基于PSO-BP算法的动态空调负荷预测建模

　　建筑物的空调系统负荷预测，涉及诸多非线性的时变因素。准确地预测空调负荷，是我国建筑节能的一项重要技术，其直接影响到建筑物中空调设备的选型、系统的划分、风道计算以及系统的自动控制等。

　　目前空调负荷预测主要有 3 类算法：估算法、详细计算法和智能计算法等。其中前两类算法具有需要采集的参数多和数据量大的不足，第三类算法以反向误差传播(Error Back Propagation，BP)算法为基础，克服了前两种算法的不足，并取得了较好的预测结果。但是，传统的 BP 算法利用最速下降法，即负梯度方向来决定每次迭代的新的搜索方向，使待优化的目标函数逐步减小，这就使得该算法存在收敛速度难以控制，易出现麻痹现象和易陷入局部极值等不足[1]。

　　而粒子群算法，避免了最速下降法中对目标函数连续、可导的要求，并在求解大量非线性和多峰值的复杂优化问题方面有着解的品质高、鲁棒性好和全局搜索能力强等优点[2]。

　　因此，本文采用粒子群算法取代最速下降法，对BP 网络中的连接权值和阈值进行训练，利用粒子群算法优化后的BP 网络，建立动态空调负荷预测模型，使得测结果更加精确，可用于处理空调负荷中的非线性问题。

　　1标准粒子群优化算法

　　粒子群优化(Particle Swarm Optimization, PSO)算法，是基于群体智能理论的一种新兴演化计算技术，是由James Kennedy 和 Russell Eberhart 于 1995 年共同提出的基于对鸟类群体行为进行模拟的算法[3]。鉴于 PSO 算法的通用性和有效性，用 PSO 算法解决实际问题已成为一个热点[4]。

　　其中在训练神经网络方面，华南理工大学的钟慧玲等提出了基于 PSO 同时优化 log- Sigmoid 函数与连接权值的 BP 训练算法[5];安徽大学的 Wang等利用基于 PSO- BP 算法的神经网络来预测热轧带钢模型的机械属性[6]，南非的Engelbrecht 等利用 PSO 算法来训练神经网络[7]。

　　研究结果均表明，利用PSO 算法设计神经网络是一种快速、高效并具有潜力的方法。

　　Y.Shi 等于 1998 年提出带有惯性权重 ω 的改进粒子群算法[8]，进一步提高了算法的性能。惯性权重ω 决定了先前速度对当前速度的影响程度，通过选取合适的参数，可以调整全局搜索和局部搜索能力的比例，得更好的收敛结果。这是目前使用最广泛的标准PSO 算法(Standard Particle Swarm Optimization)，简称PSO 算法。

　　PSO 算法可以表述为：在搜索空间初始化一组随机的粒子并通过迭代法找到最优解。假设待求解的问题的h 个 D 维隐含解(粒子)组成种群

　　不妨设在空间S 中的第 i 个微粒在第 t 次迭代时的 D 维向量 Si#$t表示为