论文部分内容阅读
在建筑能耗占整个能源消耗的比例不断增加的现状下,尤其是当前世界“能源危机”日益紧迫的关头,空调建筑节能已成为节能领域中的一个非常重要的问题。空调节能的关键之一是精确确定空调系统的负荷,实现负荷预测是空气调节系统优化运行的基础,而一个具有较好泛化性能的太阳辐射预测模型,是获得空调负荷精确预测的关键性前提。本文拟就对建议的太阳辐射预测小波神经网络模型的泛化性能改善进行深入的探索与研究。由于太阳辐射具有高度非线性的特点,而小波神经网络处理非线性问题有其特殊的能力,因此本文利用小波神经网络的非线性函数逼近及自学习、自适应的特性,将小波神经网络预测方法作为太阳辐射预测的基础。近年来,受生物系统启发而设计出来的智能算法越来越受到人们重视。免疫算法、神经网络、遗传算法并称为当今三大仿生算法。在各学科相互交叉相互渗透的今天,将遗传算法、免疫原理与神经网络技术结合,既能利用遗传算法、免疫算法的全局搜索性能,以较大的概率找到搜索问题的最优解,又能利用小波神经网络具有大规模的并行处理能力、很强的容错性和自学习、自适应能力以及异域联想功能、能够精确映射任意高度非线性的输入输出关系等优点,两者相得益彰,能够对太阳辐射预测小波网络泛化能力即网络外推能力有较大的改善。考虑到目前已有的太阳辐射预测神经网络模型存在泛化性能不佳的特点,而影响神经网络泛化性能的因素很多,本文从网络的结构、样本、训练精度、网络参数初始化等方面对太阳辐射预测小波网络进行了研究:神经网络的泛化能力依赖于训练样本集的大小,适当地选取训练样本子集不仅使网络有较好的预测结果,还可以减小训练时间;同时,只有保证神经网络的结构复杂性和训练样本数相匹配,才能使神经网络达到给定的泛化能力;网络的泛化过程分为三个阶段,第一阶段,泛化误差随着训练时间的增加单调下降;第二阶段,泛化误差随着训练时间的增加先单调上升后单调下降,处于一个较为复杂的动态变化时期;第三阶段,泛化误差又随着训练时间的增加单调增加。对于特定的网络结构来说,在训练误差的最小点出现之前存在一个泛化误差的最小点,也即存在一个最优的训练停止时间,这对我们训练网络有一个定性的指导作用。基于以上研究方法,本文完成了对太阳日总辐射预测模型、太阳日散射辐射预测模型泛化性能改善的试验研究。本文中以澳门1991~2000年相关数据作为预测模型的对象,对预测模型的网络性能参数、回溯预测和仿真预测的平均相对误差、平均绝对误差进行了实例分析,为了更进一步验证网络参数初始化对太阳辐射预测小波网络泛化性能的改善,本文将用各种智能算法初始化过的太阳辐射预测小波网络和没有初始化的小波网络进行了预测(计算)比较,其均方根误差、平均绝对误差和平均相对误差都有较大改善,相对于传统小波神经网络,权值初始化过的神经网络预测更为精确,网络泛化性能更高。另外,本文还从网络的结构、样本、训练精度等方面为改进胁ㄍ绶夯阅芙辛舜罅渴匝檠芯?总结出的上述规律和相应的定性结论,不仅对于提高太阳辐射预测小波神经网络泛化性能有改进作用,而且对于应用于其它领域的神经网络训练有一定的指导作用。