基于IPSO睧LM的電磁供暖室內溫度預測

王航 王盛慧

摘 要：為克服電磁供暖系統對用戶室內供暖時存在的溫度滯后性，本文提出一種改進粒子群優化算法（IPSO）優化的ELM，用來對室內下一時刻的溫度進行預測。該算法完善了PSO易跳過最優解、易陷入局部最優解以及收斂時間長等問題，然后分別用IPSO和PSO對ELM模型進行優化，建立基于IPSO-ELM和PSO-ELM的電磁供暖室內溫度預測模型。

關鍵詞：電磁供暖;溫度預測;粒子群算法;極限學習機

在電磁供暖室內，供暖溫度存在著滯后性[1]，建筑物蓄熱性能、室外溫度及歷史溫度等因素都會影響室內下一時刻的溫度。故能否建立良好的室內溫度預測模型的對后續電磁供暖系統的控制性能的好壞至關重要。在對電磁供暖室內溫度的影響因素進行分析之后，明確ELM預測模型的輸入輸出變量。然后再分別用PSO和IPSO優化ELM的連接權值以及隱含層閾值。最后通過仿真驗證了IPSO優化的效果較好。

1 ELM模型

ELM是由新加坡的著名學者黃廣斌[2]在2004年所提出，并用來解決傳統BP神經網絡訓練時間長、較易陷于局部的最優解以及對參數的選擇苛刻等問題的一種新的前饋型神經網絡算法。ELM與BP神經網絡的不同之處在于其連接權值和隱含層閾值是由算法隨機生成的，故只要確定隱含層中神經元的數目就可以進行訓練學習，操作十分方便，泛化能力比較強。

2 基于IPSO的ELM優化

早在1995年，美國的Kennedy和James Eberhart就提出了粒子群算法這一概念。他們是在Frank Heppner鳥類模型建模與仿真取得了一定成果之后，并以此為基礎，才共同提出了粒子群算法（PSO）。該算法在較少的參數設置量時就具備較強的尋優能力和收斂速度，因此經常被應用于各優化領域。

PSO是利用各個粒子對最佳的地點進行搜尋，然后經不斷地迭代尋找得到全局最優解的過程。每個粒子的地點都可以用一個相應的適應度函數來表示，并且各粒子運動的方向和距離可用其保有的速度來表示。在整體的迭代過程中，利用個體的最優極值以及全局的最優極值來不斷地進行更新。個體的最優極值指的是個體在進行一定的迭代次數后所獲得的最佳地點，全局的最優極值指的是整個種群通過一定迭代次數后所獲得的最佳地點。將粒子群速度和地點都用維數為S的向量進行表示，便可得到其迭代公式如下：

3 仿真結果分析

3.1 輸入輸出變量的選取

電磁供暖室內的溫度存在著大慣性與大滯后性，并且與室內外溫度、供回水溫度及溫控器狀態等因素有關，綜合上述因素本文將N-T刻室內溫度、N時刻室內溫度、N時刻溫控器狀態及N時刻供回水溫差作為輸入變量，N+T時刻室內溫度作為輸出變量。

3.2 試驗數據采集選取

本文對某棟電磁供暖居民樓進行數據采樣，每30分鐘采樣一次。為了獲得全面的樣本，本文從供熱平臺獲取了2019年1月6號00點00分～1月11號23點30分的總計288組數據，并把前230組數據作為模型的訓練樣本，把后58組數據作為模型的測試樣本，然后分別用IPSO-ELM和PSO-ELM進行預測試驗。學習因子c1，c2取為1.5，迭代次數為100次，種群規模為50，隱含層神經元個數為9，最大、最小權值分別取為0.8、0.4，并采用S型函數作為激勵函數。

3.3 試驗對比分析

前230組訓練集通過IPSO-ELM和PSO-ELM訓練輸出的室內溫度值與實際在供暖平臺獲得的室內溫度值能夠很好的擬合，其擬合曲線如圖1所示，由圖可知，兩種模型的擬合度均在合理范圍之內。經過計算知IPSO-ELM的均方誤差（MSE）為0.0303，PSO-ELM的均方誤差（MSE）為0.0102，則IPSO-ELM模型的擬合程度比PSO-ELM模型略高些。

利用前230組訓練集訓練之后IPSO-ELM模型和PSO-ELM模型再分別對后58組測試集溫度進行預測，得到如圖2所示的IPSO-ELM和PSO-ELM的實際值與預測值的對比圖，由圖2可知，兩種算法所預測的電磁供暖室內溫度值的變化趨勢與實際電磁供暖室內溫度值的變化的趨勢基本相同，且IPSO-ELM所預測的溫度值與實際溫度值更加接近，兩種算法的預測誤差對比如圖3所示。

由圖3可知，雖然兩種算法在預測溫度值上都存在一定的誤差，但是IPSO-ELM預測準確度要高于PSO-ELM。

通過以上三項對比可知，IPSO確實對PSO進行了優化，IPSO-ELM模型比PSO-ELM模型更適合對室內溫度進行預測。

4 結語

本文為對電磁供暖室內溫度進行預測，提出了一種IPSO對PSO進行優化，并基于ELM對IPSO-ELM和PSO-ELM模型進行對比驗證，試驗結果表明IPSO-ELM預測模型的溫度預測誤差更小，具有更好的預測能力，能夠勝任電磁供暖室內對下一時刻溫度的預測要求，為后續電磁供暖控制系統的設計奠定了基礎。

參考文獻：

[1]李康吉.建筑室內環境建模、控制與優化及能耗預測[D].浙江大學，2013.

[2]穆冀里，蔣武鋒，董建君，等.納米鐵粉的制備方法研究[J].粉末冶金工業，2014（02）：37-41.

[3]陳恒志，楊建平，盧新春，等.基于極限學習機（ELM）的連鑄坯質量預測[J].工程科學學報，2018（7）：815-821.

作者簡介：王航（1995-），男，漢族，山西臨汾人，碩士研究生，電氣工程專業。

*通訊作者：王盛慧（1976-），女，漢族，吉林長春人，碩士研究生，教授，電氣工程專業。