CINgydF4y2Ba 计算智能和神经科学gydF4y2Ba 1687 - 5273gydF4y2Ba 1687 - 5265gydF4y2Ba HindawigydF4y2Ba 10.1155 / 2021/3474077gydF4y2Ba 3474077gydF4y2Ba 研究文章gydF4y2Ba 地铁站的短期预测方法的个人能耗项目基于G-ACO-BP模型gydF4y2Ba https://orcid.org/0000 - 0002 - 8910 - 8821gydF4y2Ba 沙gydF4y2Ba 国荣gydF4y2Ba 1gydF4y2Ba 钱gydF4y2Ba 清gydF4y2Ba 2gydF4y2Ba 艾哈迈德gydF4y2Ba 赛义德·哈桑gydF4y2Ba 1gydF4y2Ba 交通运输工程学院gydF4y2Ba 南京工业大学职业技术gydF4y2Ba 南京210023gydF4y2Ba 中国gydF4y2Ba 2gydF4y2Ba 南京Chervon汽车精密技术有限公司gydF4y2Ba 南京211106gydF4y2Ba 中国gydF4y2Ba 2021年gydF4y2Ba 13gydF4y2Ba 10gydF4y2Ba 2021年gydF4y2Ba 2021年gydF4y2Ba 14gydF4y2Ba 7gydF4y2Ba 2021年gydF4y2Ba 15gydF4y2Ba 9gydF4y2Ba 2021年gydF4y2Ba 23gydF4y2Ba 9gydF4y2Ba 2021年gydF4y2Ba 13gydF4y2Ba 10gydF4y2Ba 2021年gydF4y2Ba 2021年gydF4y2Ba 版权©2021国荣沙、清钱。gydF4y2Ba 这是一个开放的文章在知识共享归属许可下发布的,它允许无限制的使用,分布和繁殖在任何媒介,提供最初的工作是正确的引用。gydF4y2Ba

本文提出一种新方法做出短期预测的三种主要能源消耗的电力,照明、通风空调在地铁站。首先,本文提取五个主要影响因素地铁站能耗通过内核主成分分析(KPCA)。第二,改善genetic-ant蚁群优化(G-ACO)融合到BP神经网络训练和优化每个BP神经网络层之间的连接权值和阈值。本文构建一个G-ACO-BP神经模型进行短期预测不同的能源消耗在地铁站预测能源消耗的电力,照明、通风空调。实验结果表明,G-ACO-BP神经模型可以给更准确有效的预测主要的能源消耗在一个地铁站。gydF4y2Ba

 1。介绍gydF4y2Ba

国内城市轨道交通里程已经飙升在中国随着施工的进行。截至2019年12月31日,有208个完成并正式运营的城市轨道交通线路在40个城市在中国大陆的总里程6736.2公里(gydF4y2Ba 1gydF4y2Ba]。城市轨道交通的发展增加了动力能源消耗显著,甚至成为城市最大的电力能源消费国。地铁进行最多的城市轨道交通体积。这一至关重要的传输类型消耗电力车辆运行和操作站。根据能源消耗统计现有的地铁线路,车辆运行消耗了50%的能源消费总量的-60%,而40%的总能量的-50%支持站操作。电力、照明和通风空调能耗占90%以上的站(gydF4y2Ba 2gydF4y2Ba]。因此,地铁运营商的主要问题是如何制定和实施有效的能源储备和节约成本的策略。gydF4y2Ba

研究长期以来专注于城市轨道交通的能耗预测。普遍预测方法包括多元线性回归方法(gydF4y2Ba 3gydF4y2Ba),人工神经网络方法(gydF4y2Ba 4gydF4y2Ba- - - - - -gydF4y2Ba 6gydF4y2Ba),支持向量机(gydF4y2Ba 7gydF4y2Ba,gydF4y2Ba 8gydF4y2Ba)、遗传算法(gydF4y2Ba 9gydF4y2Ba),灰色理论方法(gydF4y2Ba 10gydF4y2Ba,gydF4y2Ba 11gydF4y2Ba),和时间序列方法gydF4y2Ba 12gydF4y2Ba]。gydF4y2Ba

最上面的算法未能作出准确的预测。蚁群优化(ACO)是一种仿生算法,这是广泛应用于重叠社区检测、故障诊断、集群类分析,电力系统,和其他领域gydF4y2Ba 13gydF4y2Ba,gydF4y2Ba 14gydF4y2Ba]。ACO组合提供了一个可行的解决方案和连续优化问题由于其优于健壮性和优化能力。此外,ACO保险丝G-ACO和其他算法快,已被成功应用证明了边坡位移预测(gydF4y2Ba 15gydF4y2Ba),社交网络聚类(gydF4y2Ba 16gydF4y2Ba),和医学图像边界提取gydF4y2Ba 17gydF4y2Ba]。gydF4y2Ba

