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：建筑节能(中英文), 2021, 49(01): 81-139.

• 能耗预测
• RBF神经网络
• 粒子群算法
• 列文伯格-马夸尔特算法

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-M arquard,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。

• 单位
  兰州理工大学