基于改進(jìn)型BP神經(jīng)網(wǎng)絡(luò)的大型CCHP系統(tǒng)負(fù)荷預(yù)測研究

國網(wǎng)上海市電力公司閘北發(fā)電廠 顧兆雄 黃志堅(jiān) 謝 鳴

上海海事大學(xué) 林萌雅 齊家業(yè) 高文忠△

0 引言

隨著我國經(jīng)濟(jì)的迅速發(fā)展，全社會整體空調(diào)能耗急劇增加，在夏季，空調(diào)耗電量已占到居民用電量的40%～50%左右，對霧霾“貢獻(xiàn)”顯著。近年來，特別是在“十三五”規(guī)劃政策的大力推動下，推進(jìn)能源革命，發(fā)展綠色能源，建設(shè)清潔低碳、能源可持續(xù)發(fā)展和節(jié)約能源的現(xiàn)代能源體系[1]已取得全社會的共識。其中CCHP(combined cooling heating and power)系統(tǒng)(又稱冷熱電聯(lián)產(chǎn)系統(tǒng))得到快速發(fā)展，其總能源利用率可以達(dá)到75%～90%，是能源綜合梯級利用的有效解決方案。

大型CCHP系統(tǒng)通常使用清潔能源天然氣作為主要一次能源，在綜合考慮初投資、裝機(jī)容量和運(yùn)行經(jīng)濟(jì)性的基礎(chǔ)上，常配置一定容量的電制冷機(jī)和蓄能儲罐，既可利用電力谷價(jià)蓄冷降低成本，亦可調(diào)節(jié)負(fù)荷。其供冷主體主要有3種，即溴化鋰制冷機(jī)、電制冷機(jī)和蓄冷罐。其中，溴化鋰制冷機(jī)由內(nèi)燃機(jī)余熱驅(qū)動，能量來自天然氣，電制冷機(jī)組由電力驅(qū)動，該電力首先使用內(nèi)燃機(jī)自發(fā)電，不足部分購買市政電力，而市政電力存在峰時(shí)、平時(shí)和谷時(shí)電價(jià)，且因季節(jié)差異而不同。蓄冷罐兼顧谷電蓄冷和調(diào)節(jié)作用。因此，在如此復(fù)雜的供能體系和價(jià)格體系下，只有準(zhǔn)確預(yù)知第2天的負(fù)荷值和變化趨勢，才能依據(jù)該結(jié)果通過具有智能化的控制系統(tǒng)，調(diào)配各供能主體運(yùn)行臺數(shù)和時(shí)間，獲得系統(tǒng)運(yùn)行整體的最優(yōu)化，包括經(jīng)濟(jì)最優(yōu)、能耗最優(yōu)和碳排放最優(yōu)等方面。

一般建筑物的空調(diào)冷負(fù)荷受氣象參數(shù)、季節(jié)、建筑性質(zhì)和投用階段等多種因素影響，存在復(fù)雜的非線性關(guān)系，利用建筑設(shè)計(jì)階段的負(fù)荷計(jì)算方法難以預(yù)知第2天的負(fù)荷。近十幾年來，眾多專家學(xué)者針對空調(diào)負(fù)荷的特點(diǎn)，從運(yùn)行數(shù)據(jù)角度提出了一些預(yù)測方法。主要有人工神經(jīng)網(wǎng)絡(luò)法(ANN)、多元非線性回歸法(MNLR)、支持向量回歸法(SVR)及時(shí)間序列法等[2]。

