比较平滑的曲面，因而它的分 类比线性划分更加精确，容错性也比线性划分更好；另一面，网络可以严格采用梯度下 降法进行学习，权值修正的解析式十分明确。其学习过程由正向传播和反向传播两部分 组成，误差函数的求取是一个由输出层向输入层反向传播的递归过程；通过反复学习训 练样本来修正权值，采用梯度下降法使得权值沿着误差函数的负梯度方向变化，最后稳 定于最小值。 2 。2 2b p 神经网络的学习算法 b p 网络的学习过程及步骤如下【9 ，1 0 ，2 8 】： ( 1 ) 网络传播计算 设网络有a 、b 、c 三层组成，只层到名层间的连接权用表示，b 到疋层的连 接权用表示，将，在【- l ，1 】范围内随机取值，设置最各处理单元阈值为 ，层 各处理单元的阈值为乃咧。 用输入样本只= ( 口? ，口：，口：) 、连接权圪和阈值为办，计算b 层各处理单元的输 出方程，其中后= l ，2 ，垡 6 ，：厂f 争口f - 矿，一办，1 汪1 ，2 ，3 ，刀 ( 2 6 ) 咿l 荟口f - “，j 置三0 q 6 、，= l，一1 ，o ，o ， ， ( 2 6 ) 式中：q 为e 层各单元输入值，厂( ) 为s i g m o i d 形函数，厂( x ) = ( 1 + p “) 。 利用中间层的输出6 ，、连接权，和阈值乃计算e 层各处理单元的输出方程 1 2 2 神经网络的基本理论 g = ( 喜一乃】；三0 妻妻j j | ： c 2 7 ， ，2 i 一- o ” 利用网络目标向量q = ( 计，砖，或) ，网络的实际输出c ，计算尼层各处理单 元的一般化误差群 群= c ，( 1 一c ，) ( 计一c ，) ，= 1 ，2 ，3 ，聊 ( 2 8 ) 利用连接权、尼层的一般化误差4 和中间层的输出乃计算最层每个单元的 一般化误差e 亏= 吃( 1 一岛) ，谚 2 9 ) 调整最层与忍层的连接权，其中o ，7 1 2 叩q 钟 ( 2 1 0 ) 彤，o + 1 ) = 玢0 0 ) + 陟_ = ，o ) + 玎气群 调整b 层各处理单元阙值方程 巧2 刁群 ( 2 1 1 ) 互o + 1 ) = 巧o ) + 乃= 乃( f ) + ，7 群 调整e 层与最层的连接权方程 屹= 矿p ； ( 2 1 2 ) 式中o o 和任意厶函数f ：【0 ，1 rcr ”专r ”。当感知器的激活函数为 s i 舯o i d 型时，总存在一个三层感知器，使得感知器所完成的映射与f 的均方差小于占。 定理2 隐藏层神经元数目为2 1 1 + 1 的三层感知器可以任意精度实现连续映射 f ： 0 ，1 】”cr ”jr ”。这即是著名的k o l g m o g r o v 定理。 也就是说，只要有足够的隐藏层节点，则含有一个隐藏层的b p 神经网络可以用来 任意精度地逼近任一连续函数。 而文献阐述了含有二个隐藏层的比只有一个隐藏层的b p 神经网络更容易限于局部 极小中。因而，目前绝大多数关于前向神经网络模拟复杂过程或系统的文献中，均是采 用含一个隐藏层的b p 神经网络。 实际上，网络结构的确定主要是各层( 输入层、隐藏层、输出层) 节点数目的确定。 一般说来，输出层节点不成问题，它取决于实际需解决的问题。输入层节点数也主要取 决于所涉及的问题。隐藏层节点数的确定是研究者们经常提及的课题，现在普遍认为尚 无明确的规则用以确定隐藏层中的最佳节点数。在处理较复杂的问题时，选用的隐藏层 单元数太少，则会削弱神经网络输入输出之间关系逼近的能力，