基于聚类及优化集成神经网络的地铁车站空调负荷预测

摘要

分别从优化算法集成神经网络及将数据聚类后按类建模两方面建立3种模型对地铁车站空调负荷进行逐时预测,结果表明:同一物理量对地铁车站空调负荷所产生的影响程度随时间呈现某种动态变化特征,根据历史数据定量分析这些特征,对精准筛选模型输入参数、提高模型预测精度大有裨益。在3种模型中,粒子群优化算法-神经网络(PSOBPNN)和果蝇优化算法-神经网络(FOA-BPNN)预测的平均相对误差(MAPE)较单纯神经网络(BPNN)分别降低25.87%和40.08%,聚类-神经网络(Kmeans-BPNN)预测的MAPE比PSO-BPNN及FOA-BPNN分别降低61.12%和51.90%。说明在同等情况下,优化算法集成模型比单纯BPNN预测精度更高,而当区分实际负荷变化特点后,采用聚类后建模比优化集成建模效果更佳。