供热系统换热站供热参数预测模型对比分析

通过相关性分析确定了集中供热系统换热站供/回水均温的影响因素,进一步依据最小二乘拟合计算得到预测模型中历史供热参数的最佳周期,同时结合室外空气温度和室内温度作为模型输入参数,运用Matlab仿真模拟软件建立广义回归神经网络(GRNN)、Elman递归神经网络(Elman)以及多元线性回归(MLR)预测模型,分别对未来18个时刻的供/回水均温进行仿真验证。分析预测结果发现,MLR预测模型的精度最高,GRNN预测模型精度略低于M LR,而Elman模型预测精度最低。     

热力站日供热量神经网络预测模型比较与分析

依据北京某热力站运行数据、气象参数，采用BP神经网络，建立日供热量预测模型，对输入变量、隐含层神经元数量的影响进行分析。当隐含层神经元数量设定为10,输入变量为日平均室外温度、日平均风速、前1日供热量、日最低室外温度、日最高室外温度、前2日供热量、前3日供热量时，预测模型的预测效果最佳。输入层神经元数量为3时，由于输入变量不足，预测模型的预测效果最差。当输入变量为日平均室外温度、日平均风速、前1日供热量、日最低室外温度、日最高室外温度、前2日供热量、前3日供热量时，隐含层神经元数量达到最多时(为15)的预测模型预测效果最佳。隐含层神经元数量并非越多越好，在实际应用中，应选取多个隐含层神经元数量，根据预测效果选取合适的隐含层神经元数量。     

MLP神经网络在供暖室内温度预测的应用

将济南市供热用户作为研究对象,将供热介质流量、供水温度、回水温度、室外温度作为输入参数,利用SPSS MODELER软件建立基于MLP神经网络的室内温度预测模型,对预测模型的构建及预测效果后评价结果进行分析。预测效果验证结果显示,预测室内温度与实测室内温度的平均相对误差为-2. 27%,基本符合要求。     

利用人工神经网络预测火灾下管桁架的温度

3层反向传播(BP)神经网络已用于预测火灾下平面管桁架钢的极限温度。网络模型的输入参数有直径比(β)、墙宽厚比(τ)、径厚比(γ)和荷载比,输出参数有极限温度。利用有限元软件ABAQUS建立神经网络模型。105组数据用于建立BP神经网络,15组数据用于测试和验证BP网络。建立BP网络的过程中,选用Levenberg-Marquardt反向传播算法。隐藏层选用tansig函数,输出层选用purelin函数。分析结果表明,使用BP网络模型预测的极限温度是准确有效的。     

基于Elman神经网络的供水管网浊度预测研究

浊度作为反映供水管网水质变化的重要指标,建立水质模型对浊度进行预测有利于指导水质控制措施的实施.为了适应浊度监测数据的动态性,选用Elman神经网络构建浊度预测模型.对数据进行缺失值处理、异常值识别与处理、标准化和重采样后,构建浊度单指标、浊度-余氯多指标和浊度-压力多指标Elman神经网络对供水管网浊度进行预测和评价...     

基于神经网络纳米海工混凝土电阻率预测

为探究神经网络对混凝土电阻率预测的可行性,文中通过wenner四电极法测量Cl-侵蚀和干湿循环耦合作用下纳米混凝土的电阻率,利用BP神经网络和Elman神经网络对电阻率测量结果进行预测。预测结果表明,BP神经网络的预测效果要优于Elman神经网络,BP神经网络的预测误差更低,其输入和输出变量之间的相关性更强,在混凝土相关研究中利用神经网络具有一定的实用性。     

基于Elman神经网络的新风负荷预测研究

准确地预测新风负荷是空调系统的运维调节和节能优化的前提。但是目前传统的预测方法大多预测精度不准确。针对这个问题,在利用MATLAB仿真基础上,建立一种基于Elman型神经网络的新风负荷预测模型,考虑了室外天气(温度、湿度)、室内人数及节假日的时间特征值等动态因素,并与实测数值进行对比分析。仿真结果显示相对误差低于7%,最小误差中仅为0. 12%,验证了Elman模型具有预测结果准确、学习效率高等优点,实例预测证明了Elman预测模型适用于新风负荷的预测。     

