趙敏華 閆婷 蘇蕤

西安建筑科技大學(xué)信息與控制工程學(xué)院

ACO-BP模型在某實(shí)驗(yàn)室熱舒適預(yù)測(cè)中的研究

趙敏華 閆婷 蘇蕤

西安建筑科技大學(xué)信息與控制工程學(xué)院

以熱舒適指標(biāo)PMV作為空調(diào)控制系統(tǒng)的控制目標(biāo)，能夠很大程度上實(shí)現(xiàn)舒適與節(jié)能的統(tǒng)一?；诖搜芯苛艘环N蟻群神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)分類(lèi)模型，并給出了詳細(xì)的設(shè)計(jì)步驟和部分Matlab設(shè)計(jì)代碼，最后采用某大學(xué)實(shí)驗(yàn)室數(shù)據(jù)庫(kù)中的夏天數(shù)據(jù)集進(jìn)行了驗(yàn)證。結(jié)果表明，采用蟻群算法對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行整定后，不僅克服了BP算法容易陷入局部最優(yōu)的缺點(diǎn)，也加快了螞蟻的收斂速度，提高了熱舒適預(yù)測(cè)分類(lèi)的準(zhǔn)確性。

熱舒適性 蟻群算法 BP 神經(jīng)網(wǎng)絡(luò) 預(yù)測(cè)分類(lèi)

0 引言

現(xiàn)代辦公建筑中人們持續(xù)工作的時(shí)間較長(zhǎng)，房間的熱舒適性與室內(nèi)空氣品質(zhì)直接影響室內(nèi)人員的工作效率和身心健康。研究表明，室內(nèi)良好舒適的環(huán)境可以使人精神愉快、提高工作效率，適宜的熱環(huán)境可提高生產(chǎn)率18%，因此，追求舒適性逐漸成了空調(diào)系統(tǒng)新的趨勢(shì)。1984年國(guó)際標(biāo)準(zhǔn)化組織（ISO）提出了室內(nèi)熱環(huán)境評(píng)價(jià)與測(cè)量的標(biāo)準(zhǔn)化方法，用PMV和PPD（預(yù)測(cè)不滿(mǎn)意百分?jǐn)?shù)）指標(biāo)來(lái)描述和評(píng)價(jià)熱環(huán)境。該指標(biāo)綜合考慮熱舒適環(huán)境的影響因素，反映了對(duì)同一環(huán)境絕大多數(shù)人的舒適感覺(jué)。采用PMV指標(biāo)作為被控參數(shù)對(duì)空調(diào)系統(tǒng)加以控制，既節(jié)省能源、又能夠保證舒適性的要求[1]。

反向神經(jīng)網(wǎng)絡(luò)（Back-Propagation network，簡(jiǎn)稱(chēng)BP網(wǎng)絡(luò)）是對(duì)非線性可微分函數(shù)進(jìn)行權(quán)值訓(xùn)練的多層前向網(wǎng)絡(luò)，主要應(yīng)用在函數(shù)逼近、模式識(shí)別、分類(lèi)和數(shù)據(jù)壓縮這幾個(gè)方面[2]。本文采用MatlabR2010a建立BP模型對(duì)實(shí)驗(yàn)室熱舒適性進(jìn)行研究。但由于神經(jīng)網(wǎng)絡(luò)在預(yù)測(cè)熱舒適指標(biāo)時(shí)存在訓(xùn)練時(shí)間長(zhǎng)、訓(xùn)練結(jié)果存在隨機(jī)性和容易陷入局部極小點(diǎn)等缺點(diǎn)，使得神經(jīng)網(wǎng)絡(luò)在應(yīng)用中受到了一定的限制。蟻群優(yōu)化算法（Ant Colony，ACO）作為一種全局尋優(yōu)能力較強(qiáng)的智能計(jì)算方法近年來(lái)受到廣泛的關(guān)注，本文將ACO與BP算法相融合共同完成神經(jīng)網(wǎng)絡(luò)訓(xùn)練，建立起一種基于ACO-BP模型的實(shí)驗(yàn)室熱舒適性模型，最后通過(guò)實(shí)例驗(yàn)證了模型的可行性。