多元非線性回歸法簡單易理解，但其通用性差。時(shí)間序列法預(yù)測速度快，通常用于短期預(yù)測，如未來數(shù)小時(shí)的預(yù)測，但模型不能充分利用負(fù)荷的影響因素，只適用于負(fù)荷變化均勻的短期預(yù)測。與其他方法相比，人工神經(jīng)網(wǎng)絡(luò)法的優(yōu)勢在于能夠?qū)ψ兞恐g復(fù)雜關(guān)系給出的多變量問題進(jìn)行建模，并通過訓(xùn)練數(shù)據(jù)的“學(xué)習(xí)”來提取這些變量之間的隱含非線性關(guān)系。近些年來，運(yùn)用人工神經(jīng)網(wǎng)絡(luò)預(yù)測負(fù)荷得到了一定的發(fā)展。如Zhou等人通過對大型商場空調(diào)負(fù)荷預(yù)測的應(yīng)用，闡述了4種不同的基于機(jī)器學(xué)習(xí)的預(yù)測方法，并對它們的預(yù)測性能進(jìn)行了比較[3]。Ling應(yīng)用BP神經(jīng)網(wǎng)絡(luò)-馬爾可夫預(yù)測模型進(jìn)行熱負(fù)荷預(yù)測，不僅發(fā)揮了BP神經(jīng)網(wǎng)絡(luò)預(yù)測精度高的特點(diǎn)，而且能夠利用馬爾可夫模型對波動數(shù)據(jù)進(jìn)行較精確預(yù)測[4]。Liao采用改進(jìn)的差分進(jìn)化算法優(yōu)化小波神經(jīng)網(wǎng)絡(luò)的權(quán)閾值，并與傳統(tǒng)算法優(yōu)化神經(jīng)網(wǎng)絡(luò)進(jìn)行了比較[5]。Solmaz等人利用人工神經(jīng)網(wǎng)絡(luò)方法來預(yù)測汽車小時(shí)冷負(fù)荷，通過對7～40個(gè)隱層神經(jīng)元數(shù)目的逐步檢測，尋找最匹配的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)[6]。Ding等人將輸入變量隨機(jī)形成8個(gè)組合，分析各種輸入變量對預(yù)測精度的影響，利用人工神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)模型進(jìn)行預(yù)測精度比較[7]。

相對以上研究中的小型空調(diào)系統(tǒng)，大型CCHP系統(tǒng)的用戶建筑規(guī)模通常比較龐大，主要以區(qū)域供冷供熱為典型特征，建筑類型涉及辦公建筑、公寓、酒店等多種形式，雖然每種建筑類型的日、月和季節(jié)負(fù)荷特征變化規(guī)律存在明顯差異，但其耦合性卻非常顯著，往往表現(xiàn)出與氣候特征較密切的關(guān)聯(lián)性。基于此，筆者嘗試?yán)萌斯ど窠?jīng)網(wǎng)絡(luò)的GA-BP模型，結(jié)合Speaman秩相關(guān)系數(shù)對大型CCHP系統(tǒng)的負(fù)荷影響因素進(jìn)行分析，以期利用建筑負(fù)荷耦合特征，獲得更準(zhǔn)確的針對大型CCHP系統(tǒng)空調(diào)負(fù)荷的預(yù)測方法，為此類系統(tǒng)的智能優(yōu)化運(yùn)行提供更精確的數(shù)據(jù)支撐。

1 BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型的優(yōu)化改進(jìn)

BP神經(jīng)網(wǎng)絡(luò)是一種典型的遞歸網(wǎng)絡(luò)，由輸入層、隱含層和輸出層構(gòu)成[8]，具有非線性映射能力及強(qiáng)大的學(xué)習(xí)能力，對規(guī)律較復(fù)雜、非線性關(guān)系的數(shù)據(jù)具有良好的分析和處理能力[9]，且具有信息記憶、自主學(xué)習(xí)和優(yōu)化計(jì)算的特點(diǎn)[10]。但也存在局限性，即：1) 學(xué)習(xí)速度慢、維數(shù)災(zāi)難；2) 很容易陷入局部收斂，無法保證全局收斂最優(yōu)解；3) 難以科學(xué)地確定網(wǎng)絡(luò)結(jié)構(gòu)。其中，網(wǎng)絡(luò)結(jié)構(gòu)及輸入?yún)?shù)的選取對模型的學(xué)習(xí)速度和結(jié)果存在明顯影響，目前多憑經(jīng)驗(yàn)確定隱含層節(jié)點(diǎn)數(shù)。