住宅区供热负荷预测研究

本文分析了住宅区供热负荷影响因素,利用BP神经网络算法进行预测,建立了两种BP神经网络结构,一种输入样本是前几日供热负荷值和室外温度,另一种输入样本是室外温度、室外风速、室内用热系数及前几日供热负荷值,二者网络结构输出都是当天供热负荷值;对某住宅区域供热负荷进行了供热负荷预测与验证,比较了采用不同神经网络结构进行供热负荷预测的误差。结果表明住宅区域供热负荷变化规律具有明显的周期性,同时每天逐时供热负荷变化趋势线形态存在不同,需要选择合适的影响因素和样本个数,提高供热负荷预测的准确性。     

部分用户值班供暖条件下的调节方式

某居住小区部分建筑尚未入住,一部分用户为正常供暖,另一部分用户为值班供暖。提出在供热系统采用质调节的前提下,对值班供暖用户采取在室外温度对应的供水温度条件下的定供水温度的小流量值班供暖方式。经计算,采取定供水温度的小流量值班供暖方式时,值班供暖用户室内温度为10.49℃,高于值班供暖方式设定的室内温度(5℃)。宜根据值班供暖方式设定的室内温度,采取变供水温度的小流量值班供暖方式。     

基于Elman神经网络的排水管网液位预测

建立了排水管网液位的Elman神经网络预测模型,以液位和雨量的监测数据为输入,未来的液位值为输出。提前5、15、45和60 min的预测平均绝对误差分别为2.07%、3.75%、8.39%和9.49%。与BP神经网络对比,Elman神经网络的拟合和预测效果分别提升约23%和21%。结果表明,基于Elman神经网络的管网预测模型具有良好的预测效果,可以为建立排水管网的在线预测预警系统提供有效的方法支持。     

基于GRU神经网络的太阳辐照度短期预测

随着新能源技术的不断发展,光伏发电已逐渐成为电力供应的重要来源。由于太阳辐照度变化受诸多因子影响,其不确定性仍然给光伏发电并网带来了极大挑战。鉴于门限单元(gated recurrent unit, GRU)神经元特殊的门结构对周期性变化的数据结构具有较好的学习能力,建立了一种基于GRU神经网络的辐照度短期预测模型。对历史气象数据及卫星数据进行主成分分析(principal component analysis, PCA)降维处理后输入上述模型,实现对太阳辐照度的短期预测,从而提高太阳辐照度的预测精度。对同一模型不同预测时长进行对比,得到24 h预测效果最好,其均方根误差(root-mean-square error, RMSE)仅为0.356。将该模型预测的结果与传统的反向传播(back propagation, BP)神经网络的预测结果进行对比,RMSE减少了34%。最后利用晴空指数划分不同的天气情况分别对GRU预测结果误差进行分析研究,探究了误差产生的原因。     

太阳墙新风装置的性能模拟

介绍太阳墙新风装置(利用太阳墙吸收太阳能加热室外新风的装置,以下简称太阳墙)的结构及新风处理流程。以济南地区为例,采用FLUENT软件,选取2016—2017年供暖期各月各时刻(以公共建筑工作的8:00—17:00为时间段)的太阳辐照度算术平均值以及各月室外平均温度,模拟计算固定新风量下供暖期各月各时刻的太阳墙送风温度及新风负荷比(太阳墙对新风的加热量与新风负荷之比)。供暖期各月各时刻的太阳墙送风温度均随时间的延长先上升后下降,与日间太阳辐照度的变化基本一致。最冷月(12月、1月)太阳墙送风温度最低,较冷月(2月)太阳墙送风温度居中,供暖初末期(11月、3月)太阳墙送风温度最高。各月各时刻的太阳墙新风负荷比均随时间的延长先上升后下降,与日间太阳辐照度的变化基本一致。太阳墙新风负荷比由大到小的顺序依次为3月、11月、2月、12月、1月,与太阳墙送风温度的变化基本一致。     

