基于GIHCMAC神經網絡的建筑電負荷預測方法①

吳盼紅， 段培永， 丁緒東， 尹春杰， 姬曉娃， 邱 鐘

1(山東建筑大學 信息與電氣工程學院，濟南 250101)

2(山東省智能建筑技術重點實驗室，濟南 250101)

3(山東師范大學 信息科學與工程學院，濟南 250358)

建筑作為能源消耗的主要領域，在2015年消耗總量高達8.57億噸標準煤，占全國能源消費總量的19.93%，其中公共建筑能耗占建筑總能耗的34%[1]. 由于社會經濟的發展，公共建筑數量不斷增加，促使建筑能耗占全國總能耗的比例也越來越大. 目前，隨著我國節能政策的實施，構建快速、準確的建筑電負荷預測模型，合理分配能源顯得十分重要.

近年來，國內外學者對建筑電能耗預測方法進行了廣泛的研究，主要包括回歸預測法、神經網絡法和支持向量機等. 李婉華等建立基于時間序列的隨機森林用電負荷預測模型，降低了預測誤差[2]; 黎祚等使用k-means聚類、BP或RBF結合的方法建立負荷預測模型[3，4]，上述兩種方法均取得較好結果，但其方法需獲得大量建筑能耗數據. Chae等采用人工神經網絡建立短期建筑能耗預測模型，可提前預測一天的用電量及日常高峰用電量[5]，但其易陷入局部最優;王義軍等采用PSO-SVM神經網絡模型預測短期電力負荷，提高了預測精度，但結果易受核函數的影響[6]. 李明海等研究了一種基于GM-BP神經網絡的預測模型預測校園能耗，預測精度和擬合性有所提高，但模型訓練時間較長且收斂性不足[7]; Zhang Y等研究了一種基于PSO-RBF神經網絡的建筑能耗預測模型，提高了預測精度，但其需要的訓練樣本較多，運算量大[8].

基于聚類的超閉球小腦模型關節控制器HCMAC(Hyperball Cerebellar Model Articulation Controller)神經網絡是在CMAC神經網絡的基礎上學習而來的[9]，具有局部泛化能力強，模型結構簡單，收斂速度快，易于軟硬件實現等優點. 將其應用于建筑電負荷預測的關鍵在于聚類中心即網絡節點的獲取，現有聚類算法采用的終止條件以及模糊聚類方法，可能導致聚類結果不能到達最優結果. 因此，文章采用遺傳算法(Genetic Algorithm，GA)與蟻群聚類算法(Ant Colony Clustering Algo-rithm，ACCA)相結合的方法來確定聚類中心以及聚類數目，建立基于遺傳算法與蟻群聚類算法的超閉球小腦模型關節控制器GIHCMAC(Genetic Algorithm Ant Colony Clustering Algorithm based IHCMAC)神經網絡預測模型，實現辦公建筑電負荷的準確預測.

1 基于GIHCMAC的建筑電負荷預測

1.1 基本原理

1.1.1 IHCMAC神經網絡

IHCMAC神經網絡[10]輸入空間的量化不再使用等網格劃分的傳統方法，而是采用模糊C均值聚類算法(FCM)[11]，降低了高維數據處理的復雜性. 首先對輸入進行歸一化處理得到m維的輸入空間=[0,n]1×[0,n]2×···×[0,n]m，然后用FCM聚類算法對輸入空間xˉ進行聚類，得到L個聚類中心值，即網絡節點p=[p1,p2,···,pL]，每個節點都是一個m維向量pi=[pi1,pi2,···,pim]，i=1,2,···,L. 定義一個中心為xk，半徑為的超閉球，當超閉球內的節點被激活時，IHCMAC神經網絡可由式(1)表示為：

權值訓練算法采用改進的C-L算法，由式(2)表示為：

式中，α，β為常數; ek-1為估計誤差，當0＜α＜2、β＞0時，算法收斂，對于不同樣本，只需局部調整權系數即可[11].