為了解決學(xué)習(xí)速度慢、維數(shù)災(zāi)難的問題，首先嘗試引入Spearman秩相關(guān)系數(shù)對影響負(fù)荷預(yù)測的因素作相關(guān)性分析，然后選取相關(guān)性較高的影響因素作為輸入變量。相對于全部影響因素作為輸入變量，運(yùn)用Spearman秩相關(guān)系數(shù)選取輸入變量，起到降維的作用，從而提高訓(xùn)練速度，增加模型的適用性。Spearman秩相關(guān)系數(shù)的優(yōu)勢在于，它用來衡量2個(gè)變量之間的關(guān)聯(lián)程度與方向，對原始變量分布不作要求，屬于非參數(shù)統(tǒng)計(jì)方法。在滿足沒有重復(fù)數(shù)據(jù)的情況下，若2個(gè)變量間為嚴(yán)格單調(diào)函數(shù)關(guān)系，則Spearman秩相關(guān)系數(shù)就是1或-1，則稱2個(gè)變量完全Spearman秩相關(guān)。2個(gè)變量的Spearman秩相關(guān)系數(shù)越大，則兩者的相關(guān)性越大。該方法可用于輸入與輸出變量間關(guān)聯(lián)程度的分析，避免輸入變量過多或人為排除重要的變量，選出相關(guān)程度較高的變量。其計(jì)算步驟為：1) 將2個(gè)列向量X和Y對應(yīng)的元素xi、yi轉(zhuǎn)換為在各自列向量中的排名，記為x′i、y′i。2) 根據(jù)式(1)計(jì)算Spearman秩相關(guān)系數(shù)。

(1)

式中rs為Spearman秩相關(guān)系數(shù)；n為樣本數(shù)量；di為秩次差，di=x′i-y′i。

針對BP神經(jīng)網(wǎng)絡(luò)很容易陷入局部收斂、無法保證收斂全局最優(yōu)點(diǎn)的缺陷，采用將其與具有全局搜索能力的遺傳算法相結(jié)合，從而使神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值得到優(yōu)化，進(jìn)而優(yōu)化整個(gè)網(wǎng)絡(luò)結(jié)構(gòu)，構(gòu)成兼顧兩者優(yōu)點(diǎn)的GA-BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型。其算法結(jié)構(gòu)流程如圖1所示。

圖1 GA-BP算法的流程圖

GA-BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練首先對經(jīng)過Spearman秩相關(guān)系數(shù)確定的輸入?yún)?shù)及其構(gòu)成的數(shù)據(jù)集進(jìn)行訓(xùn)練，然后通過遺傳算法具有的選擇、交叉與變異操作，在生成的新一代種群中尋找滿足適應(yīng)度條件的個(gè)體，從而得到BP神經(jīng)網(wǎng)絡(luò)的最佳初始權(quán)值與閾值；接著BP神經(jīng)網(wǎng)絡(luò)算法以遺傳算法提供的最優(yōu)初始權(quán)值和閾值開始訓(xùn)練過程，最后逼近最優(yōu)解[11]。具體步驟如下：

1) 根據(jù)神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)對初始值進(jìn)行編碼，生成初始群體。

2) 使用初始值訓(xùn)練神經(jīng)網(wǎng)絡(luò)。

3) 通過訓(xùn)練結(jié)果，計(jì)算每個(gè)個(gè)體的適應(yīng)度值，篩選出最佳的適應(yīng)度的個(gè)體進(jìn)行下一代計(jì)算。

