專利名稱：一種基于bp神經(jīng)網(wǎng)絡(luò)的地鐵能耗綜合預(yù)測方法
技術(shù)領(lǐng)域：
本發(fā)明涉及ー種能耗綜合預(yù)測方法，尤其是一種基于神經(jīng)網(wǎng)絡(luò)的地鐵能耗綜合預(yù)測方法。
背景技術(shù)：
城市軌道交通是城市公共交通體系的重要組成部分，具有運量大，速度快，準(zhǔn)點率高，占地少，污染小等特點，可以很好的解決 當(dāng)前城市交通擁擠問題。隨著全國各地大批量的上馬地鐵項目，地鐵的運行公里數(shù)直線上升。由于地鐵的運營主要是靠能源，因此提高能源的利用效率對于降低地鐵的運營成本，保護(hù)環(huán)境，節(jié)能減排都具有重大的意義。為了實現(xiàn)軌道交通節(jié)能降耗，降低運輸成本，國內(nèi)外的研究學(xué)者進(jìn)行了廣泛的研究，主要從以下兩方面進(jìn)行，一部分學(xué)者從列車運動方程即基于列車受カ分析的機(jī)車功率角度計算列車運行能耗；另一部分研究単位建立了基于能耗影響因素(如速度、?？空緮?shù)量等)的多元回歸方程，通過統(tǒng)計數(shù)據(jù)分析與校驗其影響因素的影響程度，進(jìn)而估算出列車能耗。這里的能耗影響因素主要是指影響列車運行能耗的因素，包括列車的停站方案、技術(shù)速度、滿載率、列車的牽引力特性以及線路條件等。通過對每ー個單一因素進(jìn)行理論分析和條件對比，從而做出能耗預(yù)測。目前的地鐵能耗預(yù)測主要是針對列車本身的運行能耗進(jìn)行的測算，而車站內(nèi)的自動扶梯、空調(diào)系統(tǒng)和其它動カ設(shè)備的運營能耗并未進(jìn)行準(zhǔn)確科學(xué)的測算。顯然，為了提高能源利用率，對地鐵能耗進(jìn)行合理的預(yù)測就要考慮地鐵系統(tǒng)的總能耗，而不僅是列車本身的運行能耗。另ー方面，現(xiàn)有的能耗預(yù)測是分別在単一影響因素下進(jìn)行，然后再進(jìn)行能耗的整合，而不是根據(jù)影響因素直接對總能耗進(jìn)行預(yù)測，更關(guān)鍵的是地鐵能耗的周期性未被考慮進(jìn)去，其往往具有不確定性，并包含了大量的非線性函數(shù)，因此無法用功率計算公式精確表
/Jn ο

發(fā)明內(nèi)容
針對現(xiàn)有地鐵能耗預(yù)測模型存在的不足，本發(fā)明提出一種基于BP神經(jīng)網(wǎng)絡(luò)的地鐵能耗綜合預(yù)測方法，主要包括以下步驟第一歩，建立地鐵能耗綜合預(yù)測的神經(jīng)網(wǎng)絡(luò)模型，其中包括確定神經(jīng)網(wǎng)絡(luò)模型的輸入特征變量，神經(jīng)網(wǎng)絡(luò)模型輸出的目標(biāo)向量；第二步，確定所述神經(jīng)網(wǎng)絡(luò)模型的隱含層単元數(shù)的取值邊界；第三歩，對所述神經(jīng)網(wǎng)絡(luò)模型的參數(shù)進(jìn)行初始化；第四步，計算所述神經(jīng)網(wǎng)絡(luò)模型的學(xué)習(xí)誤差；第五歩，對所述神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，確定所述神經(jīng)網(wǎng)絡(luò)模型的隱含層単元數(shù)，從而建立用于預(yù)測地鐵能耗的BP神經(jīng)網(wǎng)絡(luò)。該方法綜合考慮了列車運行能耗以及車站運營能耗的影響因素，同時還考慮了地鐵能耗的周期性。只需輸入影響能耗的特征變量即可預(yù)測當(dāng)日的地鐵總能耗。


圖I是地鐵能耗BP網(wǎng)絡(luò)模型方案流程2是誤差分級迭代法程序框圖
