基于DE-BP算法的空调负荷预测研究

建立了基于BP神经网络理论的空调系统负荷预测模型.针对BP神经网络参数优化过程中容易陷入局部最优的缺陷,采用差异演化算法(differential evolution algorithm,DE)对其进行优化,以提高预测精度.结合具体实例进行空调冷负荷预测,并与采用遗传算法、蚁群算法、粒子群算法对BP神经网络进行参数优化的仿真实验结果对比表明,由DE-BP算法所具有较好的预测性能.     

基于改进型BP神经网络的大型CCHP系统负荷预测研究

为了解决BP神经网络在预测空调负荷时存在的学习速度慢、维数灾难、容易陷入局部收敛及无法保证全局收敛最优解等问题,首先采用Spearman秩相关系数分析冷负荷的主要影响因素,确定了动态冷负荷预测模型的输入参数,然后构建复合遗传算法的改进型GA-BP神经网络预测模型,并分别利用BP和GA-BP神经网络模型对位于上海的某大型区域CCHP系统进行了冷负荷预测。结果显示:利用Spearman秩相关系数分析,可缩短模型训练时间,规避维数灾难,提高预测精度;相对BP神经网络预测结果,GA-BP神经网络避免了局部收敛,明显提高了模型的预测精度。     

基于小波变换的神经网络空调负荷预测研究

基于小波变换的思想建立了递归BP网络模型来预测空调负荷,改进了网络权值、闽值的修改算法,引入了折扣系数法以提高近期预测精度,结合一实例进行了空调逐时冷负荷预测,结果表明该方法预测精度高,适用于空调负荷预测。     

基于FCM优化神经网络的办公楼空调负荷预测

空调负荷预测对于优化空调系统运行具有重要指导价值,本文针对传统神经网络在预测空调负荷时精度较低、泛化能力弱和物理意义不明晰的缺点,建立了模糊C均值算法(Fuzzy C-means)优化的BP神经网络复合模型。模型先采用FCM算法对输入参数进行聚类,针对不同类建立BP神经网络预测模型,将待测样本分类后进行预测,最后使用决策树算法筛选预测结果中聚类不佳的部分进行加权优化。以珠海某办公楼空调系统实际运行数据为例验证了模型,结果显示随机负荷样本预测的精度指标即标准差率(Coefficient of Variance)为0.191相较于不聚类神经网络提高了51.4%;典型工作日、休息日日均负荷样本预测标准差率为0.08和0.14相对于不聚类神经网络则分别提高了73.0%和39.7%。     

基于生成对抗网络的深度Q学习空调冷负荷预测算法

针对传统预测算法在商场空调冷负荷预测中存在数据样本不足和预测精度低的问题,提出了一种基于生成对抗网络的深度Q学习的算法预测商场的空调冷负荷。利用生成对抗性网络生成与历史冷负荷数据相似的冷负荷数据,通过生成对抗网络解决真实负荷数据样本不足的问题。然后,利用深度Q学习网络预测未来时刻空调冷负荷数据。为了验证算法的有效性,以西安某商业建筑的空调冷负荷数据为例进行实例分析,实验结果表明,与单一深度Q学习网络预测算法相比,所提算法提高了负荷预测的精度,减小了误差,具有较高的可靠性,满足实际工程需求。     

基于BP神经网络模型的大型公共建筑冷负荷预测

本文对BP神经网络的构成、算法设置及BP模型的预测步骤进行介绍,并以深圳某一大型公共建筑为例进行了负荷模拟,将BP神经网络模型应用到冷负荷预测活动中,数值模拟结果表明BP神经网络模型对负荷与各输入变量有很好的映射能力。     

基于长短期记忆网络的短期空调冷负荷预测

提出了一种基于长短期记忆网络(LSTM)的短期空调冷负荷预测模型,仅采用历史负荷数据预测未来1 d的逐时冷负荷.通过与传统的BP神经网络模型进行对比,验证其准确性.为了进一步提高模型预测精度,对网络结构(包括输入层、输出层及隐含层神经元数量)与预测策略进行了优化,获得最优的预测模型.结果表明,基于LSTM的预测模型可实...     