提出了一种G-ACO-BP-based项目能源消费的预测模型项目发生在地铁站,特别是短期能源消费者,如电力、照明、通风空调。模型还提供了有用的参考分析对比现有的预测模型和实际能耗,探索地铁站的节能潜力。gydF4y2Ba

 2。KPCA-Based地铁站的预测特征选择不同的能源消耗物品gydF4y2Ba

国内外学者研究地铁车站能耗的影响因素。他指的是(gydF4y2Ba 18gydF4y2Ba,gydF4y2Ba 19gydF4y2Ba),本文选择以下12个输入,包括客流(gydF4y2Ba xgydF4y2Ba1gydF4y2Ba),一天24小时(gydF4y2Ba xgydF4y2Ba2gydF4y2Ba),假期(gydF4y2Ba xgydF4y2Ba3gydF4y2Ba),每小时平均温度(gydF4y2Ba xgydF4y2Ba4gydF4y2Ba),每小时平均相对湿度(gydF4y2Ba xgydF4y2Ba5gydF4y2Ba)、季(gydF4y2Ba xgydF4y2Ba6gydF4y2Ba),天气特征值(gydF4y2Ba xgydF4y2Ba7gydF4y2Ba)、车站出入口的数量(gydF4y2Ba xgydF4y2Ba8gydF4y2Ba),离开地铁的数量(gydF4y2Ba xgydF4y2Ba9gydF4y2Ba),平均照明(gydF4y2Ba xgydF4y2Ba10gydF4y2Ba),站的大小(gydF4y2Ba xgydF4y2Ba11gydF4y2Ba)和站距(gydF4y2Ba xgydF4y2Ba12gydF4y2Ba),如G-ACO-BP模型的输入参数。预测项目能源消耗在地铁站更准确和有效,本文通过KPCA提取主要的预测功能。的步骤如下所示:gydF4y2Ba

规范12个影响因素gydF4y2Ba xgydF4y2Ba =gydF4y2Ba xgydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba xgydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba …gydF4y2Ba ,gydF4y2Ba xgydF4y2Ba 12gydF4y2Ba 根据以下公式:gydF4y2Ba (1)gydF4y2Ba TgydF4y2Ba 我gydF4y2Ba kgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba xgydF4y2Ba 马克斯gydF4y2Ba 我gydF4y2Ba −gydF4y2Ba xgydF4y2Ba 最小值gydF4y2Ba 我gydF4y2Ba xgydF4y2Ba 我gydF4y2Ba kgydF4y2Ba −gydF4y2Ba xgydF4y2Ba 最小值gydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba

在哪里gydF4y2Ba xgydF4y2Ba 我gydF4y2Ba kgydF4y2Ba 是gydF4y2Ba kgydF4y2BathgydF4y2Ba采样值gydF4y2Ba 我gydF4y2BathgydF4y2Ba影响因素,gydF4y2Ba xgydF4y2Ba 马克斯gydF4y2Ba 我gydF4y2Ba 和gydF4y2Ba xgydF4y2Ba 最小值gydF4y2Ba 我gydF4y2Ba 最大值和最小值的所有采样点的吗gydF4y2Ba 我gydF4y2BathgydF4y2Ba影响因素,gydF4y2Ba TgydF4y2Ba 我gydF4y2Ba kgydF4y2Ba 代表了标准化的目标数据。gydF4y2Ba

计算内核矩阵gydF4y2Ba KgydF4y2Ba根据公式(gydF4y2Ba 2gydF4y2Ba),使用径向基核函数将原始数据从数据空间映射到特征空间。gydF4y2Ba (2)gydF4y2Ba KgydF4y2Ba xgydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba xgydF4y2Ba jgydF4y2Ba =gydF4y2Ba −gydF4y2Ba xgydF4y2Ba 我gydF4y2Ba −gydF4y2Ba xgydF4y2Ba jgydF4y2Ba 2gydF4y2Ba σgydF4y2Ba 2gydF4y2Ba 。gydF4y2Ba

修改内核矩阵gydF4y2Ba KgydF4y2Ba与定心内核矩阵gydF4y2Ba KgydF4y2Ba CgydF4y2Ba,修改后的公式gydF4y2Ba (3)gydF4y2Ba KgydF4y2Ba CgydF4y2Ba =gydF4y2Ba KgydF4y2Ba −gydF4y2Ba lgydF4y2Ba NgydF4y2Ba KgydF4y2Ba −gydF4y2Ba KgydF4y2Ba lgydF4y2Ba NgydF4y2Ba +gydF4y2Ba lgydF4y2Ba NgydF4y2Ba KgydF4y2Ba lgydF4y2Ba NgydF4y2Ba ,gydF4y2Ba

