【华南理工大学学报】基于RBF神经网络的建筑逐时空调负荷预测模型.pdf

华 南 理工 大 学 学报 ( 自然科 学版 ) 第 36卷 第 10期 Journal of South China U niversity of Techno logy V ol. 36 N o. 10 200 年 10月 ( N atural Science Edition) O ctober 200 文章编号: 1000565X( 200 ) * 基于RBF神经网络的建筑逐时空调负荷预 模型 李琼 孟庆林 ( 华南理工大学 亚热带建筑科学国家重点实验室, 广东 广州 510640) 摘 要: 分别用径向基函数( RBF)神经网络模型和 BP神经网络模型对广州市一栋办公 楼和一栋图书 在夏季不同月份的逐时冷负荷进行训练和预测, 发现 RBF神经网络模型 预测的均方根误差和平均相对误差都仅是 BP神经网络方法的 64% 左右. 仿真结果表明, RBF神经网络具有更高的预测精度及更好的泛化能力, 是建筑空调负荷预测的一种有效 方法. 在此基础上, 构建了基于RBF神经网络的建筑逐时空调负荷智能预测软件系统. 关键词: 空调负荷; 预测; 径向基函数; 人工神经网络 中图分类号: TB6; TU 31 文献标识码: A 建筑物空调负荷的准确预测是实现空调系统优 性学习算法的前馈网络. 它已被广泛应用于数据的 化运行的前提条件. 目前空调负荷的预测方法主要 分类和时间序列的预测等方面. RBF 神经网络由3 [ 9] 有线性回归法、指数平滑法、神经网络法及层次分析 层组成, 其结构如图 1所示 . [ 14] 法等 . 其中, 人工神经网络因具有强大的非线性 输入层节点只传递输入信号到隐层, 隐层节点一 映射能力, 在空调负荷预测中得到了广泛的应 般由辐射状的作用函数构成, 通常采用高斯函数. 输 [ 5 ] 用 . 但是, 目前采用的人工神经网络算法基本上 入层实现从x R (x ) 的非线性映射; 而输出层节点 i j i 为 BP算法或其改进版本. BP 网络用于函数逼近 通常选取线性函数, 从而使输出层实现从R (x ) y j i k 时, 权值调节采用负梯度下降法, 这种调节权值的方 的线性映射. 法存在收敛慢和局部极小等缺点. 径向基函数 ( RBF)神经网络是一种在逼近能力、分类能力和学 [ 9] 习速度方面均优于 BP 网络的神经网络 . 因此, 笔 者尝试采用 RBF神经网络建立空调负荷的智能预测 模型, 将其应用于一栋办公楼和一栋图书馆的空调负 荷预测, 并与 BP神经网络算法的预测结果