改进的深度回声网络在空调负荷预测中的应用_王永海.pdf
《改进的深度回声网络在空调负荷预测中的应用_王永海.pdf》由会员分享,可在线阅读,更多相关《改进的深度回声网络在空调负荷预测中的应用_王永海.pdf(10页珍藏版)》请在咨信网上搜索。
1、 ()年 第 卷 第 期 收稿日期:基金项目:国家科技部重点研发计划();重庆市科委一般自然基金项目()作者简介:王永海,男,硕士,工程师,主要从事电气自动化研究,:;通信作者 王华秋,男,博士,教授,主要从事节能优化与智能控制研究,:。本文引用格式:王永海,李云峰,董军,等 改进的深度回声网络在空调负荷预测中的应用 重庆理工大学学报(自然科学),():,(),():()改进的深度回声网络在空调负荷预测中的应用王永海,李云峰,董 军,关爱章,王华秋,向 力(湖北中烟工业有限责任公司襄阳卷烟厂,湖北 襄阳;重庆理工大学 两江人工智能学院,重庆;重庆太和空调自控有限公司,重庆)摘 要:针对深度回声
2、状态网络的输入权值随意性太大、中间状态数量庞大、关键参数凑试决定等问题,运用灰色关联度计算属性间的相关性从而确定输入权值。采用聚类算法简化中间状态,并用坐标轮换法搜索最佳的深度网络层数和储备池个数,对算法进行改进。通过 标准数据集的实验,发现改进后的算法提升了预测精度和速度。采用改进的深度回声网络预测卷烟厂空调负荷,通过当前时刻的内外部条件,解决由于负荷数据周期性波动所造成的预测效率低的问题,及时准确地预测出了下一时刻的空调负荷,提前对冷水机组的运行策略进行了调节,从而达到空调节能的目的。关 键 词:深度回声状态网络;灰色关联度;聚类;坐标轮换法;空调负荷预测中图分类号:;文献标识码:文章编号
3、:()引言现代卷烟行业依赖暖通空调来调节温湿度,因此能源消耗量相当巨大。空调负荷主要是指末端冷热需求,还要考虑到管路损耗和室外环境等因素。这些需求可以通过空压机、制冷机、蒸发器和负压机等暖通设备以被动方式提供,目的是尽可能少地消耗能量,同时满足卷烟生产并符合工艺标准。空调系统的调节策略要符合负荷需求和能源供给的最佳匹配原则,这样系统才是最节能的。其方法就是调节空调系统的冷冻水量,使得空调实际负荷与预测负荷匹配,因此,准确预测空调负荷非常重要。国内外学者已在空调负荷预测方面做过大量研究,有基于统计的参数回归法、时间序列法和小波分析法等;也有基于数据挖掘的聚类法和随机森林法等;还有基于网络结构的极
4、限学习机、支持向量机、深度信念网络和深度循环网络 等的负荷预测方法。空调负荷预测方法逐步智能化,但是仍然有需要改进之处,比如无法准确预测周期性变化数据、训练耗时过大造成模型更新缓慢、没有考虑输入输出数据之间的相关性,从而影响预测模型的精度。等学者在深度学习框架和基于泄漏积分型回声状态网络的基础上,于 年提出了一种多层储备池依次连接成的深度网络。这种多层的结构体现出了深度时间序列特性,其状态动力学特性高于传统的浅层网络,立即引起许多学者的高度关注,已经应用于许多领域,但是目前用于空调负荷预测方面的研究仍然比较少。因此,本文采用改进的深度回声网络(,)来预测某卷烟厂空调负荷,通过当前时刻的冷冻水和
5、冷却水供回水温度、冷冻水和冷却水流量、室外温湿度和风速等参数,预测出下一时刻的空调负荷。并且运用灰色关联度计算属性间的相关性从而确定输入权值,用坐标轮换法搜索最佳的深度网络的层数和储备池个数,解决由于负荷数据周期性波动幅度所带来预测效率低下的问题。最后将该预测模型与相关的新型算法进行了对比,验证了 网络的优越性,同时也讨论了其局限性。深度回声状态网络研究为了提高回声状态网络的特征表达能力,深度回声状态网络(,)于 年被 等提出。深度回声状态网络的储备池是串行排列的,因此每个储备池状态主要依赖于前一时刻的状态以及前一储备池的输出信息,深度回声状态网络结构如图 所示。从 的结构图可知,包括输入层、
6、中间状态层和输出层。设 有 个输入神经元,层储备池,个输出神经元,每层储备池有 个神经元。在 时刻,输入数据为:()(),(),()输出数据为:()(),(),()的多层储备池状态为:()()()()()()()这里,()()()()()()()(),代表第 个储备池的 个神经元状态。表示输入权值,()表示第 个储备池的内部权值,()表示第 个储备池到第 个储备池之间的连接权值,表示输出权值。图 深度回声状态网络结构 由于回声状态都依赖于输入信号的历史值,因此,都是在 ,范围内随机选择的。每一层的回声状态按照下列公式进行更新:()()()()()()()()()()()()()()()()()
7、()()()()()()()()()()()()()()()()()()()()()()()()()()()()()式中,是泄漏率,取 ,是正切激活函数。以上公式可以归纳为:当 时:()()()()()()()()()()当 时:()()()()()()()()()()()()这样,各层各个时刻的回声状态总和就是:()()()()()()()()()()()()()()()()()()()|由 组中间状态汇聚起来后,网络就可以采用如下计算输出:()其中:()()()()()()()()()|。在深度回声状态网络中,只有输出权值需要通过回归算法训练。)如果采用最小二乘法算法训练,输出权值的计算式