大型商场建筑夏季冷负荷动态预测模型

夏季建筑冷负荷的正确预测是实现大型复杂中央空调优化运行、节能降耗的关键。笔者探讨了商场建筑冷负荷的主要影响因素,确定了建筑动态冷负荷预测模型的输入,提出了夏季基于新风机组供电频率的商场顾客率间接测量方法,解决了商场内顾客量难以检测的难题。还提出了AFC-HCMAC神经网络预测模型算法,实现了大型商场建筑冷负荷的动态预测。仿真结果表明:顾客率在商场冷负荷预测中占有重要地位,在冷负荷预测模型中增加商场顾客率可显著提高预测精度;AFC-HCMAC神经网络预测算法与传统的HCMAC神经网络算法比较,可有效降低神经网络节点数,提高预测精度。     

人工神经网络在商场建筑物冷负荷预测中的应用

对空调系统进行冷负荷预测是对冰蓄冷系统进行优化控制的重要前提与基础。经过对各种预测方法的结果比较 ,人们发现人工神经网络预测的结果更接近实际值。基于人工神经网络的通用BP( Back Propagation)算法编制的程序 ,实际对一栋采用冰蓄冷空调的商场性质建筑物进行冷负荷预测并加以评价。此程序采用 Visual Basic编制 ,含有 7个输入层以及 1个输出层 ,利用通用 BP算法。结果显示利用人工神经网络预测建筑物冷负荷比较可靠。     

空调负荷混沌特性分析与预测

影响空调负荷因素比较多,且难于确定和提取,这就造成空调负荷的拟合和预测精度较低.在对空调负荷时间序列混沌特性分析的基础上,利用嵌人相空间来确定前期影响因子,建立了基于混沌相空间技术的BP神经网络模型.模型既能考虑到影响空调负荷时间序列的动力因子,又能解决网络输入单元数确定的困难,并能利用神经网络超强的非线性映射功能,结合空调负荷实例的拟合与预测,表明其结果合理,预测精度较高.     

基于改进PSO-BP神经网络的冰蓄冷空调冷负荷动态预测模型

当前多数冰蓄冷空调冷负荷动态预测方法中,由于模型输入变量与输出结果相关性差、信息冗余度高等原因,导致多数预测模型在预测精度和收敛速度方面都未达到理想的预测效果,因此,提出一种改进的PSO-BP神经网络算法预测大型公共建筑的冷负荷。对于输入变量与输出结果采用灰色关联度分析,消除样本输入变量对数的耦合性,确定影响冰蓄冷空调系统冷负荷的关键性因素,将其作为输入变量,预测冰蓄冷空调系统动态冷负荷。结果表明：T时刻室外空气温度、T-1 h时刻室外空气温度、T时刻室外空气湿度、T时刻太阳辐射强度、T-1 h时刻太阳辐射强度、T-1 h时刻空调冷负荷是影响T时刻冰蓄冷空调系统冷负荷的关键因素,并以此作为预测模型的输入变量。相对于传统PSO-BP神经网络全输入变量预测算法,该模型预测结果精确度更高、收敛速度更快。     

基于小波神经网络冰蓄冷空调负荷预测

为了节省冰蓄冷中央空调系统的运行费用,准确地预测空调冷负荷是必不可少的。采用db1小波对冰蓄冷空调冷负荷序列进行分解,分别对低频和高频序列采用BP网络进行预测,将预测结果进行叠加得到最终预测值。结合实例进行了空调逐时冷负荷预测,通过小波-BP网络与BP网络预测结果的对比,可知小波-BP网络预测的效果更好。     

蓄能空调需求响应时段负荷和储释能时长预测

空调参与需求响应能够提高电力系统的稳定性。考虑主动储能的需求响应是通过准确预测蓄能罐的储能、释能时长以及系统的运行负荷来保障策略的合理性和高效性。为此,搭建TRNSYS仿真实验平台获取数据,采用相关性分析和主成分分析,选择输入变量并对其降维,比较5种机器学习算法(BP神经网络、RBF神经网络、广义回归神经网络、Elman神经网络和支持向量回归)对空调系统未来1 h和24 h的静态负荷预测。选择Elman神经网络预测蓄能罐的储、释能时长并利用改进的粒子群优化算法进一步优化,对未来1 h和24 h负荷进行滚动预测。结果表明:相关性分析+主成分分析能提高模型的预测精度,Elman神经网络预测精度最高,利用改进的粒子群算法优化后,该模型对未来1 h和24 h负荷预测的拟合优度R~2值分别从0.790和0.972提高到0.845和0.975;利用Elman神经网络预测储、释能时长R~2值分别为0.993和0.984。     