在哪里gydF4y2Ba KgydF4y2Ba CgydF4y2Ba的矩阵gydF4y2Ba NgydF4y2Ba ×gydF4y2Ba NgydF4y2Ba ,每个元素是1 /gydF4y2Ba NgydF4y2Ba。gydF4y2Ba

计算矩阵的特征值gydF4y2Ba KgydF4y2Ba CgydF4y2Ba,其相应的特征向量gydF4y2Ba λgydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba λgydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba …gydF4y2Ba ,gydF4y2Ba λgydF4y2Ba 12gydF4y2Ba ,其差异gydF4y2Ba vgydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba vgydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba …gydF4y2Ba ,gydF4y2Ba vgydF4y2Ba 12gydF4y2Ba 。特征值越大,所包含的有用信息。因此,特征值的特征向量调整降序排序。gydF4y2Ba

使正交化和单元化特征向量采用施密特正交化方法。获得的特征向量是gydF4y2Ba 一个gydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba 一个gydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba …gydF4y2Ba ,gydF4y2Ba 一个gydF4y2Ba 12gydF4y2Ba 。gydF4y2Ba

计算累积贡献率gydF4y2Ba rgydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba rgydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba …gydF4y2Ba ,gydF4y2Ba rgydF4y2Ba 12gydF4y2Ba 的特征值,给定的贡献率gydF4y2Ba pgydF4y2Ba;如果gydF4y2Ba rgydF4y2Ba tgydF4y2Ba>gydF4y2Ba pgydF4y2Ba,第一个gydF4y2Ba tgydF4y2Ba主成分被选为降维后G-ACO-BP模型的输入参数。gydF4y2Ba

矩阵的特征值gydF4y2Ba KgydF4y2Ba CgydF4y2Ba和所有主要元素的累积贡献率图所示gydF4y2Ba 1gydF4y2Ba。当gydF4y2Ba rgydF4y2Ba tgydF4y2Ba ≥gydF4y2Ba 90年gydF4y2Ba %gydF4y2Ba 最大的前五个主要元素个体贡献率摘要客流(gydF4y2Ba xgydF4y2Ba1gydF4y2Ba),一天24小时(gydF4y2Ba xgydF4y2Ba2gydF4y2Ba),假期(gydF4y2Ba xgydF4y2Ba3gydF4y2Ba),每小时平均温度(gydF4y2Ba xgydF4y2Ba4gydF4y2Ba),平均照明(gydF4y2Ba xgydF4y2Ba10gydF4y2Ba)。gydF4y2Ba

矩阵的特征值gydF4y2Ba KgydF4y2Ba CgydF4y2Ba和所有主要元素的累积贡献率。gydF4y2Ba

在实际的操作中,配套设施应该用高质量,提供更频繁的服务随着地铁车站的客流。这些设施包括自动售票机上,通风和空调,自动扶梯。这些设备的工作负荷在车站还应该扩大。因此,地铁站的能源消耗增加。每天24小时,能源消耗在地铁站从高峰到假期。温度在不同的时间在地铁站与能源消耗在地铁车站通风空调。的平均照度地铁站也直接影响照明的能源消耗。根据理论和实际情况,我们选择了五个影响因素,包括客流,一天24小时,假期,每小时平均温度、平均照度,G-ACO-BP模型的输入参数。gydF4y2Ba

 3所示。构建G-ACO-BP地铁站的短期预测模型不同的能源消耗物品gydF4y2Ba 3.1。基于G-ACO构建BP神经网络模型gydF4y2Ba

考虑到“停滞现象之间的矛盾”和“盲目搜索”算法,本文选择genetic-ACO (G-ACO)。结合遗传算法和算法的全局搜索能力的遗传模型将显著提高算法的收敛与正反馈机制。首先,遗传算法是用于生成信息素分布,然后ACO的正反馈机制被用来找到确切的解决方案。这两个的优点是补充和合并操作。gydF4y2Ba

自从BP神经网络采用梯度下降算法,训练通常需要更长的时间来达到收敛和容易是一个局部最小值。G-ACO被融合到BP神经网络训练和优化每一层之间的连接权值和阈值的BP神经网络。G-ACO-based BP神经网络(G-ACO-BP)模型如图gydF4y2Ba 2gydF4y2Ba。gydF4y2Ba

G-ACO-BP模型。gydF4y2Ba

在图gydF4y2Ba 2gydF4y2Ba,G-ACO-BP模型是一个任意的神经网络gydF4y2Ba ngydF4y2Ba层的输入和gydF4y2Ba ngydF4y2Ba包含输入输出层,隐藏层和输出层。每个节点的特点是乙状结肠函数中gydF4y2Ba wgydF4y2Ba 是重量和gydF4y2Ba bgydF4y2Ba 是阈值。gydF4y2Ba

