基于改进型RBF神经网络的建筑用电能耗预测

• 作者: 李琳 杨新华 曹磊 韩永军
• 来源期刊: 建筑节能
• 学科: 工学
• 关键词: 能耗预测 RBF神经网络 粒子群算法 列文伯格-马夸尔特算法
• 年，卷（期）: 2021,（1）
• 所属期刊栏目: 电气与智能化
• 页码范围: 81-86,139
• 页数: 7页
• 分类号: TU855|TM769
• 语种: 中文
• DOI: 10.3969/j.issn.2096-9422.2021.01.013

摘要

径向基函数(Radial Basis Function,RBF)神经网络由于其网络结构简单、网络适应性好、学习过程收敛速度快等优点被运用于电力负荷预测领域.在将其应用于建筑用电能耗预测的过程中,由于对目前已有的建筑能耗数据和影响能耗的关键因素分析不足,以及网络参数不易确定,将导致预测精度无法满足实际需求.采用粒子群算法(Particle Swarm OPtimization,PSO)及列文伯格-马夸尔特算法(Levenberg-Marquard,LM)优化模型参数,并以大型办公建筑为研究对象确定影响能耗的约束条件,将其作为网络输入参数进行学习,以提高预测模型的准确性.实验结果表明,改进后的RBF算法平均绝对误差和最大相对误差分别降低了2.2％和4.76％,误差保持在2％以内,具有更高的预测精度.