地铁站的短期预测方法的个人能耗项目基于G-ACO-BP模型

文摘

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。

1。介绍

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(1]。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(2]。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。

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(3),人工神经网络方法(4- - - - - -6),支持向量机(7,8)、遗传算法(9),灰色理论方法(10,11),和时间序列方法12]。

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13,14]。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(15),社交网络聚类(16),和医学图像边界提取17]。

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。

2。KPCA-Based地铁站的预测特征选择不同的能源消耗物品

国内外学者研究地铁车站能耗的影响因素。他指的是(18,19),本文选择以下12个输入,包括客流(x₁),一天24小时(x₂),假期(x₃),每小时平均温度(x₄),每小时平均相对湿度(x₅)、季(x₆),天气特征值(x₇)、车站出入口的数量(x₈),离开地铁的数量(x₉),平均照明(x₁₀),站的大小(x₁₁)和站距(x₁₂),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:(一)规范12个影响因素 根据以下公式: 在哪里是k_th采样值我_th影响因素,和最大值和最小值的所有采样点的吗我_th影响因素,代表了标准化的目标数据。(b)计算内核矩阵K根据公式(2),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。 (c)修改内核矩阵K与定心内核矩阵K_C,修改后的公式 在哪里K_C的矩阵 ,和每个元素是1 /N。(d)计算矩阵的特征值K_C,其相应的特征向量 ,及其差异 。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。(e)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 。(f)计算累积贡献率 的特征值,给定的贡献率p;如果r_t>p,第一个t主成分被选为降维后G-ACO-BP模型的输入参数。

矩阵的特征值K_C和所有主要元素的累积贡献率图所示1。当 ,前五个主要元素的最大个人贡献率摘要客流(x₁),一天24小时(x₂),假期(x₃),每小时平均温度(x₄),平均照明(x₁₀)。

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。

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

3.1。基于G-ACO构建BP神经网络模型

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。

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2。

在图2,G-ACO-BP模型是一个任意的神经网络n层的输入和n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是重量和是阈值。

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

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(20.]。

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:(一)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。(b)启动循环:评估每一个染色体的个体的健康。(c)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。(d)选择父母的染色体后代染色体交叉和生产。(e)变异后代的染色体。(f)重复步骤(c), (d)和(e),直到出现最优解决方案。(g)在算法初始化整个网络。假设时间是t= 0,循环的数量数控= 0,周期的最大数量,每个元素在每一集的信息数量是什么 ,和 。把所有的蚂蚁窝。(h)激活所有蚂蚁:集 ,计算状态转移概率的蚂蚁 根据以下公式: (我)重复步骤(八),直到所有的蚁群达到食物来源。(j)假设 ; 。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。后米时间单位,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: 如果k_th蚂蚁选择的元素在这一周期 在哪里被认为是一组权重和阈值选择的ant作为BP神经网络的输出误差;这是定义如下: 在哪里O是BP神经网络的实际输出值和是BP神经网络的期望输出值;数量增长的信息错误根据公式(萎缩7)。(k)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 ,结束循环和输出计算结果;否则,返回步骤(h)继续操作。(左)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。

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3。

3.3。G-ACO-BP网络的训练过程

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4。(1)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。(2)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。(3)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。(4)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。(5)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。

4所示。电力、照明的能源消耗预测,在地铁车站通风空调

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。

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

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。

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(4)和ACO模型(15]。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5- - - - - -7。

数据显示5- - - - - -7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。

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

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8- - - - - -10。

如数据所示8- - - - - -10G-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。

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1。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。

5。结论

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1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。