1.1.2 蟻群聚類算法

蟻群算法[12]是1991年由意大利學者DorGIo M提出的一種模仿螞蟻群體行為的仿生優化算法，2004年Shelokar將蟻群算法運用于聚類分析中，提出基于蟻群覓食原理的聚類算法(Ant Colony Clustering Algorithm，ACCA)[13]. 螞蟻覓食時會釋放隨時間推移而揮發的信息素，當某一路徑上走過的螞蟻數量越多，該路徑上的信息素強度就會增加，從而吸引更多的螞蟻，這一過程也稱為正反饋. 通過這種正反饋機制，螞蟻最終可以找到從蟻穴到食物源的最短路徑[14]. 蟻群算法就是利用這種原理來求解最優解的.

1.1.3 遺傳算法改進蟻群聚類

IHCMAC神經網絡算法采用FCM聚類的方式確定網絡節點，雖然解決了高維數據處理過程中的維數災難問題，但不能反映輸入數據的整體特征. 聚類終止條件是人為確定的，并且由聚類準則函數收斂速度判斷聚類數目的缺陷，增加了運算量，而且對訓練模型的精度有著較大的影響.

蟻群聚類算法雖然可以較好的彌補IHCMAC算法的缺陷，但其依賴于初始聚類中心的選擇，且易陷入局部最優的問題，使聚類效果不夠理想，直接影響了預測模型的學習精度. 遺傳算法是一種比較常用的隨機搜索算法，能在很大程度上減少陷入局部最優的情況. 因此，文章采用遺傳算法改進蟻群聚類[15，16]，首先，蟻群算法快速地完成初始路徑的選擇，得到各個樣本到其對應的聚類中心的總偏離誤差F，作為遺傳算法的初始種群進行全局搜索，得到最佳聚類中心. 具體步驟如下：

(1) 初始化. 設定各參數σ、α、β，蟻群數A，聚類數K，最大迭代次數t_max，閾值P0，變異率pls.

(2) 構造每只螞蟻的解，計算轉移概率P. 若P＞P0，則將樣本Xi分配到類mk中; 否則，將樣本Xi隨機分配到類mk中.

(3) 根據式(4)和式(3)計算新的k個聚類中心和適應度值F，同時更新信息素矩陣.

式中，mj為聚類中心，J為該聚類中所有數據對象的個數，i=1，2，…，n位樣本數據個數，j=1，2，…，k為聚類數目.

(4) 比較A只螞蟻求的目標函數值的大小，選出最小的記為此次迭代的最優值，確定最佳路徑.

(5) 根據最佳路徑產生n維隨機數組rp，若rp(i)≤pls，則對最佳路徑進行變異，產生新的聚類中心，并計算新路徑下的適應度值F_temp. 若F_temp＜F，則新路徑為最佳路徑; 否則轉步驟(3).

(6) 若滿足結束條件t＞t_max，則輸出全局最優解;否則迭代次數t=t+1，轉步驟(2).

文章采用遺傳算法優化蟻群聚類算法，改進了IHCMAC算法中確定神經網絡節點的方式，最終得到GIHCMAC (GA ACCA Improvement Hyperball CMAC)神經網絡算法.

1.2 模型構建

以位于濰坊市某一辦公建筑為研究對象，獲取實測數據. 每5 min采集一次，采集2018年10月8日到14日一周的用電數據，共2016組作為訓練數據，分為1008組學習樣本和1008組測試樣本，其中2018年10月8日8：00-11：00的數據如表1所示. 模型的輸入為前兩個時刻的數據Pt-2，Pt-1，輸出為Pt. 模型的流程圖如圖1所示，將輸入數據進行歸一化和滑動平均濾波處理，利用遺傳算法優化蟻群聚類算法來確定網絡節點，構建GIHCMAC神經網絡預測模型，最后輸出模型誤差值及建筑電負荷預測值.