4) 對篩選出的群體進(jìn)行選擇、交叉和變異等遺傳操作，生成一代新的群體。

5) 重復(fù)步驟2)～4)，直至滿足適應(yīng)度條件，獲取最優(yōu)的權(quán)值和閾值。

6) 使用經(jīng)過遺傳算法優(yōu)化的權(quán)值與閾值進(jìn)行訓(xùn)練，得到結(jié)果。

2 原始數(shù)據(jù)處理和負(fù)荷預(yù)測模型構(gòu)建

選取位于上海浦東新區(qū)某區(qū)域供冷/熱的大型CCHP系統(tǒng)為研究對象，該能源中心主要為28棟辦公樓及附屬商業(yè)建筑供能。其供能總面積為647 000 m2，夏季設(shè)計(jì)日逐時(shí)冷負(fù)荷峰值為56.8 MW，日總供冷量為660.9 MW·h，冬季設(shè)計(jì)日逐時(shí)熱負(fù)荷峰值為34.3 MW，日總供熱量為441.6 MW·h。整個(gè)CCHP系統(tǒng)主要由2臺內(nèi)燃機(jī)、2臺煙氣熱水型雙效溴化鋰機(jī)組、6臺離心式電制冷機(jī)組、3臺燃?xì)鉄崴仩t及蓄能罐組成。其中溴化鋰機(jī)組的額定制冷功率為4 105 kW，電制冷機(jī)組的額定制冷功率為7 000 kW，蓄能罐的蓄冷量為51 502 kW·h，蓄熱量為35 000 kW·h。能源系統(tǒng)原理如圖2所示[12]。該系統(tǒng)于2016年投入使用，2018年夏季典型日的最大逐時(shí)冷負(fù)荷為22.5 MW，總供冷量為239.3 MW·h，典型日負(fù)荷分布如圖3所示。鑒于該能源中心具備較完善的運(yùn)行數(shù)據(jù)采集和存儲系統(tǒng)，選取2018年7月2日至10月8日(06:00—18:00)的工作日(非工作日負(fù)荷極小，忽略)逐時(shí)負(fù)荷和當(dāng)?shù)貧庀缶职l(fā)布的氣象數(shù)據(jù)，利用構(gòu)建的BP和GA-BP神經(jīng)網(wǎng)絡(luò)分別進(jìn)行機(jī)器學(xué)習(xí)，分析其內(nèi)在關(guān)系。然后對選取日的空調(diào)負(fù)荷進(jìn)行預(yù)測。

圖2 系統(tǒng)原理圖

圖3 典型日負(fù)荷分布

2.1 原始數(shù)據(jù)處理

空調(diào)負(fù)荷預(yù)測精度主要受數(shù)據(jù)集質(zhì)量及模型可用性影響，為提高預(yù)測模型精度，對原始數(shù)據(jù)集進(jìn)行清洗和處理是關(guān)鍵一步。在能源中心數(shù)據(jù)采集過程中，可能存在設(shè)備調(diào)試、斷電及網(wǎng)絡(luò)傳輸故障等各種干擾，使得少量原始數(shù)據(jù)出現(xiàn)異常，遠(yuǎn)遠(yuǎn)偏離正常水平，剔除異常值有助于提高模型預(yù)測的精度。

能源中心供冷時(shí)間段為非節(jié)假日的06:00—18:00，該時(shí)間段內(nèi)冷負(fù)荷為0的值視為異常值。另外，非節(jié)假日負(fù)荷變化趨勢具有相似性，如果某時(shí)段負(fù)荷值突然遠(yuǎn)大于或遠(yuǎn)小于對應(yīng)時(shí)刻附近的負(fù)荷值也視為異常值。依此將日供冷時(shí)間按時(shí)段分為13個(gè)時(shí)序，通過圖示法找出異常值，異常值分布如圖4所示。

圖4 異常值分布

為了避免量綱及數(shù)值間差異帶來的影響，需要對數(shù)據(jù)進(jìn)行歸一化處理[13]。模型采用的數(shù)據(jù)集由逐時(shí)冷負(fù)荷與逐時(shí)氣象參數(shù)組成，兩者的量綱及數(shù)值間存在差異。因此，將剔除異常值后的數(shù)據(jù)集進(jìn)行歸一化處理。即采用最常用的方法：零-均值規(guī)范化。經(jīng)過零-均值規(guī)范化處理后的數(shù)據(jù)均值為0，標(biāo)準(zhǔn)差為1。其處理公式為

(2)

2.2 負(fù)荷預(yù)測模型的構(gòu)建

空調(diào)負(fù)荷影響因素主要有建筑物內(nèi)擾(如室內(nèi)人員數(shù)量、散熱設(shè)備使用頻率與室內(nèi)溫濕度等)和建筑物外擾(如室外氣象參數(shù)(溫度、濕度、輻射、風(fēng)速和天氣等))[14]。考慮到太陽輻射及室外溫度會造成空調(diào)冷負(fù)荷滯后影響，因此，在模型中加入了(T-1)時(shí)刻的溫度及濕度影響因素[15]。另外因無法獲取建筑物內(nèi)擾作為變量，但鑒于空調(diào)冷負(fù)荷存在時(shí)間序列性，將(T-1)時(shí)刻冷負(fù)荷、(T-2)時(shí)刻冷負(fù)荷、(T-24)時(shí)刻的冷負(fù)荷作為模型的輸入?yún)?shù)，間接實(shí)現(xiàn)了內(nèi)擾的輸入，提高預(yù)測精度[16]。

