閆華光,石 坤,許高杰,李德志,張艷輝,林仕立,黃 沖

(1.中國電力科學(xué)研究院，北京100190;2中國科學(xué)院廣州能源研究所,廣州,510640)

基于遺傳算法優(yōu)化的動態(tài)冰蓄冷負(fù)荷預(yù)測

閆華光1,石 坤1,許高杰1,李德志1,張艷輝2,林仕立2,黃 沖2

(1.中國電力科學(xué)研究院，北京100190;2中國科學(xué)院廣州能源研究所,廣州,510640)

本文中利用時間、大氣干球溫度、環(huán)境溫度、太陽輻射強(qiáng)度、t-1時刻的系統(tǒng)冷負(fù)荷和t-24時刻的系統(tǒng)冷負(fù)荷作為輸入變量進(jìn)行建模預(yù)測。本文充分利用遺傳算法的全局搜索的優(yōu)勢以及BP神經(jīng)網(wǎng)絡(luò)精于局部精確搜索的特性,采用遺傳算法（Genetic Algorithm，GA）優(yōu)化神經(jīng)網(wǎng)絡(luò)算法各因子的初始權(quán)重,充分達(dá)到了兩種智能算法有機(jī)結(jié)合，達(dá)到了優(yōu)勢互補(bǔ)的目的。結(jié)果表明，遺傳算法和神經(jīng)網(wǎng)絡(luò)的有效結(jié)合顯著提高了預(yù)測精度，證明了這種方法的有效性和可靠性，為指導(dǎo)動態(tài)冰蓄冷空調(diào)系統(tǒng)負(fù)荷預(yù)測和提高預(yù)測精度提供了新途徑。

冰蓄冷系統(tǒng);負(fù)荷預(yù)測;遺傳算法;神經(jīng)網(wǎng)絡(luò)

0 引言

動態(tài)冰蓄冷空調(diào)系統(tǒng)的負(fù)荷預(yù)測是長期困擾學(xué)術(shù)界和研究者的一個具有挑戰(zhàn)性的問題。如何準(zhǔn)確預(yù)測冷負(fù)荷，提高能源利用率，達(dá)到節(jié)能的目的，是長期困擾學(xué)術(shù)界和研究者的一個具有挑戰(zhàn)性的問題。Ferrano 和 Wong 首次提出了采用BP模型方法預(yù)測次日冰蓄冷系統(tǒng)的總冷負(fù)荷，其主要的思想方法是根據(jù)前一天的的溫度確定冷負(fù)荷模式，與專家系統(tǒng)相糅合，恰當(dāng)?shù)卮_定次日負(fù)荷所需冷量，達(dá)到可以更好地控制夜間制冷機(jī)的運(yùn)行功率的目的。但遺憾的是，該文獻(xiàn)僅提出了神經(jīng)網(wǎng)絡(luò)負(fù)荷預(yù)測的思想，并沒有實(shí)質(zhì)的應(yīng)用于工況。曹雙華 等建立了基于小波變換算法，建立了遞歸人工神經(jīng)網(wǎng)絡(luò)模型預(yù)測空調(diào)負(fù)荷,引入折扣系數(shù)法以提高近期預(yù)測精度，結(jié)果表明該方法預(yù)測精度較高，但存在局部收斂和收斂速度慢等缺點(diǎn)。

本文通過不同實(shí)驗(yàn)周期的相關(guān)實(shí)驗(yàn)數(shù)據(jù)，并建立了糅合遺傳算法的優(yōu)勢和人工神經(jīng)網(wǎng)絡(luò)智能算法的混合算法，應(yīng)用于動態(tài)冰蓄冷系統(tǒng)次日負(fù)荷預(yù)測，探索提高蓄冰空調(diào)系統(tǒng)的動態(tài)優(yōu)化控制的新的有效工具。

1 模型的建立

1.1 遺傳算法簡介

遺傳算法（Genetic Algorithm，GA）主要依賴于群體搜

索策略和群體中基體相互間的信息交換策略, 但主要特征是搜索策略并不依賴于梯度信息。它尤其適用于解決的非線性問題，其求解問題的涉及編碼、選擇、交叉和變異等四個主要步驟。