表1 樣本部分數據

圖1 GIHCMAC神經網絡建筑負荷預測流

2 實驗仿真

2.1 數據處理

2.1.1 數據濾波去噪

實際數據在采集過程中，會因為受到外界其它因素的影響產生干擾數據. 因此需要對數據進行濾波處理，去除噪聲. 滑動平均濾波法原理簡單，通常去噪效果比較好[17]. 設原始數據序列為fi(i=1，2，…，N)，N為樣本數，在固定窗口M中，每采集一個新數據放入序列列尾，則丟掉原始數據序列列首的一個舊數據，并進行平均運算，得到新的濾波數據，其一般表達式為：

式中，i=n+1，n+2，…，N-n，M=2n+1.

2.1.2 數據歸一化

在進行建筑能耗預測仿真之前，需要將所有數據進行歸一化處理，即把所有建筑能耗數據都轉化為[-1，1]之間的數值，使所有數據都在統一的尺度內，防止不同數量級引發建模病態問題.

2.2 性能指標

以MATLAB R2014a為實驗平臺對模型進行仿真，編寫IHCMAC[18]、KHCMAC[19]、IKHCMAC[20]及文中建立的GIHCMAC神經網絡模型程序，以均方根誤差RMSE作為訓練模型的評價指標，泛化誤差GMSE作為測試模型的評價指標，分別由式(7)、式(8)表示為：

2.3 數據分析

根據上述仿真實驗，通過聚類得到神經網絡節點150個，用學習樣本對三種預測模型進行訓練，實驗參數設定：蟻群規模A=100，最大迭代次數t_max=100，σ=0.7，α=0.5，β=0.2，P0=0.9，pls=0.1. 表2列出了4種模型的性能評價參數，圖2為四種模型的學習誤差與泛化誤差曲線圖，圖3為建筑電負荷400組數據實際值與預測值的對比曲線圖. 根據仿真結果表明，IHCMAC神經網絡模型的迭代次數為25次，較KHCMAC神經網絡模型和IKHCMAC神經網絡模型收斂速度較快;而GIHCMAC神經網絡模型因在蟻群聚類算法的基礎上加入了局部尋優閾值pls (變異率)，減少運算次數，加快了收斂速度，所以其迭代次數降為9，較IHCMAC神經網絡模型降低了64%. IHCMAC模型的訓練誤差為0.0092，較小于KHCMAC、IKHCMAC兩種模型的訓練誤差，而GIHCAMC模型的訓練誤差為0.0053，較IHCMAC模型降低了42.39%，其具有更好的學習精度. IHCMAC模型的泛化誤差為0.0022，較小于KHCMAC、IKHCMAC兩種模型的泛化誤差，而GIHCMAC模型的泛化誤差為0.0015，較IHCMAC模型降低了31.82%，其泛化能力更強. KHCMAC模型的迭代時間為3.75 s，低于其它三種模型. GIHCMAC模型的迭代時間為5.16 s，雖然后者的迭代時間略大于前者，但是后者的誤差較小，證明在保證預測精度的前提下其實時性相對較 好. 由表3可以看出基于遺傳算法改進的蟻群聚類的聚類效果方面優于蟻群聚類算法.

表2 4種模型性能參數

3 結論

文章針對蟻群聚類算法與遺傳算法的特點，將兩者相結合，彌補蟻群聚類算法易陷入局部最優的缺陷，實現對IHCMAC神經網絡節點選擇的優化，建立基于GIHCMAC神經網絡的辦公建筑電負荷預測模型. 通過此模型，得知前兩個時刻的電負荷值，則可以預測得到后一時刻的電負荷值. 實驗表明，該算法與IHCMAC神經網絡方法、KHCMAC神經網絡方法、IKHCMAC神經網絡方法相比，收斂速度快，學習精度高，泛化能力強.

表3 改進前后聚類效果對比

圖2 4種模型的學習誤差與泛化誤差曲線

圖3 實際電負荷與模型預測值對比曲線