技术摘要：
本发明公开了基于模拟退火算法优化BP神经网络的空调冷负荷预测方法，选取影响T时刻空调冷负荷的输入变量，输入变量包括T时刻的室外空气温度以及T时刻之前的室外空气温度、T时刻的太阳辐射量以及T时刻之前的太阳辐射量、T时刻的相对湿度、T时刻的室外风速和T时刻之前的  全部
背景技术：
建筑能耗作为世界能源消耗的三巨头之一，占中国社会总能耗的20％左右，从世 界视角来看这个比例更高，达到了30％以上。随着经济发展，空调能耗占总建筑能耗的比例 越来越大。空调系统的能耗量对实现建筑节能具有重大意义。通过对空调未来短期能耗进 行预测，调整系统运行模式，可以实现有效的能耗降低。 传统的空调冷负荷预测方法主要是支持向量机、神经网络等，但是传统方法的缺 点是容易陷入局部最小值，收敛速度慢，输入和输出的匹配度低，造成空调冷负荷预测偏差 大。
技术实现要素：
针对现有技术中的技术问题，本发明提供了基于模拟退火算法优化BP神经网络的 空调冷负荷预测方法，克服了BP神经网络在权值选择上的随机性，提高了BP神经网络的收 敛速度和学习能力，降低了空调冷负荷预测偏差大的问题。 为了解决上述技术问题，本发明通过以下技术方案予以实现： 基于模拟退火算法优化BP神经网络的空调冷负荷预测方法，包括以下步骤： 步骤1：选取影响T时刻空调冷负荷的输入变量，所述输入变量包括T时刻的室外空 气温度以及T时刻之前的室外空气温度、T时刻的太阳辐射量以及T时刻之前的太阳辐射量、 T时刻的相对湿度、T时刻的室外风速和T时刻之前的空调冷负荷，利用关联度分析法分析所 述输入变量与T时刻空调冷负荷的相关性，剔除关联度低于0.8的输入变量，保留剩余输入 变量； 步骤2：根据步骤1中保留的输入变量的个数以及T时刻空调冷负荷建立BP神经网 络； 步骤3：利用模拟退火算法优化步骤2建立的BP神经网络； 步骤4：利用步骤3中优化后的BP神经网络进行负荷预测，得到预测值。 进一步地，所述步骤1中，采用灰色关联度分析法分析所述输入变量与T时刻空调 冷负荷的相关性。 进一步地，所述步骤2中，BP神经网络的结构包括输入层、隐藏层和输出层，其中， 根据保留的输入变量的个数以及T时刻空调冷负荷确定BP神经网络的输入层神经元个数I 和输出层神经元个数O，根据输入层神经元个数I和输出层神经元个数O确定隐藏层神经元 个数H。 进一步地，隐藏层神经元个数H通过以下公式确定： H＝(I O)1/2 Z。 3 CN 111598224 A 说　明　书 2/6 页 进一步地，所述步骤3具体包括： 步骤31：设置模拟退火算法的初始温度、终止温度、温度下降方式和随机扰动机 制； 步骤32：设置BP神经网络的初始权值和初始阈值，对BP神经网络进行梯度下降训 练直至收敛，得到一系列权值和阈值作为模拟退火算法的初始解向量； 步骤33：给出随机扰动，随着温度下降更新权值和阈值； 步骤34：判断温度是否下降到终止温度，如果下降到终止温度，则终止训练过程， 将更新后的权值和阈值作为BP神经网络的权值和阈值；否则，执行步骤33。 进一步地，所述步骤1中，所述输入变量包括T时刻的室外空气温度、T-1时刻的室 外温度、T时刻的太阳辐射量、T-1时刻的太阳辐射量、T时刻的相对湿度、T时刻的室外风速、 T-1时刻的空调冷负荷、T-2时刻的空调冷负荷、T-3时刻的空调冷负荷和T-4时刻的空调冷 负荷。 与现有技术相比，本发明至少具有以下有益效果：本发明提供的基于模拟退火算 法优化BP神经网络的空调冷负荷预测方法，选取影响T时刻空调冷负荷的输入变量，利用关 联度分析法分析所述输入变量与T时刻空调冷负荷的相关性，剔除关联度低于0.8的输入变 量，保留剩余输入变量；根据保留的输入变量的个数以及T时刻空调冷负荷建立BP神经网 络；利用模拟退火算法优化建立的BP神经网络；利用优化后的BP神经网络进行负荷预测，得 到预测值。本发明利用模拟退火算法的全局搜索能力找到BP神经网络的最优权值和阈值， 克服了BP神经网络在权值选择上的随机性，提高了BP神经网络的收敛速度和学习能力，此 外，优化了训练样本选取和BP神经网络隐藏层神经元数，提高了BP神经网络的泛化能力，在 预测空调冷负荷时降低了空调冷负荷预测偏差大的问题。 为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合 所附附图，作详细说明如下。 附图说明 为了更清楚地说明本发明