BP网络算法在建筑物用电能耗预测的应用

BP网络算法在建筑物用电能耗预测的应用

摘要：建筑节能已经成为了当今社会的研究热点，对建筑系统能耗进行全面的评估和综合分析是对其进行节能改造、提高能量利用率的前提及基础，在已有的数据基础之上通过建立宏观的建筑系统能耗变化预测模型能有效地预测建筑能耗的变化规律以及发展特性，从而能为建筑系统的节能减排工作提供准确有效的决策依据。BP神经网络是一种广泛应用于建立预测模型的方法，但是原始BP算法存在收敛速度慢的特点，因此很多研究学者提出了其他BP神经网络的训练方法。本文将对几种方法进行总结研究。

关键词：BP神经网络；能耗预测；训练方法；建筑电气

随着我国进入创新节约性社会，建筑节能已经成为了当今社会发展的研究热点。全面评估和综合分析建筑能耗是对其进行节能改造、提高能量利用率的前提及基础，在已有监测数据上通过建立建筑系统宏观的耗能预测模型能有效预测建筑未来的耗能量以及其变化、规律，从而为建筑系统的节能减排工作提供准确有效的决策依据。建立有效的建筑能耗预测模型是判断未来建筑能耗量的有效手段。

人工神经网络是一种通过模拟人类大脑神经突触联接的结构来进行信息处理的非线性动力学系统模型，具有自主学习、联想记忆以及并行处理等功能。其中BP(back-Propagation)神经网络是应用最为广泛的人工神经网络模型之一。原因是其不需要明确具体的数学模型，只需要通过神经网络各节点之间的自主组织学习就能逼近系统输入与输出之间的非线性关系。

原始BP算法主要思想是：通过往误差梯度相反的方向移动参数，使误差函数逐渐减小并使误差函数取得极小值，其为线性收敛，计算速度慢。很多学者针对其收敛速度慢的特点，提出了一些其他的训练方法，本文就是此基础上对这些算法进行总结分析。

1. BP神经网络

BP网络（Back-Propagation Network）是一种根据误差逆传播算法训练的多层次的前馈网络，其学习过程主要分为如下两个阶段：

第一个阶段是输入已知学习样本，通过设置的网络结构和前一次迭代的权值和阈值，从网络的输入层经中间层向输出层传播，并计算各神经元的输出。此过程称为“模式顺传播”。

第二个阶段是根据一定的规则对权值和阈值进行修改。即遵照实际输出与期

望输出的差即误差平方最小这一规则，由输出层往隐含层逐层修正连接权值和阈值，此过程称为“误差逆传播”。

“模式顺传播”和“误差逆传播”过程的交替反复进行，通过不断调整网络的权值和阈值，使得误差逐渐最小，最终将误差控制在满足条件的范围内，使网络的实际输出逐渐向各自所对应的期望输出逼近。

2. BP网络的训练方法

目前针对原始的BP训练算法收敛速度慢的缺点的改进方法主要有两种途径，一是采用启发式学习方法，如附加动量的梯度算法，也可看作是共轭梯度法的近似。另一种是采用更加准确有效的优化算法，如共轭梯度法和牛顿法等。

2.1 附加动量法

附加动量法在每次调整权值和阈值时都需要将上一次的权值和阈值调整量考虑在内，并根据误差反向传播算法来确定合适的权值和阈值。此方法能有效地抑制了网络陷于局部极小点，从而提高了算法的收敛性。李蒙等人采用附加动量法进行了用电增长预测，改进了BP神经网络[1]。文中论证了改进后的BP神经网络比传统方法更好的体现和实现了建模思想，仿真结果表明：采用改进后的BP神经网络预测结果的预测精度比未改进的模型预测精度要高出1％-3％，且具有较好的收敛性。这种方法可以更加准确地判断建筑物能耗增长变化趋势，相对传统型BP预测算法具有一定的优越性。

2.2 LM算法

LM是将梯度下降法与高斯-牛顿法相结合的、利用标准数值优化技术一种算法，其是高斯-牛顿法的改进形式，不仅具有高斯-牛顿法局部收敛的特性，而且还具有梯度下降法的全局特性。此算法的收敛速度因为其采用了近似的二阶导数信息而优于梯度下降法。李然然等人采用LM算法对建立的BP神经网络进行训练，实践证明， LM算法相比于原来的梯度下降法，可以将收敛速度提高几十倍 [2]，可以提高对于建筑能耗的预测能力。

2.3 贝叶斯正则化算法

贝叶斯神经网络提供一个将最大似然估计的贝叶斯概率法与神经网络相结合的框架结构，建立与传统神经网络不同的性能函数，通过修正神经网络的性能函数来提高其推广能力。蒋惠凤等人采用贝叶斯正则化，其明显优于动量梯度下降算法，其收敛速度快，能得到更小的训练误差[3]。但是，也存在一些问题，要首先预测出产值、固定投资总额等经济因素，才能对用电量进行预测，这是今后要解决的问题。

2.4 遗传算法

遗传算法能在搜索过程中自动挖掘和积累样本空间的知识，并通过自适应控制搜索路径来寻求最优解，这种算法有高效并行处理、全局搜索的特点。何方国等人整合了遗传算法及神经网络各自的优点，并利用改进得到的遗传算法优化了BP神经网络的连接权 [4]。

3. 建筑物能耗BP网络模型

建筑能耗系统受到如设备变化及运行规律、人员活动、自然环境等多种因素的影响，因而其本身可看作成一个高度非线性的动力学系统，可用一个多层的BP神经网络来对建筑能耗进行模拟及预测。在实际处理中，需要找出对能耗影响比较大的因素，并分析其对确定预测模型结构的影响，判断将其利用于神经网络的可行性。如前所述，影响建筑系统能耗的影响因素很多，但是在实际采用预测模型来预测未来建筑能耗时不能无选择地将所有因素都考虑到预测网络之中，这样会使预测系统过于复杂和臃肿，网络训练学习时间过长，且极易陷入局部极小，无法达到比较满意的效果。因此，在实际操作中，应该视具体的实际情况综合考虑分析，利用已知数据验证网络预测模型的正确性之后再进行未来建筑能耗的预测。

4.小结

建筑能耗系统由于受到多种因素的影响，其本身可以被看作为一个高度非线性动力学系统，故采用一个多层的BP网络对建筑能耗进行模拟与预测具有比较高的可行性。原始的BP算法是线性收敛，速度慢，因而多种改进的训练方法被研究，本文对4种训练方法进行了总结对比。

参考文献：

[1]李蒙,郭鑫.基于改进BP神经网络和工业重构理论的用电增长预测方法[J].中南大学学报：自然科学版,2007,38(1):143-147

[2]李然然,张永坚.基于BP神经网络的建筑物用电能耗预测[J].山东建筑大学学报,2011,26(2):162-165

[3]蒋惠凤,何有世.基于BP神经网络的江苏用电量预测模型研究[J].统计与决策,2005,1:46-48

[4]何方国.基于改进遗传算法的BP神经网络及应用[J].华中师范大学学报：自然科学版,2007,41(1):51-