 3.2。G-ACO-BP神经网络分析中的个别能源消费的预测项地铁站gydF4y2Ba

G-ACO是全局优化启发式算法用于训练和优化BP神经网络的权值和阈值。训练和优化的权值和阈值进行了误差通过BP神经网络优化。这个过程有效地避免了可能出现的缺陷BP神经网络训练,进一步优化了智能神经网络模型(gydF4y2Ba 20.gydF4y2Ba]。gydF4y2Ba

G-ACO-BP短期预测模型的个人能量消耗物品,G-ACO优化BP神经网络在以下步骤:gydF4y2Ba

使用遗传算法来“以洋地黄治疗”和地铁站的能源消耗输入样本编码和初始化。gydF4y2Ba

启动循环:评估每一个染色体的个体的健康。gydF4y2Ba

选择两个人从人口作为父亲和母亲健身提高选择的概率更高。gydF4y2Ba

选择父母的染色体后代染色体交叉和生产。gydF4y2Ba

变异后代的染色体。gydF4y2Ba

重复步骤(c), (d)和(gydF4y2Ba egydF4y2Ba),直到出现最优解决方案。gydF4y2Ba

在算法初始化整个网络。假设时间是gydF4y2Ba tgydF4y2Ba= 0,循环的数量gydF4y2Ba 数控gydF4y2Ba= 0,gydF4y2Ba NgydF4y2Ba cgydF4y2Ba 马克斯gydF4y2Ba 周期的最大数量,每个元素在每一集的信息数量是什么gydF4y2Ba τgydF4y2Ba jgydF4y2Ba 我gydF4y2Ba pgydF4y2Ba 我gydF4y2Ba =gydF4y2Ba CgydF4y2Ba ,gydF4y2Ba ΔgydF4y2Ba τgydF4y2Ba jgydF4y2Ba 我gydF4y2Ba pgydF4y2Ba 我gydF4y2Ba =gydF4y2Ba 0gydF4y2Ba 。把所有的蚂蚁窝。gydF4y2Ba

激活所有蚂蚁:集gydF4y2Ba 我gydF4y2Ba pgydF4y2Ba 我gydF4y2Ba ,计算状态转移概率的蚂蚁gydF4y2Ba kgydF4y2Ba kgydF4y2Ba =gydF4y2Ba 1、2gydF4y2Ba ,gydF4y2Ba …gydF4y2Ba ,gydF4y2Ba hgydF4y2Ba 根据以下公式:gydF4y2Ba (4)gydF4y2Ba 公关gydF4y2Ba τgydF4y2Ba jgydF4y2Ba kgydF4y2Ba 我gydF4y2Ba pgydF4y2Ba 我gydF4y2Ba =gydF4y2Ba τgydF4y2Ba jgydF4y2Ba kgydF4y2Ba 我gydF4y2Ba pgydF4y2Ba 我gydF4y2Ba ∑gydF4y2Ba ggydF4y2Ba =gydF4y2Ba 1gydF4y2Ba NgydF4y2Ba τgydF4y2Ba ggydF4y2Ba 我gydF4y2Ba pgydF4y2Ba 我gydF4y2Ba 。gydF4y2Ba

重复步骤(八),直到所有的蚁群达到食物来源。gydF4y2Ba

假设gydF4y2Ba tgydF4y2Ba ←gydF4y2Ba tgydF4y2Ba +gydF4y2Ba 米gydF4y2Ba ;gydF4y2Ba NgydF4y2Ba cgydF4y2Ba ←gydF4y2Ba NgydF4y2Ba cgydF4y2Ba +gydF4y2Ba 1gydF4y2Ba 。使用蚂蚁选择的权值和阈值来计算神经网络的输出值和错误并记录当前的最优解。后gydF4y2Ba 米gydF4y2Ba时间单位,从他们的巢蚂蚁的食物来源。更新每条路径上的信息质量按照下列公式:gydF4y2Ba (5)gydF4y2Ba τgydF4y2Ba jgydF4y2Ba 我gydF4y2Ba pgydF4y2Ba 我gydF4y2Ba tgydF4y2Ba +gydF4y2Ba 米gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba −gydF4y2Ba ρgydF4y2Ba τgydF4y2Ba jgydF4y2Ba 我gydF4y2Ba pgydF4y2Ba 我gydF4y2Ba tgydF4y2Ba +gydF4y2Ba ΔgydF4y2Ba τgydF4y2Ba jgydF4y2Ba 我gydF4y2Ba pgydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba ΔgydF4y2Ba τgydF4y2Ba jgydF4y2Ba 我gydF4y2Ba pgydF4y2Ba 我gydF4y2Ba =gydF4y2Ba ∑gydF4y2Ba kgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba hgydF4y2Ba ΔgydF4y2Ba τgydF4y2Ba jgydF4y2Ba kgydF4y2Ba 我gydF4y2Ba pgydF4y2Ba 我gydF4y2Ba 。gydF4y2Ba