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。     

微孔金属辐射顶板空调冬季热舒适性实验研究

为了考察安装有微孔金属辐射顶板空调房间内冬季人体的热舒适性指标,搭建了微孔金属辐射顶板空调实验系统,并设置热水供水温度分别为30℃、35℃、40℃三种不同的实验工况,对PMV-PPD指标值及空调系统运行参数进行了现场测试。分析数据得出冬季室内温度较为稳定,但相对湿度低,气流速度小,对比三种不同实验工况下人体在不同活动强度及不同着装量时室内的热舒适性,发现新型辐射空调在供水温度为40℃时运行人体各类活动的热舒适性较好,且适用范围广,供水温度为30℃的工况适用在室外温度为10℃等环境较好时刻,综合考虑该系统在热水温度为35℃运行最具经济性。     

基于Elman神经网络的秸秆成型燃料热值的预测

利用Matlab软件建立Elman神经网络的热值预测模型。该模型在学习中确定了玉米秸秆的热值与其纤维素、半纤维素和木质素质量分数之间的非线性关系。模型利用玉米秸秆中纤维素、半纤维素和木质素的质量分数作为输入,预测出玉米秸秆的热值。以秸秆的热值为因变量,秸秆的纤维素、半纤维素和木质素的质量分数为自变量,用训练组的数据建立线性回归模型。对线性回归模型与Elman神经网络模型的预测结果进行对比。线性回归模型预测值与实际值之间存在较大相对误差,而Elman神经网络模型预测值与实际热值的相对误差较小,最大相对误差为3. 5%,并且平均相对误差小于2%,线性回归模型预测效果远不如Elman神经网络模型预测效果。     

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。     

风冷式PV/T空调系统日间冷电联产性能实验研究

提出了一种风冷式PV/T空调系统，对系统在夏季日间的冷电联产性能进行了实验测试，分析了环境因素、运行参数等对系统发电和制冷性能的影响。结果表明：光伏板温度随太阳辐照度的升高而升高，光伏板输出电效率随光伏板温度的升高而降低；太阳辐照度、室外温度和室外风速都对系统制冷性能有影响，其中室外温度对制冷量和COP的影响最大，当室外温度从23.6℃升高到32.8℃时，制冷量增大1.6倍，COP降低38.8%。该风冷式PV/T空调系统在夏季日间具有一定的冷电联产性能，可进一步优化以拓展其使用时间和应用范围。     

基于Elman神经网络的深基坑变形智能监测

Elman神经网络是一种典型的动态递归神经网络,它既可以学习空域模式,又可以学习时域模式,能使训练好的网络具有非线性和动态特性.文章采用11个输入单元和1个输出单元的Elman神经网络.利用Matlab提供的神经网络工具箱编写了Elman神经网络程序,可以通过几种监测数据来推测另一种监测数据.最后以一幢超高层建筑的深基坑工程为例,说明了Elman神经网络方法用于深基坑变形的预测具有较好的可靠性,通过不断加入新的数据,Elman神经网络程序所能判断的数据类型和精度均不断提高.     

基于BP网络的地板辐射供暖预测控制模型

基于BP神经网络建立了地板辐射供暖系统的预测控制模型,以实验实测数据训练预测控制模型,通过实验对训练好的预测控制模型进行在线修正预测控制,在线修正预测控制输出的室内温度与实验实测结果的相对误差最大为-6.2%,证明预测控制模型的预测控制效果良好。预测控制模型的应用可提高对地板辐射供暖系统的控制精度,使室内温度控制在设定范围内,保证了室内的热舒适性。     

传统夯土民居冬季热稳定性研究

以周期性不稳定传热理论分析了冬季传统夯土民居各围护结构内表面的温度波动,并将之按照各自面积权重和相位进行逐一合成,得到室内平均辐射温度相对于室外的热衰减倍数和延迟时间.在室外温度波幅为5℃的条件下,对一典型建筑计算和测试得出室内平均温度和空气温度波幅分别为0 3℃和0 5℃.两者合成后的作用温度波幅约为0 4℃,说明此类民居在冬季具有良好的热稳定性.