1.2 遺傳算法對BP權(quán)值的優(yōu)化

1)連接權(quán)編碼: BP人工神經(jīng)網(wǎng)絡(luò)輸入層結(jié)點(diǎn)數(shù)位m，輸出層結(jié)點(diǎn)數(shù)為n，隱含層節(jié)點(diǎn)數(shù)為S1，BP人工神經(jīng)網(wǎng)絡(luò)的初始權(quán)閥值由4個初始權(quán)值矩陣組成：輸入層-隱含層的IW，隱含層-輸出層LW，隱含層初始閥值矩陣B1，輸出層初始閥值矩陣B2，所有權(quán)閥值共同組成了一個染色體；本實(shí)驗(yàn)采用實(shí)數(shù)編碼，則遺傳算法編碼長度（即染色體）為m*S1+S1*n+S1+n。

2)適應(yīng)度函數(shù)。人工神經(jīng)網(wǎng)絡(luò)預(yù)測體系以訓(xùn)練數(shù)據(jù)樣本為輸入量，計算模型輸出值與期望輸出值之間的平均絕對誤差ΔEi，則染色體的適應(yīng)度函數(shù)可表征為：

其中,yk(k=1,2,…,n)為網(wǎng)絡(luò)的輸出；Rk(k=1,2,…,n)為輸出層神經(jīng)元的期望輸出,即實(shí)際的冷負(fù)荷；i為m組訓(xùn)練樣本，ρ為加權(quán)系數(shù)，其主要用來加大近期樣本所起的作用。適應(yīng)度函數(shù)值大的個體直接進(jìn)入下一代，適應(yīng)度值小的個體被淘汰，從而提高了遺傳算法的全局收斂性。

3)選擇算子。對各染色體進(jìn)行選擇計算。對染色體i的選擇率為：

其中,?i為染色體i的適應(yīng)度函數(shù)；∑?j為種群的總適應(yīng)度。

4)交叉計算。交叉率 pc 的自適應(yīng)公式為：

其中,?c為交叉前父代兩個個體中適應(yīng)度大者；?0為種群平均適應(yīng)度。

5)變異率計算。變異率 pm 的自適應(yīng)調(diào)整公式為：

其中,?0為種群平均適應(yīng)度；?為需變異個體的適應(yīng)度。通過上述遺傳算法的運(yùn)算可得出一組誤差最小的人工神經(jīng)網(wǎng)絡(luò)初始權(quán)值和閾值。

6）將初始權(quán)重和初始閾值進(jìn)行前饋訓(xùn)練,得到待測樣本的實(shí)際輸出值和期望輸出值之差Δe(t)。后再次調(diào)整網(wǎng)絡(luò)的權(quán)值和閾值,得到Δe(t+1)。設(shè)e=Δe(t+1)-Δe(t)為前后兩次前饋訓(xùn)練誤差的差值。若Δe(t)>β(誤差精度)且e(t)＜Δ(收斂速度),即認(rèn)為BP網(wǎng)絡(luò)訓(xùn)練陷入局部極小值,為解決這個弊端，則轉(zhuǎn)入遺傳算法程序。重復(fù)進(jìn)行步驟2,直到全局誤差小于預(yù)先設(shè)定的計算誤差ε。

2 空調(diào)負(fù)荷預(yù)測模型

本文針對廣州某商貿(mào)樓冰蓄冷工程的冷負(fù)荷進(jìn)行了預(yù)測，選取某日的預(yù)測結(jié)果和實(shí)際值作比較。將上一個月的工況實(shí)測制冷負(fù)荷數(shù)據(jù)和主要影響因素作為訓(xùn)練集，把待分析的數(shù)據(jù)作為測試集。

基于動態(tài)冰蓄冷中央空調(diào)系統(tǒng)的負(fù)荷以及主要相關(guān)參數(shù)關(guān)聯(lián)分析，在遺傳算法和神經(jīng)網(wǎng)絡(luò)結(jié)合的系統(tǒng)中, GA-BP采用三層的網(wǎng)絡(luò),本文選擇五個主要參數(shù)：時間、大氣干球溫度、環(huán)境溫度、太陽輻射強(qiáng)度、t-1時刻的系統(tǒng)冷負(fù)荷和t-24時刻的系統(tǒng)冷負(fù)荷作為輸入變量，將t時刻的系統(tǒng)冷負(fù)荷作為輸出變量?；贕A-BP建立冰蓄冷空調(diào)系統(tǒng)的負(fù)荷預(yù)測模型，采用實(shí)數(shù)編碼,交叉概率取0.3、選擇概率取0.8、變異概率0.05,初始種群個數(shù)N=50。