如果gydF4y2Ba kgydF4y2BathgydF4y2Ba蚂蚁选择的元素gydF4y2Ba pgydF4y2Ba jgydF4y2Ba 我gydF4y2Ba pgydF4y2Ba 我gydF4y2Ba 在这一周期gydF4y2Ba (6)gydF4y2Ba ΔgydF4y2Ba τgydF4y2Ba jgydF4y2Ba kgydF4y2Ba 我gydF4y2Ba pgydF4y2Ba 我gydF4y2Ba =gydF4y2Ba 问gydF4y2Ba egydF4y2Ba kgydF4y2Ba 否则gydF4y2Ba 0。gydF4y2Ba

在哪里gydF4y2Ba egydF4y2Ba kgydF4y2Ba 被认为是一组权重和阈值选择的gydF4y2Ba kgydF4y2Ba thgydF4y2Ba ant作为BP神经网络的输出误差;这是定义如下:gydF4y2Ba (7)gydF4y2Ba egydF4y2Ba kgydF4y2Ba =gydF4y2Ba OgydF4y2Ba −gydF4y2Ba OgydF4y2Ba 问gydF4y2Ba ,gydF4y2Ba

在哪里gydF4y2Ba OgydF4y2Ba是BP神经网络的实际输出值和gydF4y2Ba OgydF4y2Ba 问gydF4y2Ba 是BP神经网络的期望输出值;数量增长的信息错误gydF4y2Ba egydF4y2Ba kgydF4y2Ba 根据公式(萎缩gydF4y2Ba 7gydF4y2Ba)。gydF4y2Ba

测试训练神经网络的泛化能力验证样品。如果蚁群收敛到最优路径或循环的数量gydF4y2Ba NgydF4y2Ba cgydF4y2Ba ≥gydF4y2Ba NgydF4y2Ba cgydF4y2Ba 马克斯gydF4y2Ba ,结束循环和输出计算结果;否则,返回步骤(h)继续操作。gydF4y2Ba

G-ACO-BP神经网络的训练:最优路径下的权重和阈值被替换成规范化的学习样本的地铁由BP神经网络能耗。优化的权值和阈值被用于BP神经网络的训练和测试。gydF4y2Ba

上述G-ACO-BP短期预测模型的神经网络训练过程反映了能源消费类型在地铁站。根据这个模型,我们总结了训练算法流程图如图gydF4y2Ba 3gydF4y2Ba。gydF4y2Ba

流程图G-ACO-BP神经网络训练的建筑的能耗不同物品。gydF4y2Ba

 3.3。G-ACO-BP网络的训练过程gydF4y2Ba

G-ACO-BP网络预测个体的流程图中的能源消耗项地铁站图所示gydF4y2Ba 4gydF4y2Ba。gydF4y2Ba

数据采集和预处理过程包括个人能耗影响因素相关项在地铁站。gydF4y2Ba

分析个人的能源消耗的历史数据在地铁站建立数据库。数据库规范化与收集到的影响因素。遵循这些步骤,预处理数据分为训练数据和测试数据。gydF4y2Ba

构建G-ACO-BP网络预测模型和优化参数设置,包括交叉和变异概率,信息启发式因子,BP学习速率等。gydF4y2Ba

火车G-ACO-BP模型训练数据和计算实际输出之间的误差和目标输出。gydF4y2Ba

测试数据输入到训练G-ACO-BP模型测试和获得能源消费预测,照明、通风空调。gydF4y2Ba

预测流程图G-ACO-BP网络的个人能量消耗的物品在地铁站。gydF4y2Ba

 4所示。电力、照明的能源消耗预测,在地铁车站通风空调gydF4y2Ba

实验样本数据收集从每小时监测能源消耗数据,照明、通风空调从2019年3月31日4月1日,2020年,在沿着地铁3号线车站。7320组数据从3月31日2019年2月1日,2020年,作为训练数据,而数据从2月2日的1416套,2020年4月1日,2020年,作为测试数据。gydF4y2Ba

4.1。G-ACO-BP能耗预测模型的模拟能力,照明、通风空调在地铁站gydF4y2Ba

五个影响因素(客流,一天24小时,假期,每小时平均温度和平均照度)KPCA提取的输入与权力的能源消耗数据,照明,空调和通风构造G-ACO-BP模型作为输入参数。G-ACO-BP模型预测的能源消耗电力,照明、通风空调从4月2日,2020年,2020年4月8日。gydF4y2Ba

