区域能源站空调负荷的实时预测研究

在现有单体建筑空调负荷预测的研究基础之上,分析区域建筑群实时空调负荷的特点,确定了区域建筑群实时空调负荷的影响因子,并对武汉某区域能源站的逐时空调负荷进行了预测。将室外气象参数、不同功能建筑的影响因素作为输入端,把25 d的历史数据作为样本参数进行训练,并对预测日24 h的空调负荷进行预测,将工作日和周末的负荷预测结果进行了对比分析,发现负荷预测值与实际值较吻合,可以作为其他区域能源站的参考。     

空调运行负荷预测方法的研究综述

空调运行负荷预测是空调系统优化控制的关键技术。为了充分了解该领域内已有的研究成果,开展更深入的探索和应用研究,本文对空调负荷预测国内外研究现状进行分析总结。简述运行阶段空调负荷预测的概念和意义,将其与设计阶段负荷预测进行比较,阐明空调运行负荷预测的特点。对比分析预测理论的黑箱方法和白箱方法,指出空调运行负荷预测的适用方法和关键问题。综述目前空调运行负荷预测模型的建模方法和影响因素,比较各种建模方法的优缺点,探讨了影响因素的选取和作用。指出现有研究的不足之处,提出有效利用建模的新技术、重视负荷的内在因素分析、加强模型的自适应研究是未来空调运行负荷预测的发展方向。     

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。     

基于深度学习LSTM模型的短期空调负荷预测

通过预测空调负荷,提前改变空调运行状态可以有效提高空调系统的运行效率、改善室内热环境.本文提出基于深度学习LSTM模型短期空调负荷预测方法,对某建筑空调冷负荷进行预测,结果证明相对于传统预测模型,LSTM模型的误差更低,预测效果更好.     

基于Census X12-GM(1,1)模型的在线空调负荷预测

在线空调负荷预测是冰蓄冷空调系统优化控制的前提和基础。本文在对Census X12季节调整和GM(1,1)灰色预测模型特点进行分析的基础上,提出将两者融合用于空调负荷的在线预测。该方法用于一栋采用冰蓄冷系统的商业建筑的空调负荷预测,并与采用X12-ARIMA方法和单独采用GM(1,1)方法的预测结果进行比较,结果表明该建模方法具有较高的预测精度和较好工程适应性。     

基于粒子群神经网络的空调冷负荷短期预测

为提高空调冷负荷预测精度,本文提出了基于PSO-BP算法的神经网络模型。将PSO算法与BP神经网络相结合,对大型商场的空调样本数据进行冷负荷预测实验。结果表明,与BP神经预测算法相比,该算法的预测精度更高,运行速度更快。     

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。     

机理计算与机器学习结合的空调负荷预测

文章提出了一种机理计算与神经网络学习相结合的在线负荷预测方法。利用Python建立了统计学预测模型、支持向量机预测模型、随机森林预测模型。并通过将溧阳某一建筑实际空调负荷数据逐步输入模型之中模拟建筑的实时运行,对1年内和1年后的泛化能力进行分析。模拟结果表明,随着实际负荷数据的逐步增加,通过在线学习逐步完善性能,可以快速建立建筑的空调负荷预测模型。机器学习预测空调负荷的方式扩大了负荷预测的使用范围,提高了冷冻站智能化运行的水平。     

空调运行负荷的混沌特性分析及GRNN混沌预测方法研究

准确预测空调运行负荷是实际建筑实现空调系统优化控制的关键。本文以海南三亚市2座五星级宾馆的空调运行负荷实测数据为基础,应用混沌理论分析空调运行负荷的混沌特性,利用广义回归神经网络(GRNN)建立混沌预测模型,对提前1 h和提前24 h的短期预测效果进行验证。研究结果表明:2座宾馆的空调运行负荷均具有混沌特性,在不规则的变化趋势中蕴含着内在规律,可以利用混沌预测方法对负荷进行预测;基于GRNN的混沌预测模型具有建模简单、鲁棒性好的优点,提前24 h的多步预测采用迭代法优于直接法,2座宾馆的提前1 h预测的期望偏差百分数(EEP)分别为6.1%和8.2%,提前24 h迭代预测的EEP值分别为8.5%和10.8%,仅基于历史负荷数据就可以实现较满意的预测精度。     

基于负荷预测的中央空调节能控制

结合对空调冷负荷进行预测的必要性,通过具体工程实例介绍了基于负荷预测的中央空调节能控制,阐述了冰蓄冷空调系统优化控制的一般过程,给出了进行负荷预测的方法及基于负荷预测的中央空调优化控制方案。     

基于模糊信息粒化和支持向量机的空调负荷预测

为提高空调负荷预测精度,预测空调负荷的平均值和波动范围,本文提出了一种基于模糊信息粒化和支持向量机相结合的空调负荷组合预测方法。该方法首先对原始数据模糊信息粒化处理,提取各窗口信息,其次应用支持向量机原理建立模型,采用交叉验证的方法对相应参数进行寻优,最后使用优化支持向量机模型对实测空调负荷进行预测。实例分析结果表明,该预测方法更为精简,可以有效的对空调负荷的平均值和波动范围进行组合预测。     

基于多元非线性回归法的商场空调负荷预测

提出了一种基于多元非线性回归的商场空调负荷预测快速建模方法,采用实际用能系数描述不同时刻商场空调的负荷特性,建立了空调负荷预测模型,在提高预测建模速度的同时很大程度上避免了由于训练样本不完备而导致的预测精度波动。利用广州某商场空调负荷的实测数据进行了仿真实验,得到空调负荷与其影响因素之间的多元非线性拟合方程。揭示各种因素对空调负荷的影响规律,仿真结果验证了该方法的有效性和可行性。     

建筑物沉降预测的改进Verhulst模型研究

为进一步提高灰色Verhulst模型的预测精度,将LS-SVM算法与灰色Verhulst模型相结合,对灰色Verhulst模型的参数估计方法和预测方法进行了改进。该方法采用LS-SVM算法,构造以背景值序列和原始序列为训练样本的LS-SVM,将Verhulst模型参数的估计问题转化为灰色LS-SVM的参数估计问题,依据LS-SVM算法求得灰色LS-SVM的参数,进而得到Verhulst模型的参数估计,方法上遵循了结构风险最小化原则,适合Verhulst小样本建模的特点。将改进的模型应用于软土地基建筑物的沉降预测,结果表明本文的方法是可行的且有效的,比传统方法预测精度高。     

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PSO-SA优化的LSSVM空调负荷预测

对空调负荷进行准确预测不仅对优化空调控制的意义重大,也是实现空调经济运行与节能的关键所在。为了提高建筑空调负荷的预测精度,在分析最小二乘支持向量机建模特点的基础上提出了利用PSO-SA优化的一种空调负荷预测算法。该方法利用粒子群—模拟退火方法对最小二乘支持向量机的参数进行优化选择,提高模型的精度和泛化能力。通过空调负荷预测建模的结果表明,该方法具有学习速度快、跟踪性能好以及泛化能力强等优点,为实现空调系统的优化运行奠定了基础。     

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.     

在线学习神经网络用于空调负荷预测研究

提出了一种机理计算与神经网络学习相结合的在线负荷预测方法。利用Python建立负荷估算模型和BP神经网络模型,并通过将常州某一建筑实际空调负荷数据逐步输入模型之中模拟建筑的实时运行,对一年内和一年后的泛化能力进行分析。模拟结果表明,此种在线预测模型可以解决小样本条件下的空调负荷的预测问题。     

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。