8、为:()()如果采用岭回归算法训练,可以克服过拟合现象,输出权值的计算式为:()()式中:为正则化系数,一般取 。的训练过程如下:输入:具有 个时刻的训练样本输出:输出层权值 参数设置:输入神经元为 个,输出神经元有 个,储备池有 层,每层储备池有 个神经元,泄漏率是,正则化系数是。初始化:,都是在,范围内随机选择的。样本时间序列 式()计算 式()计算 ()()()()()()()()()()()()()()()()()()首先,算法根据设置的参数随机初始化权值,在每一时刻的训练中,输入数据进入第一个储备池,因此各个中间层储备池的状态发生变化。接着,得到所有训练样本的全部储备池的状态,根据输
9、出数据来训练输出权值。的预测过程就比较简单了,根据已有参数和权值,首先用测试输入经过多层储备池的状态转换,得到最终状态,再乘以训练得到的输出权值,如下式所示:()()其中 是预测步长,这样就可得到预测输出了。深度回声状态网络的改进为了建立更准确可靠的负荷预测模型,针对深度回声网络的输入权值、网络层次、储备池大小以及中间状态等方面进行了改进。按灰色关联度初始化输入权值根据输入和输出之间的关联程度,从而决定输入变量对于输出的重要程度,因此采用灰色关联度法计算输入权值,而没有采用原来的随机初始化方式。将输入变量和输出变量组成一个关联度矩阵,如是多个输出,则取输出的平均值作为 的第一列:|为了消除每一
10、列的量纲,将每一列除以平均值,得到平均后的矩阵?:王永海,等:改进的深度回声网络在空调负荷预测中的应用?|把?中的自变量和因变量分别设为 和,为了便于下一步减法运算,对 进行重复扩充,使其大小和 相等。将自变量序列减去因变量序列取绝对值,得到减序列:()()()()找 出 减 序 列 中 的 最 大 值 和 最 小值:()()()()计算每个样本的每个指标与因变量序列的关联度:()()()其中,为分辨率。每一条样本都会有一个输入与输出之间的关联度,因此关联度数值和样本数量一样多。这不利于从整体上分析输入和输出之间的关联程度,所以有必要将各个样本的关联系数集中为一个值,即求其平均值。作为输入与输
11、出数列间关联程度的数量表示,每一个输入和输出值之间的关联度 如下:()()然后组成一个关联度向量:,得到的关联度范围都在,之间,将这些关联度作为深度回声状态网络的输入权值。将关联度向量做一个简单的,之间的等距分箱,每个分箱的间距为 ,统计每个分箱的分布情况,就可以把不为零的分箱区间数作为下一步 聚类的中心个数。中间状态聚类深度回声状态网络中间层比较多,造成中间状态矩阵 比较大,这对于后一步求逆容易出现误差,而且运算速度也会受影响,不利于输出权值的回归求解。因此,采用 聚类对中间状态进行聚合,可以减少无效的中间状态对输出权值的影响,减少求逆时间和误差,从而提高预测精度和速度。计算 的聚类中心,为
12、聚类中心数。对中间状态 进行 聚类,根据矩阵 的每一行所属的类,得到中间状态的 个聚类中心。中间状态矩阵可以转换为:()()()()()()()()()|其中聚类个数 。用这 个聚类中心代替中间状态进行下一步的输出权值回归运算。这样就降低了求广义逆的复杂度,也可以尽量保留重要中间状态的信息,从而提高算法的拟合能力。网络层数和储备池大小的坐标轮换法搜索层数和储备池大小是深度回声状态网络的 个重要参数,其值影响了预测的精度和性能,因此采用坐标轮换法搜索这 个参数。本文将储备池层数,每层储备池神经元个数 的搜索方向作为坐标轴的梯度变化方向,从这 个方向上对储备池层数和每层储备池神经元个数进行搜索寻优
13、,搜索目标是:(,)()约束条件:,其中 表示,表示,和 分别是训练集的均方根误差和平均相对泛化误差。计算步骤如下:)给定初始点()(,),初始步长(,)(,),缩放因子 ,步长精度 ,自变量精度 ,搜索次数 ;)令()(),从 开始,根据步长 沿着坐标轴 的正方向寻优,令()(),如果取得的()使(,)减小,并且 在其约束范围之内,则步长加倍,加速向前搜索直到(,)不再减小,转第 步。如果沿坐标轴 的正方向搜索得不到使得(,)减小的点,则转向坐标轴 的负方向搜索,然后转第 步;)如果沿坐标轴 的正负方向都搜索不到使得(,)减小的点,则将搜索步长减小,令 ,转第 步;)依次沿其他坐标轴进行同样
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 改进 深度 回声 网络 空调 负荷 预测 中的 应用 王永海
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。