基于相同的历史数据,我们比较G-ACO-BP模型提出了与现有的两个能源消耗预测模型:GA-BP模型(gydF4y2Ba 4gydF4y2Ba)和ACO模型(gydF4y2Ba 15gydF4y2Ba]。预测的值生成的三个模型与能源消耗的实际值对于一个给定的一个星期。结果如图gydF4y2Ba 5gydF4y2Ba- - - - - -gydF4y2Ba 7gydF4y2Ba。gydF4y2Ba

电力能源消费预测对比图。gydF4y2Ba

比较的照明能耗预测。gydF4y2Ba

比较通风空调的能源消耗预测。gydF4y2Ba

数据显示gydF4y2Ba 5gydF4y2Ba- - - - - -gydF4y2Ba 7gydF4y2Ba的预测价值曲线G-ACO-BP神经网络模型更类似于实际值曲线,预测是更好的比其他两个模型。gydF4y2Ba

 4.2。能源消费预测误差的比较和分析,照明、通风空调在地铁站gydF4y2Ba

能源消费预测误差的比较,照明、通风空调的G-ACO-BP模型,算法模型和GA-BP模型图所示gydF4y2Ba 8gydF4y2Ba- - - - - -gydF4y2Ba 10gydF4y2Ba。gydF4y2Ba

比较能源消耗预测误差的能力。gydF4y2Ba

照明的能源消耗预测误差比较。gydF4y2Ba

比较通风空调的能源消耗预测误差。gydF4y2Ba

如数据所示gydF4y2Ba 8gydF4y2Ba- - - - - -gydF4y2Ba 10gydF4y2BaG-ACO-BP模型的预测误差,算法模型和GA-BP模型在零附近波动。其中,前模型的预测误差的波动更窄、更稳定精度高和稳定性在训练和学习,从而更好地预测表演。gydF4y2Ba

测试采用平均绝对误差(MAE)和均方根误差(RMSE)作为评价基准详细和具体的预测模型的性能比较。通过比较和分析测试数据,能源消费预测误差的比较,照明和通风空调的三个模型如表所示gydF4y2Ba 1gydF4y2Ba。的美和RMSE G-ACO-BP模型小于其他两个模型,这意味着G-ACO-BP模型执行更好地预测个人的能源消耗物品在地铁站和可能产生更可靠的预测。gydF4y2Ba

能源消费预测误差的比较能力,照明、通风空调的三个模型。gydF4y2Ba

指数gydF4y2Ba 权力gydF4y2Ba 照明gydF4y2Ba 通风空调gydF4y2Ba
GA-BPgydF4y2Ba 华gydF4y2Ba G-ACO-BPgydF4y2Ba GA-BPgydF4y2Ba 华gydF4y2Ba G-ACO-BPgydF4y2Ba GA-BPgydF4y2Ba 华gydF4y2Ba G-ACO-BPgydF4y2Ba
美gydF4y2Ba 16.1473gydF4y2Ba 13.3516gydF4y2Ba 6.9419gydF4y2Ba 19.3021gydF4y2Ba 9.7529gydF4y2Ba 4.9311gydF4y2Ba 25.0299gydF4y2Ba 15.1760gydF4y2Ba 9.0303gydF4y2Ba
RMSEgydF4y2Ba 21.9979gydF4y2Ba 16.4869gydF4y2Ba 8.6090gydF4y2Ba 23.9216gydF4y2Ba 11.9649gydF4y2Ba 6.1251gydF4y2Ba 34.5472gydF4y2Ba 22.9845gydF4y2Ba 19.4137gydF4y2Ba
5。结论gydF4y2Ba

本文建立了一个G-ACO-BP短期预测模型在地铁站个人能量消耗物品。首先,我们利用KPCA提取的主要因素影响地铁站的能源消耗。第二,这些因素和能源消耗数据设置为G-ACO-BP模型的输入参数。第三,因为所需的BP神经网络训练收敛时间较长,容易局部最小值,G-ACO融合到BP神经网络训练和优化每一层之间的连接权值和阈值的BP神经网络。最后,我们建立了一个G-ACO-BP短期预测模型对个人能量消耗物品在地铁站来预测消费价值的权力,照明、通风空调。从实验结果可以看出表gydF4y2Ba 1gydF4y2Ba梅的价值或RMSE小于GA-BP和算法预测模型。本文构建的预测模型更有效和准确的预测短期分项能耗的地铁站。研究人工智能算法的应用在地铁站的能源消耗预测当前文献中缺席。然而,推进算法和等大型银行将示例数据优化模型在地铁站的子项做出精确的预测在未来的能源消耗。因此,模型的工程实用性也会增强。gydF4y2Ba

