一种基于PSO-BP与Markov链相结合的空调冷负荷动态预测方法

摘要

一种基于PSO‑BP与Markov链相结合的空调冷负荷动态预测方法，包括以下步骤：步骤1，对空调用能数据进行分类；步骤2，对空调冷负荷的T时刻室外温度、T‑1时刻室外温度、T时刻太阳辐射量、T‑1时刻太阳辐射量、T‑2时刻太阳辐射量、T时刻相对湿度、T时刻室外风速、T‑1时刻冷负荷、T‑2时刻冷负荷、T‑4时刻冷负荷等10个输入变量和输出变量T时刻冷负荷进行关联度分析；步骤3，利用PSO‑BP神经网络进行负荷预测；步骤4，利用PSO‑BP神经网络的预测结果划分误差区间，构建Markov概率转移矩阵；步骤5，进行Markov链误差修正，得到最终的预测值。不仅对周内和周末的用能情况进行区分，还对与冷负荷相关的变量进行了关联度分析，选择关联度高的变量作为模型的输入变量，并且对组合模型进行了误差修正，降低冗余度和特征模型的复杂度，提高算法的运算效率。