基于IPSO睧LM的電磁供暖室內(nèi)溫度預(yù)測

王航 王盛慧

摘 要：為克服電磁供暖系統(tǒng)對用戶室內(nèi)供暖時存在的溫度滯后性，本文提出一種改進粒子群優(yōu)化算法（IPSO）優(yōu)化的ELM，用來對室內(nèi)下一時刻的溫度進行預(yù)測。該算法完善了PSO易跳過最優(yōu)解、易陷入局部最優(yōu)解以及收斂時間長等問題，然后分別用IPSO和PSO對ELM模型進行優(yōu)化，建立基于IPSO-ELM和PSO-ELM的電磁供暖室內(nèi)溫度預(yù)測模型。

關(guān)鍵詞：電磁供暖;溫度預(yù)測;粒子群算法;極限學(xué)習(xí)機

在電磁供暖室內(nèi)，供暖溫度存在著滯后性[1]，建筑物蓄熱性能、室外溫度及歷史溫度等因素都會影響室內(nèi)下一時刻的溫度。故能否建立良好的室內(nèi)溫度預(yù)測模型的對后續(xù)電磁供暖系統(tǒng)的控制性能的好壞至關(guān)重要。在對電磁供暖室內(nèi)溫度的影響因素進行分析之后，明確ELM預(yù)測模型的輸入輸出變量。然后再分別用PSO和IPSO優(yōu)化ELM的連接權(quán)值以及隱含層閾值。最后通過仿真驗證了IPSO優(yōu)化的效果較好。

1 ELM模型

ELM是由新加坡的著名學(xué)者黃廣斌[2]在2004年所提出，并用來解決傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練時間長、較易陷于局部的最優(yōu)解以及對參數(shù)的選擇苛刻等問題的一種新的前饋型神經(jīng)網(wǎng)絡(luò)算法。ELM與BP神經(jīng)網(wǎng)絡(luò)的不同之處在于其連接權(quán)值和隱含層閾值是由算法隨機生成的，故只要確定隱含層中神經(jīng)元的數(shù)目就可以進行訓(xùn)練學(xué)習(xí)，操作十分方便，泛化能力比較強。

2 基于IPSO的ELM優(yōu)化

早在1995年，美國的Kennedy和James Eberhart就提出了粒子群算法這一概念。他們是在Frank Heppner鳥類模型建模與仿真取得了一定成果之后，并以此為基礎(chǔ)，才共同提出了粒子群算法（PSO）。該算法在較少的參數(shù)設(shè)置量時就具備較強的尋優(yōu)能力和收斂速度，因此經(jīng)常被應(yīng)用于各優(yōu)化領(lǐng)域。

PSO是利用各個粒子對最佳的地點進行搜尋，然后經(jīng)不斷地迭代尋找得到全局最優(yōu)解的過程。每個粒子的地點都可以用一個相應(yīng)的適應(yīng)度函數(shù)來表示，并且各粒子運動的方向和距離可用其保有的速度來表示。在整體的迭代過程中，利用個體的最優(yōu)極值以及全局的最優(yōu)極值來不斷地進行更新。個體的最優(yōu)極值指的是個體在進行一定的迭代次數(shù)后所獲得的最佳地點，全局的最優(yōu)極值指的是整個種群通過一定迭代次數(shù)后所獲得的最佳地點。將粒子群速度和地點都用維數(shù)為S的向量進行表示，便可得到其迭代公式如下：

3 仿真結(jié)果分析

3.1 輸入輸出變量的選取

電磁供暖室內(nèi)的溫度存在著大慣性與大滯后性，并且與室內(nèi)外溫度、供回水溫度及溫控器狀態(tài)等因素有關(guān)，綜合上述因素本文將N-T刻室內(nèi)溫度、N時刻室內(nèi)溫度、N時刻溫控器狀態(tài)及N時刻供回水溫差作為輸入變量，N+T時刻室內(nèi)溫度作為輸出變量。