1 數(shù)據(jù)的獲取與預(yù)處理

丹麥工業(yè)大學(xué)P.O Fanger教授提出的一種綜合性熱舒適指標(biāo)——PMV，綜合考慮了影響人體熱舒適的六大因素。熱舒適條件應(yīng)滿(mǎn)足關(guān)系[3]：-0.5

表1 根據(jù)PMV-PPD分度值對(duì)PMV值范圍分類(lèi)表

本文數(shù)據(jù)來(lái)自西安建筑科技大學(xué)“智能建筑環(huán)境技術(shù)平臺(tái)”熱舒適指標(biāo)數(shù)據(jù)庫(kù)中的夏天數(shù)據(jù)集，該數(shù)據(jù)集包含三種不同類(lèi)別的PMV值范圍共200個(gè)樣本數(shù)據(jù)，每個(gè)樣本均由空氣溫度、平均輻射溫度、相對(duì)濕度、空氣流動(dòng)速度、人體新陳代謝率和服裝熱阻共6個(gè)特征值組成，所有值均已知。因此構(gòu)建的模型包括6個(gè)輸入，設(shè)人體對(duì)外所做機(jī)械功為0，表示在靜坐狀態(tài)下。200個(gè)樣本根據(jù)PMV值范圍共分為三類(lèi)，第一類(lèi)62個(gè)，第二類(lèi)83個(gè)，第三類(lèi)55個(gè)，根據(jù)表1令模型輸出1、2、3分別表示三類(lèi)PMV值范圍，其中2表示舒適。從三類(lèi)PMV值中共取100個(gè)樣本數(shù)據(jù)作為訓(xùn)練樣本，剩余100個(gè)作為測(cè)試樣本。表2和表3是部分輸入和輸出樣本數(shù)據(jù)。

表2 訓(xùn)練樣本的部分輸入值

表3 訓(xùn)練樣本的部分輸出值

2 ACO-BP模型的建立

神經(jīng)網(wǎng)絡(luò)的泛化能力是由網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)和權(quán)值共同決定的。神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)設(shè)計(jì)與待求解問(wèn)題的具體形式有很大關(guān)系，本文重點(diǎn)討論當(dāng)網(wǎng)絡(luò)結(jié)構(gòu)確定以后，神經(jīng)網(wǎng)絡(luò)的權(quán)值訓(xùn)練方法問(wèn)題。

2.1 基本思想

針對(duì)BP算法容易陷入局部極小的不足，本文提出了ACO-BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練方法。神經(jīng)網(wǎng)絡(luò)訓(xùn)練過(guò)程可看作一個(gè)最優(yōu)化問(wèn)題，即找到一組最優(yōu)的實(shí)數(shù)權(quán)值組合，使得在此權(quán)值下輸出結(jié)果與期望結(jié)果之間的誤差最小，蟻群算法成為尋找這一最優(yōu)權(quán)值組合的較好選擇。

ACO-BP方法首先利用ACO的全局尋優(yōu)能力為BP提供σ（σ≥1）組較優(yōu)的初始權(quán)值組合，以克服BP算法容易陷入局部最優(yōu)、對(duì)初值設(shè)置較敏感的缺點(diǎn)；再利用BP算法梯度下降的原理進(jìn)一步“細(xì)調(diào)”權(quán)值，尋找真正的全局最優(yōu)點(diǎn)，以克服由于對(duì)定義域進(jìn)行分割帶來(lái)的量化誤差和單一蟻群算法訓(xùn)練網(wǎng)絡(luò)耗費(fèi)時(shí)間過(guò)長(zhǎng)的不足。

在應(yīng)用ACO前先將所有權(quán)值的定義域均勻地劃分成若干子區(qū)域，每個(gè)子域邊界的點(diǎn)就是一個(gè)備選權(quán)值。初始時(shí)刻，每一個(gè)點(diǎn)有相同的信息素量。每個(gè)權(quán)值都有一張信息素表，如表4所示。表中wi為第i個(gè)需要優(yōu)化的權(quán)值；ai為劃分刻度值，被看作是一個(gè)點(diǎn)；τ(i)為ai所對(duì)應(yīng)的信息素量；spn為候選點(diǎn)的個(gè)數(shù)，即定義域被劃分了（spn-1）份數(shù)。螞蟻從每一個(gè)權(quán)值的子區(qū)域穿過(guò)且僅穿過(guò)一次，并記錄相應(yīng)點(diǎn)的標(biāo)號(hào)。這些子區(qū)域的組合構(gòu)成了神經(jīng)網(wǎng)絡(luò)的一組權(quán)值。根據(jù)輸入輸出樣本得到誤差值，再根據(jù)誤差值的大小進(jìn)行信息素（見(jiàn)表4）的更新。