為了提高模型學(xué)習(xí)速度、弱化維數(shù)災(zāi)難，提高負(fù)荷預(yù)測模型精度，通過式(1)分別對上述各影響因素與負(fù)荷作相關(guān)性分析，獲得各影響因素與冷負(fù)荷的Spearman秩相關(guān)系數(shù)，具體結(jié)果見表1。

表1 影響因素與冷負(fù)荷的Spearman秩相關(guān)系數(shù)

通過表1中數(shù)據(jù)可以看出：1) (T-1)時(shí)刻與T時(shí)刻的冷負(fù)荷的秩相關(guān)系數(shù)最高，為0.810 6，說明空調(diào)冷負(fù)荷時(shí)間序列性很強(qiáng)；2) (T-24)時(shí)刻與T時(shí)刻的冷負(fù)荷的秩相關(guān)系數(shù)為0.573 0，主要是這兩日的氣象參數(shù)存在較大差異，造成負(fù)荷存在差異；3)T時(shí)刻室外風(fēng)向和風(fēng)速的Spearman秩相關(guān)系數(shù)分別只有0.121 0、0.102 7，這與供冷對象為全封閉外圍護(hù)建筑結(jié)構(gòu)，無自然通風(fēng)有關(guān)。綜合表1中所有數(shù)據(jù)，選取(T-1)時(shí)刻冷負(fù)荷、T時(shí)刻室外空氣溫度、(T-1)時(shí)刻室外空氣溫度、(T-2)時(shí)刻冷負(fù)荷、(T-24)時(shí)刻冷負(fù)荷和T時(shí)刻室外相對濕度作為輸入?yún)?shù)。

為了改善BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型易陷入局部收斂，將預(yù)處理后的數(shù)據(jù)利用遺傳算法進(jìn)行初始權(quán)值和閾值尋優(yōu)，獲得最優(yōu)初始權(quán)值與閾值，以最優(yōu)初始權(quán)值和閾值開始訓(xùn)練過程，最后逼近最優(yōu)解。采用的3層GA-BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如下：

1) 輸入層的設(shè)計(jì)。將上述6個(gè)影響因素作為輸入?yún)?shù)，則輸入變量為6維向量。

3) 輸出層設(shè)計(jì)。根據(jù)對輸入?yún)?shù)的訓(xùn)練學(xué)習(xí)，預(yù)測空調(diào)冷負(fù)荷作為輸出層節(jié)點(diǎn)。最后構(gòu)造一個(gè)6-11-1型的GA-BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。

2.3 模型精度評價(jià)指標(biāo)

選用期望誤差百分比PEE及平均絕對誤差EMB作為負(fù)荷預(yù)測精度評價(jià)指標(biāo)。具體計(jì)算公式如下：

(3)

(4)

3 BP和GA-BP神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練性能和預(yù)測結(jié)果分析

3.1 2種模型的訓(xùn)練性能

考慮到算法的隨機(jī)性，將2個(gè)模型分別獨(dú)立運(yùn)行20次，并分析模型訓(xùn)練性能。2種算法的訓(xùn)練結(jié)果精度如表2所示。

表2 2種算法的訓(xùn)練結(jié)果

通過對比表2中數(shù)據(jù)可知，BP模型的預(yù)測能力相對較差，其最差PEE和EMB可達(dá)到7.222%和8.648%，20次訓(xùn)練的平均PEE和EMB值分別為6.100%和7.001%。與之對比，由GA-BP模型訓(xùn)練得到的平均PEE值和EMB值分別減小0.836%和1.146%。通過對比2個(gè)模型的PEE及EMB的最佳值、最差值及平均值，也顯示GA-BP模型相對穩(wěn)定。因此，在大型CCHP冷負(fù)荷預(yù)測領(lǐng)域，GA-BP模型具有全局優(yōu)化能力強(qiáng)、預(yù)測精度高等優(yōu)點(diǎn)。

3.2 模型預(yù)測結(jié)果分析

隨機(jī)選取2019年7月2日至10月8日中5天數(shù)據(jù)作為測試集，來檢驗(yàn)?zāi)Ｐ偷念A(yù)測精度。預(yù)測結(jié)果如圖5所示，預(yù)測精度見表3。

