基于房间空调器使用率与设置温度监控数据的能耗预测模型

住宅建筑中空调能耗极大程度上受到人员行为的影响，对空调能耗进行预测的关键在于准确预测人如何调节空调。虽然ASHRAE以及其他一些导则建议了人员在室时刻表用于建筑能耗评估，但人员使用空调的行为存在地区差异并随时间变化。基于实时监测获得的2016-06-01-2016-08-31的大量数据，统计分析夏季卧室与客厅房间空调器能耗的人员行为因素，主要包括房间空调器的设定温度、空调使用率等。基于统计分析，探究了空调使用率与室外日平均温度的关系，结果表明，两者呈"L型曲线"关系，说明该人群对空调依赖较高，当室外温度处于较低水平时，仍有部分居民使用空调。基于空调使用率建立优化的能耗模拟模型，基于设置温度、室外日平均温度、运行时长等建立能耗预测模型。验证结果表明，基于使用率模式为"L型曲线"的能耗模拟模型以及结合设置温度等的能耗预测模型比传统空调使用模式的模拟结果更接近实测值。     

基于蚁群优化的小波神经网络钢铁生产能耗预测模型

针对钢铁生产流程中能耗预测模型建立困难、预测精度低等问题,提出了一种基于蚁群优化的小波神经网络的钢铁生产物流能耗预测模型,首先对钢铁生产过程以及影响生产能耗的因素进行分析,确定输入参数构成特征空间,然后利用小波变换重构特征空间,接着利用神经网络模型建立能耗预测模型,最后采用蚁群算法对预测模型参数进行优化.在炼铁、炼钢以及轧钢工序的能耗预测实验表明,提出的方法具有较好的普适性,提高了预测精度,为钢铁企业提前了解能耗需求提供了指导.     

基于鲁棒极限学习机的居民空调负荷能耗预测方法

为实现高精度的居民空调负荷能耗预测，基于鲁棒极限学习机提出了一种新的居民空调负荷能耗预测方法.以归一化的方式处理空调负荷能耗数据集，优化预测用户工作日样本数据集，采用鲁棒极限学习机构建负荷能耗激活函数预测模型.引入拉格朗日算子约束优化模型，以迭代求解的方式完成居民空调负荷能耗预测.仿真测试结果表明，在迭代次数为250次、过度补偿为1.5%时，该方法的收敛速度为0.2 ms,平均预测精度为96.7%,具有较强的预测性能.     

空调办公建筑能耗预测回归模型

建筑能耗预测模型是进行建筑节能设计及节能改造的有力工具,而建筑能耗分析是建立建筑能耗预测模型的基础.本文建立了重庆地区的空调办公建筑模型,采用Energy Plus软件模拟分析了该城市建筑各设计参数对暖通空调系统及建筑年总能耗的影响,选取对建筑能耗影响较大的9项设计参数,建立了重庆地区暖通空调系统及建筑年总能耗的预测回归模型,随机选取20组数据来评价预测回归模型的准确性.结果表明:各设计参数中窗墙比、设备功率密度、照明功率密度等对暖通空调系统及建筑年总能耗影响较大,重庆建筑暖通空调系统及年总能耗预测回归模型R~2分别为0.960和0.966,估计标准偏差都为1.122 W/m~2;能耗预测值与模拟值的最大偏差分别为-12.813%和-7.063%.     

基于门控循环单元的多因素感知短期游客人数预测模型

提出的预测模型采取分时序分段策略,使用卷积神经网络（CNN）提取景区多因素时序数据的特征,并对不同因素的时序数据赋予不同的权重,将结果送入门控循环单元（GRU）以挖掘其中的时序信息,结合预测时刻的情境信息（天气状况和节假日）预测短期景区内游客人数. 在某景区的闸机数据集和监控点车辆数据集上的实验结果表明：基于门控循环单元的多因素感知短期游客人数预测模型可以充分考虑多情境因素并对不同因素时序数据赋予不同的权重,均方根误差（RMSE）和平均绝对百分比误差（MAPE）均小于传统模型,能够有效降低短期游客人数预测误差。     

基于模式划分的空调能耗混合填补方法

针对公共建筑能耗监测平台采集的空调能耗数据存在缺失、异常等问题,提出一种将无监督学习与监督学习结合的基于模式划分的空调能耗混合填补方法.利用k-means聚类算法将空调能耗数据划分至制冷、制热和独立新风3种运行模式中.在制冷及制热模式下,提出了一种BP神经网络(back propagation neural netwo...     

基于板块效应的深度学习股价走势预测方法

股票价格预测作为金融预测领域中一项重要的研究方向,准确预测股票价格的涨跌可以帮助投资者盈利或及时止损. 经研究发现,某些因素(如政策、社会突发事件等)会对同板块下的多只股票价格产生影响,导致同板块的多只股票在某个时间段内出现相似的走势,即板块效应. 因此,同板块下多只股票的价格走势对于股票预测具有参考作用. 针对这一现象,提出了一种基于板块效应的深度学习股价走势预测方法. 首先,使用皮尔森(Pearson)相关系数和XGBoost算法对同板块下多只股票的收盘价进行分析,以筛选出与预测股票相关性高的多只股票,并使用自编码器对这些股票的收盘价进行降维,以提取股票的价格走势; 其次,构建了一个基于卷积神经网络(convolutional neural networks,CNN)与长短期记忆(long short-term memory,LSTM)网络的混合深度学习预测模型,使用一维卷积神经网络提取输入数据的特征,使用LSTM网络对股票价格进行预测. 该模型使用银行、医药、酒业、娱乐传媒4个板块的股票作为实验数据集. 为了提高模型的预测效果,通过随机搜索对LSTM网络的神经元个数进行简单的分析,以选择较优的神经元个数. 最后,通过实验分析,基于同板块数据集的深度学习预测模型具有良好的预测效果.     