表4 wi權(quán)值信息素表

2.2 具體步驟

在反傳神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)已確定的情況下，采用ACO-BP方法訓(xùn)練神經(jīng)網(wǎng)絡(luò)的具體步驟如圖1[4]。

步驟1：初始化。將權(quán)值區(qū)間[Wmin,Wmax]均勻分割spn等分。為每一個(gè)參數(shù)建立一張如表4所示的信息素表，設(shè)置信息素初值τ0，信息素?fù)]發(fā)系數(shù)ρ，信息素增量強(qiáng)度Q，ACO的最大迭代次數(shù)NACO，BP算法的學(xué)習(xí)率η，BP算法的最大迭代次數(shù)NBP，訓(xùn)練誤差退出條件E0，最優(yōu)解保留數(shù)目σ等參數(shù)。

步驟2：釋放m只螞蟻。螞蟻k依據(jù)如下概率公式從一點(diǎn)移動(dòng)到下一點(diǎn)。

螞蟻記錄所經(jīng)過(guò)點(diǎn)的標(biāo)號(hào)，即為該權(quán)值選擇一個(gè)數(shù)值，并記錄在tabuk中。當(dāng)螞蟻為所有權(quán)值參數(shù)選擇值后，螞蟻完成了一次遍歷，記錄的所有值構(gòu)成了該神經(jīng)網(wǎng)絡(luò)的所有參數(shù)。輸入訓(xùn)練樣本，得到相應(yīng)的輸出，計(jì)算誤差E。

步驟3：所有螞蟻構(gòu)造解以后記錄誤差較小的σ組權(quán)值，并比較最小的誤差Emin與E0的大小。如果Emin≤E0轉(zhuǎn)到步驟7，否則轉(zhuǎn)步驟4。

步驟4：信息素更新。按照“精英”更新策略對(duì)信息素按下式進(jìn)行更新：

其中

步驟5：重復(fù)步驟2到步驟3，直到滿(mǎn)足最大迭代次數(shù)，轉(zhuǎn)步驟6。

步驟6：采用BP算法進(jìn)一步訓(xùn)練神經(jīng)網(wǎng)絡(luò)。將蟻群算法找到的σ組最好權(quán)值分別作為BP算法的初始權(quán)值，計(jì)算網(wǎng)絡(luò)輸出和實(shí)際輸出之間的誤差：

yjk為單元j的實(shí)際輸出?？傉`差為：

并將誤差由輸出層反向傳播到輸入層，按圖1所示過(guò)程調(diào)整權(quán)值。重復(fù)以上過(guò)程，直到滿(mǎn)足停止條件。

圖1 ACO-BP算法流程圖

步驟7：采用驗(yàn)證樣本對(duì)訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)的泛化能力進(jìn)行檢驗(yàn)，如果驗(yàn)證誤差滿(mǎn)足要求，退出程序；否則轉(zhuǎn)步驟1，重新開(kāi)始訓(xùn)練。

3 仿真實(shí)驗(yàn)與結(jié)果分析

為了比較ACO算法對(duì)BP模型參數(shù)選取的重要性，將粒子群算法（PSO）也引入BP模型參數(shù)的選取中。采用變步長(zhǎng)算法對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，直到網(wǎng)絡(luò)各單元的連接權(quán)值趨于穩(wěn)定，總誤差平方和小于0.001，訓(xùn)練結(jié)束。網(wǎng)絡(luò)從學(xué)習(xí)樣本中抽取了因果關(guān)系，建立了一個(gè)由人體熱舒適感影響因素到PMV指標(biāo)的映射的神經(jīng)網(wǎng)絡(luò)[5]。兩個(gè)模型的網(wǎng)絡(luò)訓(xùn)練收斂過(guò)程如圖2和圖3所示。