3.2 試驗數(shù)據(jù)采集選取

本文對某棟電磁供暖居民樓進行數(shù)據(jù)采樣，每30分鐘采樣一次。為了獲得全面的樣本，本文從供熱平臺獲取了2019年1月6號00點00分～1月11號23點30分的總計288組數(shù)據(jù)，并把前230組數(shù)據(jù)作為模型的訓(xùn)練樣本，把后58組數(shù)據(jù)作為模型的測試樣本，然后分別用IPSO-ELM和PSO-ELM進行預(yù)測試驗。學(xué)習(xí)因子c1，c2取為1.5，迭代次數(shù)為100次，種群規(guī)模為50，隱含層神經(jīng)元個數(shù)為9，最大、最小權(quán)值分別取為0.8、0.4，并采用S型函數(shù)作為激勵函數(shù)。

3.3 試驗對比分析

前230組訓(xùn)練集通過IPSO-ELM和PSO-ELM訓(xùn)練輸出的室內(nèi)溫度值與實際在供暖平臺獲得的室內(nèi)溫度值能夠很好的擬合，其擬合曲線如圖1所示，由圖可知，兩種模型的擬合度均在合理范圍之內(nèi)。經(jīng)過計算知IPSO-ELM的均方誤差（MSE）為0.0303，PSO-ELM的均方誤差（MSE）為0.0102，則IPSO-ELM模型的擬合程度比PSO-ELM模型略高些。

利用前230組訓(xùn)練集訓(xùn)練之后IPSO-ELM模型和PSO-ELM模型再分別對后58組測試集溫度進行預(yù)測，得到如圖2所示的IPSO-ELM和PSO-ELM的實際值與預(yù)測值的對比圖，由圖2可知，兩種算法所預(yù)測的電磁供暖室內(nèi)溫度值的變化趨勢與實際電磁供暖室內(nèi)溫度值的變化的趨勢基本相同，且IPSO-ELM所預(yù)測的溫度值與實際溫度值更加接近，兩種算法的預(yù)測誤差對比如圖3所示。

由圖3可知，雖然兩種算法在預(yù)測溫度值上都存在一定的誤差，但是IPSO-ELM預(yù)測準確度要高于PSO-ELM。

通過以上三項對比可知，IPSO確實對PSO進行了優(yōu)化，IPSO-ELM模型比PSO-ELM模型更適合對室內(nèi)溫度進行預(yù)測。

4 結(jié)語

本文為對電磁供暖室內(nèi)溫度進行預(yù)測，提出了一種IPSO對PSO進行優(yōu)化，并基于ELM對IPSO-ELM和PSO-ELM模型進行對比驗證，試驗結(jié)果表明IPSO-ELM預(yù)測模型的溫度預(yù)測誤差更小，具有更好的預(yù)測能力，能夠勝任電磁供暖室內(nèi)對下一時刻溫度的預(yù)測要求，為后續(xù)電磁供暖控制系統(tǒng)的設(shè)計奠定了基礎(chǔ)。

參考文獻：

[1]李康吉.建筑室內(nèi)環(huán)境建模、控制與優(yōu)化及能耗預(yù)測[D].浙江大學(xué)，2013.

[2]穆冀里，蔣武鋒，董建君，等.納米鐵粉的制備方法研究[J].粉末冶金工業(yè)，2014（02）：37-41.

[3]陳恒志，楊建平，盧新春，等.基于極限學(xué)習(xí)機（ELM）的連鑄坯質(zhì)量預(yù)測[J].工程科學(xué)學(xué)報，2018（7）：815-821.

作者簡介：王航（1995-），男，漢族，山西臨汾人，碩士研究生，電氣工程專業(yè)。

*通訊作者：王盛慧（1976-），女，漢族，吉林長春人，碩士研究生，教授，電氣工程專業(yè)。