 数据可用性gydF4y2Ba

使用的数据来支持本研究的结果包括在本文中。gydF4y2Ba

 的利益冲突gydF4y2Ba

作者宣称没有利益冲突有关这篇文章的出版。gydF4y2Ba

 中国城市轨道交通协会gydF4y2Ba 城市轨道交通2019年度统计数据和分析报告:2gydF4y2Ba 2020年gydF4y2Ba 25gydF4y2Ba 北京gydF4y2Ba 国家统计局gydF4y2Ba μgydF4y2Ba g . Y。gydF4y2Ba 李gydF4y2Ba x L。gydF4y2Ba 阴gydF4y2Ba l . M。gydF4y2Ba 能耗分析和地铁车站照明系统的节能对策gydF4y2Ba 城市轨道交通研究gydF4y2Ba 2018年gydF4y2Ba 8gydF4y2Ba 8gydF4y2Ba 35gydF4y2Ba 39gydF4y2Ba 阿兰达gydF4y2Ba 一个。gydF4y2Ba 费雷拉gydF4y2Ba G。gydF4y2Ba Mainar-ToledogydF4y2Ba m D。gydF4y2Ba ScarpellinigydF4y2Ba 年代。gydF4y2Ba SastresagydF4y2Ba e . L。gydF4y2Ba 多元回归模型预测的年度能源消耗在西班牙银行业gydF4y2Ba 能源和建筑gydF4y2Ba 2019年gydF4y2Ba 49gydF4y2Ba 49gydF4y2Ba 380年gydF4y2Ba 387年gydF4y2Ba 朱gydF4y2Ba h·L。gydF4y2Ba 道gydF4y2Ba J。gydF4y2Ba 余gydF4y2Ba K。gydF4y2Ba 分析胎儿体重预测基于GA-BP神经网络gydF4y2Ba 计算机系统应用gydF4y2Ba 2018年gydF4y2Ba 27gydF4y2Ba 3gydF4y2Ba 162年gydF4y2Ba 167年gydF4y2Ba 李gydF4y2Ba K。gydF4y2Ba 胡gydF4y2Ba C。gydF4y2Ba 刘gydF4y2Ba G。gydF4y2Ba 雪gydF4y2Ba W。gydF4y2Ba 建筑的用电量预测使用优化的人工神经网络和主成分分析gydF4y2Ba 能源和建筑gydF4y2Ba 2015年gydF4y2Ba 108年gydF4y2Ba 10gydF4y2Ba 106年gydF4y2Ba 113年gydF4y2Ba 10.1016 / j.enbuild.2015.09.002gydF4y2Ba 2 - s2.0 - 84942304105gydF4y2Ba 中东和北非地区gydF4y2Ba R。gydF4y2Ba Rodri 'guezgydF4y2Ba F。gydF4y2Ba 卡斯提拉gydF4y2Ba M。gydF4y2Ba 基于神经网络的预测模型的生物气候建筑的能源消耗gydF4y2Ba 能源和建筑gydF4y2Ba 2018年gydF4y2Ba 82年gydF4y2Ba 5gydF4y2Ba 142年gydF4y2Ba 155年gydF4y2Ba AltangydF4y2Ba 一个。gydF4y2Ba 卡拉苏gydF4y2Ba 年代。gydF4y2Ba f.t.gydF4y2Ba E。gydF4y2Ba 一个新的混合模型对风速预测长期短期记忆神经网络相结合,分解方法和灰太狼优化器gydF4y2Ba 应用软计算gydF4y2Ba 2021年gydF4y2Ba One hundred.gydF4y2Ba 106996年gydF4y2Ba 10.1016 / j.asoc.2020.106996gydF4y2Ba 陆gydF4y2Ba H。gydF4y2Ba 徐gydF4y2Ba Z.-D。gydF4y2Ba IseleygydF4y2Ba T。gydF4y2Ba 马修斯gydF4y2Ba j . C。gydF4y2Ba 新的预测数据驱动框架腐蚀管道的剩余强度gydF4y2Ba 管道系统工程和实践杂志》上gydF4y2Ba 2021年gydF4y2Ba 12gydF4y2Ba 4gydF4y2Ba 04021045gydF4y2Ba 10.1061 /(第3期)ps.1949 - 1204.0000587gydF4y2Ba 郑gydF4y2Ba j . Y。gydF4y2Ba 程gydF4y2Ba x Q。gydF4y2Ba 傅gydF4y2Ba J·J。gydF4y2Ba 改进的蚁群算法在TSP的应用研究gydF4y2Ba 计算机模拟gydF4y2Ba 2021年gydF4y2Ba 38gydF4y2Ba 5gydF4y2Ba 126年gydF4y2Ba 130年gydF4y2Ba 陆gydF4y2Ba H。gydF4y2Ba IseleygydF4y2Ba T。gydF4y2Ba 马修斯gydF4y2Ba J。gydF4y2Ba 廖gydF4y2Ba W。