具體實施例方式下面結(jié)合附圖詳細(xì)說明本發(fā)明的實施方案。本發(fā)明的方案流程圖如圖I所示，它主要包括以下五個步驟，具體實施如下步驟一確定輸入變量和目標(biāo)輸出地鐵能耗系統(tǒng)本身可看成是關(guān)于時間序列的ー個高度非線性系統(tǒng)，故可以用ー個三層的BP神經(jīng)網(wǎng)絡(luò)來對地鐵能耗進(jìn)行模擬。其模型結(jié)構(gòu)的確定，需考慮對地鐵能耗影響較 大的變量因素，并分析其用于神經(jīng)網(wǎng)絡(luò)的可行性。影響地鐵能耗的因素很多，例如地鐵站內(nèi)的燈光照明、空調(diào)設(shè)備、人流密度、環(huán)境溫度，列車的技術(shù)速度、列車的運營組織模式以及列車的基礎(chǔ)設(shè)施等。通過對以上因素進(jìn)行分析發(fā)現(xiàn)，短時期內(nèi)，列車一旦投入使用，列車的基礎(chǔ)設(shè)施以及運營組織模式將不會改變，其對地鐵能耗的變化影響可以不予考慮。而列車的滿載率又跟車站內(nèi)的人流密度密切相關(guān)，空調(diào)耗電與環(huán)境溫度也有直接的聯(lián)系。因此，我們可以對能耗的影響因素進(jìn)行屬性約簡，只需考慮環(huán)境溫度、人流密度、列車的車次密度和燈光照明四個影響因素，其中環(huán)境溫度用高于26°C的小時數(shù)來表示。影響因素考慮的越多，神經(jīng)網(wǎng)絡(luò)系統(tǒng)會越復(fù)雜和龐大，網(wǎng)絡(luò)學(xué)習(xí)時間將過長，無法達(dá)到滿意效果。上面初步確定的四個影響因素是否全部作為網(wǎng)絡(luò)的輸入特征變量，本發(fā)明采用一種基于相關(guān)系數(shù)的方法來最終確定。首先計算各影響因素的不同指標(biāo)與地鐵能耗的相關(guān)系數(shù)，相關(guān)系數(shù)絕對值的大小反映了相應(yīng)指標(biāo)影響地鐵能耗程度的大小，相關(guān)系數(shù)計算公式如下，
2^(x-x)(y-y)P=- -■■■，
JL(X-X)-(V -V)-其中，X與y分別代表影響因素指標(biāo)和地鐵能耗的樣本值J和ヌ分別為影響因素指標(biāo)和地鐵能耗樣本值的均值。然后，根據(jù)相關(guān)系數(shù)的分析結(jié)果，把相關(guān)系數(shù)絕對值較大的影響因素作為網(wǎng)絡(luò)的輸入特征變量，相關(guān)系數(shù)絕對值較小的影響因素可以忽略棹。由計算結(jié)果可知，燈光照明與地鐵能耗的相關(guān)系數(shù)顯著小于其它三個影響因素與地鐵能耗的相關(guān)系數(shù)，所以預(yù)測地鐵能耗時可以忽略燈光照明這一因素。另外，根據(jù)實際情況，考慮到地鐵的能耗具有很強的周期性變化，通常以一周為周期，周一到周五能耗顯著高于周末的能耗。所以再加入一個周變量(該變量取值為I到7的整數(shù)，代表周一到周日)。綜上，本發(fā)明把高于26°C的小時數(shù)、人流密度、列車的車次密度和周變量作為本地鐵能耗模型的輸入特征變量，即網(wǎng)絡(luò)輸入層用4個神經(jīng)單元。本能耗預(yù)測模型的目標(biāo)向量是地鐵的毎日能耗量，因此輸出層采用I個神經(jīng)網(wǎng)絡(luò)單元。步驟ニ隱含層單元數(shù)的確定
隱含層的単元數(shù)目選擇是個十分復(fù)雜的問題，往往需要根據(jù)設(shè)計者的經(jīng)驗和多次實驗來確定，因而不存在ー個理想的解析式來表示。若數(shù)目太少，網(wǎng)絡(luò)所能獲取的用以解決問題的信息太少；若數(shù)目太多，不僅增加訓(xùn)練時間，更重要的是隱含層單元數(shù)過多會導(dǎo)致學(xué)習(xí)時間過長，且誤差不一定最佳，也會導(dǎo)致容錯性差、不能識別以前沒有訓(xùn)練過的樣本，還可能出現(xiàn)所謂“過渡吻合”問題，即測試誤差増大導(dǎo)致泛化能力下降。因此合理選擇隱含層單元個數(shù)非常重要。在實際問題中，確定最佳隱含層単元數(shù)通常就是通過每種方法分別計算隱含層単元數(shù)，然后將各方法得出的隱含層単元數(shù)相比較，然后確定網(wǎng)絡(luò)最終的最佳隱含層単元數(shù)。這樣需要驗證幾十次甚至幾百次。本發(fā)明提出ー種方法由下述方法(I) (2)結(jié)合確定隱含層單元數(shù)。隱含層単元數(shù)的確定方法有以下兩種(1)%=^^^ + ^,其中Ii1為隱含層單元數(shù)，η為輸入?yún)g元數(shù)，m為輸出単元數(shù)，a為[1,10]之間的常數(shù)。其中Ii1為隱含層單元數(shù)，η為輸入?yún)g元數(shù)。