為證明GA-BP算法的優(yōu)越,同時以相同的數(shù)據(jù)進(jìn)行純BP算法的冷負(fù)荷值預(yù)測,預(yù)測出的冷負(fù)荷值、平均絕對百分比誤差和泛化均方根誤差等分別見表1；文中采用了2個運(yùn)行周期的實(shí)驗(yàn)數(shù)據(jù)，其中第1個運(yùn)行周期數(shù)據(jù)用于建立基于主要參數(shù)的預(yù)測模型，第2運(yùn)行周期數(shù)據(jù)預(yù)測結(jié)果如圖2所示。

為了定量評價預(yù)測模型精度，平均絕對百分比誤差（MAPE）和泛化均方根誤差（RMSE）最大相對誤差MRE來判斷模型預(yù)測效果等指標(biāo)來評價。其中，MRE計算值與實(shí)測值之間的誤差。平均絕對百分比誤差（MAPE）和泛化均方根誤差（RMSE）來判斷模型預(yù)測效果。其中Rfi為實(shí)測值，為預(yù)測值，n為參與測試的數(shù)據(jù)數(shù)量。

表1 兩種方法誤差比較Table 1. Error of the GA-BP and BP methods

由圖1及表1可知，BP神經(jīng)網(wǎng)絡(luò)模型所預(yù)測結(jié)果變化趨勢誤差較大，而GA-BP模型預(yù)測值不僅能準(zhǔn)確冷負(fù)荷及其變化趨勢，而且由表1可知，該模型的MAPE，RMSE和MRE值均優(yōu)于BP。實(shí)驗(yàn)結(jié)果表明：GA-BP訓(xùn)練和預(yù)測效果明顯優(yōu)于BP神經(jīng)網(wǎng)絡(luò)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,為進(jìn)行冰蓄冷空調(diào)系統(tǒng)的負(fù)荷預(yù)測提供了一種準(zhǔn)確、可靠方法。

3 結(jié)論

冰蓄冷空調(diào)系統(tǒng)的負(fù)荷要受到多種因素的影響，且其各因素間相互耦合，造成冷負(fù)荷預(yù)測的控制的困難，因此本文選用GA-BP方法建立了冰蓄冷空調(diào)系統(tǒng)的負(fù)荷預(yù)測模型。

BP從理論上保證了模型的泛化能力，具有更加可靠的推廣性，適于在線工作；遺傳算法具有效率高、速度快的優(yōu)點(diǎn)，此二者的結(jié)合可以避免過擬合和欠擬合現(xiàn)象，且可指導(dǎo)優(yōu)化運(yùn)行，實(shí)際應(yīng)用前景廣闊。

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

[2] 曹雙華,曹家樅.基于小波變換的神經(jīng)網(wǎng)絡(luò)空調(diào)負(fù)荷預(yù)測研究[J]. 暖通空調(diào), 2005,35(4): 13-17.

[3] 徐今強(qiáng)，肖睿.黃沖，馮自平.空調(diào)負(fù)荷預(yù)測模型及仿真研究[J],華中科技大學(xué)學(xué)報（自然科學(xué)版）2009,37(1)增刊: 259-262.

[4] 徐今強(qiáng),馮自平,肖睿,黃沖.冰蓄冷中央空調(diào)預(yù)熱泵流量模糊控制[J],排灌機(jī)械工程學(xué)報，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

圖1 實(shí)驗(yàn)值與GA-BP和BP網(wǎng)絡(luò)預(yù)測值的比較
Fig.1. Experimental data comparison with GA-BP & BP network prediction values

國家重點(diǎn)基礎(chǔ)研究發(fā)展計劃(973計劃)項(xiàng)目(2012CB724400)

閆華光，男，1977年10月出生，碩士，高級工程師，主任，主要研究方向?yàn)椋汗?jié)能技術(shù)與應(yīng)用