圖4和圖5是兩種模型的最優(yōu)分類(lèi)結(jié)果圖。從圖中可以看出，ACO-BP分類(lèi)結(jié)果優(yōu)于PSO-BP，最好結(jié)果達(dá)到100%，PSO-BP最好達(dá)到99.333%。

圖2 網(wǎng)絡(luò)訓(xùn)練收斂過(guò)程

圖3 網(wǎng)絡(luò)訓(xùn)練收斂過(guò)程

圖4 基于PSO-BP模型的預(yù)測(cè)分類(lèi)結(jié)果

圖5 基于ACO-BP模型的預(yù)測(cè)分類(lèi)結(jié)果

表5給出了兩種模型20次預(yù)測(cè)結(jié)果平均準(zhǔn)確率和運(yùn)行時(shí)間，從表中看出ACO-BP的預(yù)測(cè)平均率高于PSO-BP，其結(jié)果比PSO-BP高0.6224%。從運(yùn)行時(shí)間來(lái)看，ACO-BP模型運(yùn)行時(shí)間要比PSO-BP長(zhǎng)，但是考慮到在搜索σ組較優(yōu)的權(quán)值組合和尋找真正的全局最優(yōu)點(diǎn)以及現(xiàn)有高級(jí)計(jì)算機(jī)的運(yùn)行效率，這種時(shí)間級(jí)的運(yùn)行代價(jià)將更小，因此采用ACO算法對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行整定，不僅保證了預(yù)測(cè)精確度，而且高效。

表5 兩種模型預(yù)測(cè)結(jié)果對(duì)比

4 結(jié)語(yǔ)

本文研究了基于ACO-BP的實(shí)驗(yàn)室熱舒適性分類(lèi)模型，文中給出了模型的詳細(xì)設(shè)計(jì)步驟，并給出了部分Matlab代碼。最后的實(shí)驗(yàn)表明，將ACO算法引入到BP模型中尋找最優(yōu)參數(shù)，并將其應(yīng)用到某大學(xué)實(shí)驗(yàn)室熱舒適性分類(lèi)是可行的，對(duì)提高BP模型的分類(lèi)準(zhǔn)確率是有效的，此模型也可以推廣到其他分類(lèi)預(yù)測(cè)中。

[1]王丹,曹紅奮.基于PMV控制目標(biāo)的舒適性空調(diào)應(yīng)用研究[J].潔凈與空調(diào)技術(shù),2011,2(3):8-11

[2]申歡迎.基于PMV指標(biāo)的舒適空調(diào)模糊控制系統(tǒng)仿真研究[D].成都:西南交通大學(xué),2004

[3]羅婷.基于PMV指標(biāo)的室內(nèi)熱舒適控制方法的應(yīng)用研究[D].濟(jì)南:山東建筑大學(xué),2009

[4]牛玉磊.ACO-BP在拱壩變形監(jiān)測(cè)中的應(yīng)用[J].淮海工學(xué)院學(xué)報(bào),2011,9(12):95-97

[5]楊洪祥.基于廣義預(yù)測(cè)的變風(fēng)量空調(diào)末端仿真與控制研究[D].北京:北京工業(yè)大學(xué),2009

Re s e a rc h ACO-BP in a La bora tory Mode l to Pre dic t the The rm a l Com fort

ZHAO Min-hua,YAN Ting,SU Rui
Information and Control Engineering,Xi’an University of Architecture and Technology

Taking thermal comfort index PMV as a control target of air-conditioning control system,comfort and energy efficiency can be achieved largely unified.An ant colony neural network predictive classification model was developed, and a detailed design steps and some Matlab design code was given.Finally,the model was verified by a university laboratory database summer datasets.The results showed that the use of ant colony algorithm BP neural network tuning, BP algorithm not only overcome the shortcomings easy to fall into local optimum,but also accelerate the convergence speed of ants to improve the accuracy of prediction classification.

thermal comfort,ant colony algorithm,BP neural network,prediction classification

1003-0344（2015）05-073-4

2014-5-5

閆婷（1989～），女，碩士研究生；陜西省西安市碑林區(qū)雁塔路13號(hào)（710055）；E-mail:531804252@qq.com

陜西省教育廳自然科學(xué)研究項(xiàng)目基金（12JK0999）；西安建筑科技大學(xué)科技計(jì)劃項(xiàng)目（JC1215）