gydF4y2Ba 混合动力机器学习期间为回调力预测水平定向钻井gydF4y2Ba 自动化建设gydF4y2Ba 2021年gydF4y2Ba 129年gydF4y2Ba 103810年gydF4y2Ba 10.1016 / j.autcon.2021.103810gydF4y2Ba 王gydF4y2Ba Q。gydF4y2Ba 李gydF4y2Ba 年代。gydF4y2Ba 李gydF4y2Ba R。gydF4y2Ba 中国和印度的能源需求预测:使用线性,混合式直线,非线性时间序列预测技术gydF4y2Ba 能源gydF4y2Ba 2018年gydF4y2Ba 161年gydF4y2Ba 168年gydF4y2Ba 821年gydF4y2Ba 831年gydF4y2Ba 10.1016 / j.energy.2018.07.168gydF4y2Ba 2 - s2.0 - 85053077895gydF4y2Ba 钱gydF4y2Ba Q。gydF4y2Ba 唐gydF4y2Ba g . Z。gydF4y2Ba 张gydF4y2Ba g . M。gydF4y2Ba 短期预测基于AR-DBN建筑项目分项能耗gydF4y2Ba 计算机工程gydF4y2Ba 2019年gydF4y2Ba 45gydF4y2Ba 6gydF4y2Ba 290年gydF4y2Ba 296年gydF4y2Ba 徐gydF4y2Ba Y。gydF4y2Ba 的方法检测和分析重叠社区使用改进的蚁群算法gydF4y2Ba 计算机应用研究gydF4y2Ba 2020年gydF4y2Ba 37gydF4y2Ba 5gydF4y2Ba 1375年gydF4y2Ba 1379年gydF4y2Ba 吴gydF4y2Ba b S。gydF4y2Ba 郭gydF4y2Ba Y。gydF4y2Ba 王gydF4y2Ba f . L。gydF4y2Ba 对电缆的研究基于改进蚁群算法路径规划技术gydF4y2Ba 计算机工程与应用gydF4y2Ba 2018年gydF4y2Ba 54gydF4y2Ba 10gydF4y2Ba 236年gydF4y2Ba 241年gydF4y2Ba 王gydF4y2Ba Q。gydF4y2Ba 李gydF4y2Ba s Y。gydF4y2Ba 江gydF4y2Ba F。gydF4y2Ba 发现COVID-19大流行对能源消费的影响:新的见解从区别pandemic-free场景和实际用电量在中国gydF4y2Ba 《清洁生产gydF4y2Ba 2021年gydF4y2Ba 313年gydF4y2Ba 127897年gydF4y2Ba 10.1016 / j.jclepro.2021.127897gydF4y2Ba 王gydF4y2Ba Q。gydF4y2Ba 李gydF4y2Ba s Y。gydF4y2Ba 李gydF4y2Ba R R。gydF4y2Ba 中国对外国石油的依赖将在2030年超过80%:开发一个小说NMGM-ARIMA预测中国对外石油依赖从两个维度gydF4y2Ba 能源gydF4y2Ba 2018年gydF4y2Ba 163年gydF4y2Ba 151年gydF4y2Ba 167年gydF4y2Ba 10.1016 / j.energy.2018.08.127gydF4y2Ba 2 - s2.0 - 85053131793gydF4y2Ba 程ydF4y2Ba C。gydF4y2Ba 医学图像的边界提取基于改进蚁群算法gydF4y2Ba 计算机应用与软件gydF4y2Ba 2019年gydF4y2Ba 36gydF4y2Ba 10gydF4y2Ba 227年gydF4y2Ba 232年gydF4y2Ba 李gydF4y2Ba l . Y。gydF4y2Ba 曾gydF4y2Ba z . X。gydF4y2Ba 黄gydF4y2Ba c·PgydF4y2Ba 实证研究地铁能耗的影响因素gydF4y2Ba 数学在实践和知识gydF4y2Ba 2015年gydF4y2Ba 45gydF4y2Ba 19gydF4y2Ba 31日gydF4y2Ba 39gydF4y2Ba 谢gydF4y2Ba h·S。gydF4y2Ba 男人。gydF4y2Ba c . H。gydF4y2Ba 商gydF4y2Ba y F。gydF4y2Ba 分析能源消费的主要因素和地铁的节能措施gydF4y2Ba 现代城市轨道交通gydF4y2Ba 2019年gydF4y2Ba 22gydF4y2Ba 4gydF4y2Ba 65年gydF4y2Ba 67年gydF4y2Ba 周gydF4y2Ba j . X。gydF4y2Ba 杨gydF4y2Ba w·D。gydF4y2Ba 李gydF4y2Ba Q。gydF4y2Ba 改进的蚁群神经网络及其应用滞后系统gydF4y2Ba 控制工程gydF4y2Ba 2010年gydF4y2Ba 20.gydF4y2Ba 1gydF4y2Ba 63年gydF4y2Ba 68年gydF4y2Ba