数据可用性

使用的数据来支持本研究的结果包括在本文中。

的利益冲突

作者宣称没有利益冲突有关这篇文章的出版。

引用

1. 中国城市轨道交通协会城市轨道交通2019年度统计数据和分析报告:2,没有。25日,国家统计局(National Bureau of Statistics),北京,2020。
2. g . y .μ、x l·李和l . m .阴”能耗分析和地铁车站照明系统的节能对策,“城市轨道交通研究,8卷,不。8日,35-39,2018页。视图:谷歌学术搜索
3. a .阿兰达g·费雷拉,m . d . Mainar-Toledo s Scarpellini和e . l . Sastresa“多元回归模型预测的年度能源消耗在西班牙银行业,”能源和建筑卷,49号49岁,380 - 387年,2019页。视图:谷歌学术搜索
4. h·l·朱j .道,k . Yu”分析胎儿体重预测基于GA-BP神经网络,”计算机系统应用,27卷,不。3、162 - 167年,2018页。视图:谷歌学术搜索
5. c . k . Li胡、g .刘和w·雪”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,“能源和建筑,卷108,不。10日,106 - 113年,2015页。视图:出版商的网站|谷歌学术搜索
6. r . Mena f . Rodri 'guez, m .卡斯蒂利亚“基于神经网络的预测模型对生物气候建筑的能源消耗,”能源和建筑,卷82,不。5,142 - 155年,2018页。视图:谷歌学术搜索
7. A . Altan美国卡拉苏,大肠f.t.”一个新的混合模型对风速预测结合长期短期记忆神经网络分解方法和灰太狼优化器,”应用软计算,100卷,2021年。视图:出版商的网站|谷歌学术搜索
8. h . Lu Z.-D。徐、t . Iseley和j·c·马修斯,”新的预测数据驱动框架腐蚀管道的剩余强度,”管道系统工程和实践杂志》上,12卷,不。4、文章ID 04021045, 2021。视图:出版商的网站|谷歌学术搜索
9. j . y .郑x问:程,j . j .傅”应用研究的改进蚁群算法在TSP,”计算机模拟,38卷,不。5,126 - 130年,2021页。视图:谷歌学术搜索
10. t·h·Lu Iseley、j·马修斯和w·廖”混合动力机器学习为回调力预测水平定向钻井期间,“自动化建设文章ID 103810卷,129年,2021年。视图:出版商的网站|谷歌学术搜索
11. 问:王、李s和r·李”中国和印度的能源需求预测:使用线性,混合式直线,和非线性时间序列预测技术,”能源,卷161,不。168年,第831 - 821页,2018年。视图:出版商的网站|谷歌学术搜索
12. 问:钱、g . z . Tang和通用汽车,“短期预测建设项目分项能耗根据AR-DBN,”计算机工程,45卷,不。6,290 - 296年,2019页。视图:谷歌学术搜索
13. 徐y”,重叠社区使用的检测和分析方法改进的蚁群算法,”计算机应用研究,37卷,不。5,1375 - 1379年,2020页。视图:谷歌学术搜索
14. b . s .吴郭y, f·l·王”研究电缆路径规划技术基于改进蚁群算法,”计算机工程与应用,54卷,不。10日,236 - 241年,2018页。视图:谷歌学术搜索
15. 问:王、李郑胜耀和f .江“揭露COVID-19大流行对能源消费的影响:新的见解从区别pandemic-free场景和实际电力消费在中国,“《清洁生产文章ID 127897卷,313年,2021年。视图:出版商的网站|谷歌学术搜索
16. 问:王、李郑胜耀和r·r·李”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,“能源卷,163年,第167 - 151页,2018年。视图:出版商的网站|谷歌学术搜索
17. c·陈,“边界提取医学图像基于改进蚁群算法,”计算机应用与软件,36卷,不。10日,227 - 232年,2019页。视图:谷歌学术搜索
18. l . y, z . x曾庆红,黄和c·P”实证研究地铁能耗的影响因素,”数学在实践和知识,45卷,不。19日,31 - 39,2015页。视图:谷歌学术搜索
19. h·s·谢,c . h .人,y . f .商”分析能耗的主要因素和地铁的节能措施,”现代城市轨道交通,22卷,不。4、65 - 67年,2019页。视图:谷歌学术搜索
20. j . x周、w·d·杨和李问:“改进蚁群神经网络及其应用在滞后系统中,“控制工程,20卷,不。1,第68 - 63页,2010。视图:谷歌学术搜索

版权

版权©2021国荣沙、清钱。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。