通過上述方法(I)和(2)分別計算隱含層単元數(shù)的取值范圍，然后取兩個取值范圍的并集，確定隱含層單元數(shù)的取值邊界數(shù)Ii1Jiiin和Ii1Jiiax Oi1Jiiin為隱含層單元數(shù)的最小取值，H1Jiiax為隱含層單元數(shù)的最大取值)，從Ii1Jiiin開始訓(xùn)練網(wǎng)絡(luò)，逐個增加単元數(shù)，直到最大單元數(shù)Ii1Jiiaxtj這樣,只需驗證r^jiiax-nijiiin+l次,在設(shè)定姆個隱含層單元數(shù)的情況下，等網(wǎng)絡(luò)收斂后，比較在訓(xùn)練集相同的情況下各網(wǎng)絡(luò)的收斂速度。最后，根據(jù)訓(xùn)練結(jié)果得到的訓(xùn)練誤差和測試誤差來選擇隱含層最佳単元數(shù)。這樣既可以有效的減少驗證次數(shù)，又可以最快的速度找到隱含層最佳単元數(shù)。由步驟一可知，本能耗預(yù)測模型采用4個輸入神經(jīng)單元，I個輸出神經(jīng)單元。根據(jù)上述神經(jīng)網(wǎng)絡(luò)隱含層単元數(shù)的確定方法可知，隱含層単元數(shù)處于2 12之間，即最小単元數(shù)Ii1Jiiin=Z,最大單元數(shù)r^jnax=]^。通過使隱含層單元數(shù)在2 12之間中取值時，比較網(wǎng)絡(luò)的收斂速度和訓(xùn)練結(jié)果的訓(xùn)練誤差和測試誤差來選擇隱含層的最佳単元數(shù)。步驟三數(shù)據(jù)預(yù)處理及模型的初始化本發(fā)明利用某市2011年的某地鐵線路的一年(365組)的能耗記錄數(shù)據(jù)作為樣本，其中200組數(shù)據(jù)作為訓(xùn)練樣本數(shù)據(jù)，另外165組數(shù)據(jù)作為測試樣本數(shù)據(jù)。為了減少奇異樣本對神經(jīng)網(wǎng)絡(luò)性能的影響，對樣本數(shù)據(jù)進(jìn)行如下歸ー化，使其范圍在
之間。歸ー化公式為
之間的常數(shù)。公式2為H1 = Iog2Il,其中Ii1為隱含層單元數(shù)，η為輸入?yún)g元數(shù)。將由公式I和公式2分別計算獲得的隱含層単元數(shù)的取值范圍求并集，確定隱含層單元數(shù)的取值邊界Ii1Jiiin和Ii1Jiiax,其中Ii1Jiiin為隱含層單元數(shù)的最小取值,n^max為隱含層單元數(shù)的最大取值
4.如權(quán)利要求I所述的地鐵能耗綜合預(yù)測方法，在第四步中，將給定的學(xué)習(xí)誤差％分為 η 級，其中 ε i=2n_i · ε 0，(i = I, 2，…，η)，再依次取 ε ” ε 2，...，ε η( ε η= ε 0)作為收斂控制參數(shù)。
全文摘要
本發(fā)明提出一種基于BP神經(jīng)網(wǎng)絡(luò)的地鐵能耗綜合預(yù)測方法，主要包括以下步驟第一步，建立地鐵能耗綜合預(yù)測的神經(jīng)網(wǎng)絡(luò)模型，其中包括確定神經(jīng)網(wǎng)絡(luò)模型的輸入特征變量，神經(jīng)網(wǎng)絡(luò)模型輸出的目標(biāo)向量；第二步，確定所述神經(jīng)網(wǎng)絡(luò)模型的隱含層單元數(shù)的取值邊界；第三步，對所述神經(jīng)網(wǎng)絡(luò)模型的參數(shù)進(jìn)行初始化；第四步，計算所述神經(jīng)網(wǎng)絡(luò)模型的學(xué)習(xí)誤差；第五步，對所述神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，確定所述神經(jīng)網(wǎng)絡(luò)模型的隱含層單元數(shù)，從而建立用于預(yù)測地鐵能耗的BP神經(jīng)網(wǎng)絡(luò)。該方法綜合考慮了列車運行能耗以及車站運營能耗的影響因素，同時還考慮了地鐵能耗的周期性，能夠準(zhǔn)確的預(yù)測當(dāng)日的地鐵總能耗。
文檔編號G06N3/08GK102831478SQ201210277419
公開日2012年12月19日 申請日期2012年8月5日 優(yōu)先權(quán)日2012年8月5日
發(fā)明者牛麗仙, 吳忠宏 申請人:珠海派諾科技股份有限公司