空调系统负荷分段预测与研究

为了改善空调系统的能源消耗,根据空调系统实际运行时的环境数据和负荷数据,采用神经网络的方式建立空调系统的负荷预测模型,通过负荷预测得到博物馆所需的空调负荷,以此作为空调系统节能优化的基础。根据BP神经网络具有的非线性特性以及强大的自学习自适应能力,对博物馆的空调负荷进行预测,建立基于BP神经网络的负荷预测模型,分析研究仿真得到结果,发现其不足之处主要体现在准确性上,之后对神经网络后改进进行分段预测,将通过仿真实验预测的结果与实际运行的负荷进行对比,结果表明改进后预测的结果具有较好的准确性。     

基于支持向量机的建筑物空调负荷预测模型

建立了基于支持向量机(SVM)理论的建筑物空调负荷预测模型.对广州地区某办公楼夏季不同月份的逐时空调负荷,分别用SVM模型和BP神经网络模型进行了训练和预测.仿真结果表明,SVM模型具有更高的预测精度和更好的泛化能力,是建筑物空调负荷预测的一种有效方法.     

基于PCA-PSO-BP神经网络的住宅供热逐时负荷预测

为了准确预测供热负荷,提出了一种基于主成分分析法和粒子群优化算法改进的BP神经网络(PCA-PSO-BP)预测模型。首先利用主成分分析法融合影响热负荷的特征指标,消除指标之间的冗余性和相关性;同时采用粒子群算法优化BP神经网络的初始权值和阈值,克服了BP神经网络容易陷入局部最优的缺陷,提高了BP神经网络的预测精度。基于北京某居住建筑供热系统的实际运行数据,对模型的性能进行了验证。仿真结果表明,改进的模型预测精度提高了4.07%。     

基于PCA法的BP网络对冰蓄冷系统的空调负荷预测

BP神经网络应用于空调负荷预测时,如果输入变量较多或变量间存在相关关系,会直接影响BP神经网络的预测准确性。针对此问题,采用主成分分析(PCA)法,在保留原始数据主要信息的前提下提取数据的主要成分。根据各主成分的贡献率对神经网络输入变量进行缩减,达到压缩变量维数的目的。然后将主成分输入到负荷预测的模型之中进行预测,使之更符合空调负荷预测的特点,提高预测的速度和精度。最后通过实际算例进行验证,实验结果表明,该方法确实可行。     

基于模糊神经网络变风量空调系统风量预测研究

总风量控制法自提出后,由于其末端动作频繁、通信量大、控制复杂而一直处于研究完善阶段。在空调室的神经网络预测控制系统得出满意的动、静态性能的基础上,将模糊控制与BP神经网络结合,建立了模糊神经网络,对变风量空调系统的风量进行预测,使它们有效地发挥各自的优势并弥补各自的不足,提高了预测的精度。预测结果表明这种改进的控制方式在空调系统的负荷预测方面是有效的、可行的。     

mRMR和PSO算法对神经网络预测模型优化效果

提出利用最大相关和最小冗余(mRMR)算法、粒子群优化(PSO)算法,对BP神经网络预测模型进行优化。对某住宅楼进行供热负荷预测,评价3种神经网络预测模型(BP神经网络预测模型、mRMR-BP神经网络预测模型、PSO-mRMR-BP神经网络预测模型)的预测效果。在3种神经网络预测模型中,BP神经网络预测模型的预测效果最差,PSO-mRMR-BP神经网络预测模型的预测效果最佳。与BP神经网络预测模型相比,经过mRMR算法对输入变量进行筛选以及PSO算法对初始参数进行优化,PSO-mRMR-BP神经网络预测模型的预测效果显著提高。     

基于神经网络的空调系统负荷预测研究

以北京某建筑的空调系统作为实例研究对象,在所采集的3年实测数据基础上,主要探讨了基于ELMAN神经网络的日冷负荷预测方法和误差。用多元线性回归方法分析了日冷负荷神经网络预测模型输入参数对输出结果的影响度。最后经实验验证,以3周以上历史数据为训练集经多次预测后取平均值,具备较高的预测精度,同样可以指导工程实际设计。