基于随机Dropout和PSO-BP的建筑能耗预测研究
摘 要: 针对传统BP神经网络存在的收敛速度慢和极易陷入局部极小值导致网络“震荡”的缺点,影响建筑能耗预测准确性的问题,本文提出一种基于随机Dropout和PSO-BP的建筑能耗预测方法。该方法利用粒子群算法(PSO)对BP神经网络的权值和阈值进行优化,再利用随机Dropout算法改进PSO-BP网络的隐层单元,获得较快的运算速度。案例仿真结果表明:与传统BP神经网络和PSO-BP神经网络预测比较,经过PSO-BP和随机Dropout改善后的网络预测速度更快、预测精度更高,其预测结果可为建筑节能管理运行提供参考。
关键词: BP神经网络 建筑能耗 随机dropout PSO算法
传统 BP 神经网络所存在的收敛速度慢和极易陷入局部极小值导致网络“震荡”的缺点。Aydinalp 和 Ugursa 提出一种基于回归条件分析方法,该方法能够对全国范围内的能耗进行预测,并且它的准确率跟神经网络相当。陈榕利用改进的灰色模型在传统的灰色模型的基础上引入弱化缓冲算子对样本数据波动较大的建筑进行能耗预测,且效果较好。为了能有效的提高建筑能耗预测的准确性,本文提出一种基于随机 Dropout 和 PSO-BP 的建筑能耗预测方法,通过实验结果表明,提出的预测方法预测速度更快、预测精度更高,具有可行性和有效性。
随着人口的急剧增长和人们生活水平的不断提高,建筑面积和建筑能耗强度逐年增加。相关资料表明,我国建筑能耗已经超过国家总能耗的 1/3,位居能耗之首。因此,建筑节能变得至关重要。建筑能耗预测是一种比较困难的问题,因为建筑物的耗能行为比较复杂且影响因素具有不确定性,导致需求频繁发生波动。这些波动是因为存在建筑物构建特性、居住者行为、气候条件和子系统组件等非线性因素。现有文献已经提出了多种精确且鲁棒的能耗预测方法。其中主要有 Betul BE 利用 BP 神经网络在考虑建筑朝向、维护隔热和建筑采光三种影响因素的基础上对建筑能耗进行预测,预测结果误差为 3.4%。但是这种方法存在1 算法原理
1.1 BP 神经网络