圖5 2個(gè)模型預(yù)測值與真實(shí)冷負(fù)荷值對比

表3 BP和GA-BP神經(jīng)網(wǎng)絡(luò)預(yù)測精度對比 %

表3和圖5中數(shù)據(jù)顯示，無論BP神經(jīng)網(wǎng)絡(luò)模型還是GA-BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測的結(jié)果，與冷負(fù)荷真實(shí)值的變化趨勢都基本一致，BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測值在部分時(shí)段誤差較大。GA-BP神經(jīng)網(wǎng)絡(luò)預(yù)測期望誤差百分比PEE和平均絕對誤差EMB分別為5.86%和6.46%，明顯低于BP神經(jīng)網(wǎng)絡(luò)。

將2個(gè)模型的預(yù)測值與實(shí)際值分別進(jìn)行線性回歸擬合，結(jié)果分別如圖6和圖7所示，GA-BP模型的擬合點(diǎn)除少部分點(diǎn)，特別是在低值段偏離y=x線外，大部分區(qū)域的偏差較BP神經(jīng)網(wǎng)絡(luò)小。

圖6 BP模型預(yù)測值與真實(shí)值回歸擬合曲線

圖7 GA-BP模型預(yù)測值與真實(shí)值回歸擬合曲線

對絕對誤差值進(jìn)行比較分析，如圖8所示，BP神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果的絕對誤差值大于2 MW的顯著多于GA-BP神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果，且隨著冷負(fù)荷的增大，BP網(wǎng)絡(luò)預(yù)測值絕對誤差也顯著增大，在相同條件下GA-BP神經(jīng)網(wǎng)絡(luò)預(yù)測絕對誤差變化不明顯。

圖8 2種模型預(yù)測值與真實(shí)冷負(fù)荷值絕對誤差

綜上所述，GA-BP模型在預(yù)測大型CCHP負(fù)荷方面明顯優(yōu)于BP模型，更易獲得逼近真實(shí)值的預(yù)測結(jié)果。

4 結(jié)論

為了實(shí)現(xiàn)對大型CCHP系統(tǒng)用戶負(fù)荷更準(zhǔn)確的預(yù)測，為智能化的優(yōu)化運(yùn)行提供重要的數(shù)據(jù)支撐，在利用Spearman秩相關(guān)系數(shù)對歷史運(yùn)行數(shù)據(jù)進(jìn)行相關(guān)性分析的基礎(chǔ)上，分別利用BP和GA-BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練模型對隨機(jī)選取的驗(yàn)證集進(jìn)行了預(yù)測分析，主要結(jié)論如下：

1) 利用Spearman秩相關(guān)系數(shù)，確定影響大型CCHP系統(tǒng)冷負(fù)荷的主要因素，弱化或剔除次要因素，并將主要因素作為負(fù)荷預(yù)測模型的輸入?yún)?shù)。相對于傳統(tǒng)BP模型多變量輸入，GA-BP模型可顯著縮短模型訓(xùn)練時(shí)間，規(guī)避維數(shù)災(zāi)難，提高預(yù)測精度。

2) (T-1)時(shí)刻與T時(shí)刻的冷負(fù)荷的秩相關(guān)系數(shù)最大，空調(diào)冷負(fù)荷時(shí)間序列性很強(qiáng)；(T-24)時(shí)刻與T時(shí)刻的冷負(fù)荷的秩相關(guān)系數(shù)雖小于(T-1)時(shí)刻，但也達(dá)到接近0.6；室外風(fēng)向和風(fēng)速對冷負(fù)荷影響較小。

3) 經(jīng)過遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)和模型參數(shù)，避免了局部收斂，實(shí)現(xiàn)了全局最優(yōu)，可明顯提高模型的預(yù)測精度。如本案例中GA-BP相對BP模型預(yù)測精度分別提高了37.12%和40.84%。

以上改進(jìn)型BP神經(jīng)網(wǎng)絡(luò)，顯著提高了預(yù)測大型CCHP系統(tǒng)空調(diào)負(fù)荷的準(zhǔn)確性，為此類系統(tǒng)優(yōu)化調(diào)配的人工智能化發(fā)展提供了新的思路。