基于VMD-CIGWO-BP-DTA算法的空调负荷预测

提出一种Circle混沌化灰狼算法(CIGWO)优化BP神经网络与变分模态分解(VMD)结合的预测模型(VMD-CIGWO-BP-DTA)，对蓄能空调负荷进行预测分析。采用CIGWO算法对BP神经网络模型寻优得到最优神经元阈值和权值，将其与多种单一模型进行实验比较，CIGWO-BP模型预测精度最高。采用变分模态分解(VMD)对单一模型的预测残差进行分解，利用决策树(DTA)模型对分解量预测，将其与原模型预测值合并为最终预测结果，预测精度均有较大提升，其中VMD-CIGWO-BP-DTA模型的MAE、MAPE和RMSE相较于CIGWO-BP模型分别降低了20.79%、45.58%、55.12%。

实验动物作为在医药、生物工程等研究领域不可或缺的实验载体，其饲养环境要求严格，必须通过大量的新风对室内受污染空气进行稀释，造成了实验动物房空调系统耗电量极高的问题[1]。蓄能空调通过提前蓄能的方式可以达到削峰填谷、减少运行费用的目的，但由于传统的蓄能空调通常基于典型负荷工况进行储能， 无法根据实际天气情况和运行状态变化进行精准的控制， 存在空调蓄能不足或过量的问题[2]。

基于数据挖掘的方法可以对建筑负荷与天气及人员活动规律等因素的关系进行挖掘，根据工况对负荷进行预测，实现对蓄能空调系统的精确控制，缓解用能紧张的状况并降低运行费用[3]。由于空调负荷受到天气和人员活动规律等复杂非线性因素影响，需要采用可以更好处理非线性关系的模型对建筑负荷进行预测，目前常见的负荷预测方法主要有支持向量机、神经网络和随机森林以及其他统计算法[4] [5] [6]。BP (Back Propagation) [7]神经网络以其强大的非线性映射、自学习、泛化、容错能力得到的广泛应用，但随着BP 神经网络模型应用的越来越频繁，其收敛时容易陷入局部最优解问题也暴露了出来。为了解决此类问题，Chen [8]等采用多种参数优化方法的BP 神经网络来预测能耗，对各种优化算法的特点进行了比较，通过自适应权重粒子群算法优化的神经网络被证明在预测能源消耗方面是最准确的。侯勇严[9]等用灰狼优化算法(GWO)对BP 网络的初始权值和初始阈值进行优化，并对电网发电量进行预测， 与传统BP 和GA-BP 算法相比，精度分别提高了0.63%和0.32%。

以上优化算法在很大程度上避免了BP 神经网络陷入局部最优化，但由于其优化算法中粒子位置随机的生成，它们在预测准确度方面仍然不尽人意[10]。VMD [11]算法是一种对复杂信号进行分解并提取局部特征的信号处理方法， 其对非线性负荷信号的分解能力强。于军琪[12]等利用VMD 算法分解负荷序列，分别采用LSSVM、XGBoost 模型建立负荷的非线性、线性子序列模型，重构叠加各子序列预测结果得到预测结果，仿真实验结果表明了该模型的预测精度有所提升。

本文采用Circle 混沌序列[13]对灰狼算法[14]的灰狼个体位置更新方式进行优化，并对BP 神经网络模型神经元阈值和权值进行寻优， 增加BP 神经网络更新自身权值与阈值过程中跳出局部最优化的概率， 使用VMD 算法将CIGWO-BP 模型残差分解为多个相对平稳的子序列，并通过DTA 模型对子序列进行预测后重构，与CIGWO-BP 模型预测结果构成最终预测值，进一步提升模型的泛化能力和鲁棒性，为实