水库水位的VMD-CNN-GRU混合预测模型

水库水位预测为其运营、防洪、水资源调度管理提供了重要决策支持.准确可靠的预测对水资源的优化管理起着至关重要的作用.针对水库水位数据的非线性、不稳定性以及复杂的时空特性,提出一种融合自适应变分模态分解(VMD)、卷积神经网络(CNN)和门控循环单元(GRU)的混合水库水位预测模型.VMD通过对水位序列进行分解消除噪声,CNN用于有效提取水位数据的局部特征,GRU用于提取水位数据的深层时间特征.以葠窝水库日水位为例,与多个相关模型对比分析,结果表明:精度方面,新模型在选取的评价指标上均表现最佳;运算效率方面,本文选择的GRU与长短时记忆网络(LSTM)相比,运算效率显著提高.新模型预测的高精度、高运算效率更能满足实际水库水位实时调度的需求.     

基于GRU神经网络的燃煤电站NO_x排放预测模型

针对工业过程动力学建模中,输入变量特征集确定困难的问题,提出了一种基于数据驱动的门控循环单元(GRU)神经网络模型。该模型可以通过学习自动提取输入数据与输出数据间的时空特征,简化人工智能模型的输入变量个数,减少了输入的冗余信息,降低了建模过程的难度,并具有较好的精确度和泛化能力。通过使用某燃煤机组实际运行数据中与氮氧化物(NO_x)排放相关的数据作为模型输入,建立了基于GRU神经网络的燃煤锅炉NO_x排放预测模型。并分别与传统循环神经网络(RNN)和长短期记忆(LSTM)神经网络模型比较,验证了GRU神经网络模型在工业过程动力学建模中的优良性能。     

基于改进GRU的城市供水管网流量预测研究

城市供水管网随着城市规模的扩大和人口的增加等因素的变化而越来越复杂,供水管网的流量预测在管网的优化调度工作中发挥了有效作用。本文通过分析某城市供水管网系统的多个监测节点的流量数据,以类似局部加权线性回归的方法优化GRU算法,构建了基于多监测节点的流量预测模型,提高了模型的泛化能力。利用该市供水管网监测平台采集的监测节点流量数据进行验证,实验的结果表明,基于改进的GRU流量预测模型有着较好的预测精度。     

基于划分工作方式的中央空调达标时间预测

为了同时满足中央空调温湿度控制工艺要求和企业节能降耗要求,解决中央空调达标时间预测问题,提出了一种在划分空调工作方式基础上的组合预测模型. 在加温加湿工作方式下,采用随机森林算法构建分类预测模型,用深度特征提取后的高级特征作为模型输入,解决了小样本分类预测的过拟合问题. 为进一步降低算法时间复杂度,利用改进粒子群方法对模型参数寻优. 在降温除湿工作方式下,使用K近邻算法动态划分类别区间,并利用密度峰值改进SMOTE算法解决类别不平衡问题,采用极限梯度提升算法构建分类模型. 考虑到空调延迟开启或提前开启对企业效益造成的损失不同,采用多角度综合评价方法对模型进行评估. 通过与支持向量机(现用模型)等多种预测模型的对比实验,验证了组合模型的有效性和实用性. 实验表明组合模型平均绝对误差为3.2 min,与现用模型相比,组合模型折标能耗降低了14.71%.     

基于CGA模型的盾构扭矩预测研究

以盾构近距离下穿既有车站结构为背景,提出了一种结合卷积神经网络(Convolutional Neural Networks, CNN)、门控制循环单元神经网络(Gated Recurrent Unit, GRU)和注意力机制(Attention)的新型盾构荷载预测模型。首先用CNN-Attention模型提取数据的高维空间特征并区分不同特征的重要性,然后通过GRU模型提取数据的时序特性,紧接着通过注意力机制提取出重要时间节点信息,最后得出预测的结果。为验证所提模型的预测效果,选取了4种现有的算法进行比较。结果表明所提出的模型在三种评价指标上均优于其他算法模型,同时该模型还可为盾构刀具磨损、地表及结构变形等方面的预测研究提供思路。     

GRU结合STL分解的短期电量预测方法

基于循环神经网络的模型具有出色的捕获非线性关系的能力,在电量预测中具有良好的性能。但它无法完全捕获历史信息,影响了预测结果的准确性。为了解决这些问题,提出了一种门控循环单元（GRU）模型结合STL分解的方法。评估结果表明,该方法能较好地捕获局部和全局信息,并具有比传统模型更高的预测精度。     

基于深度学习的录音文本分类方法

为了提高具有关联工单数据的录音文本的分类精确率,根据录音文本及关联数据的特点,设计基于深度学习的录音文本分类方法. 针对录音文本,通过双向词嵌入语言模型（ELMo）获得录音文本及工单信息的向量化表示,基于获取的词向量,利用卷积神经网络（CNN）挖掘句子局部特征;使用CNN分别挖掘工单标题和工单的描述信息,将CNN输出的特征进行加权拼接后,输入双向门限循环单元（GRU）,捕捉句子上下文语义特征;引入注意力机制,对GRU隐藏层的输出状态赋予不同的权重. 实验结果表明,与已有算法相比,该分类方法的收敛速度快,具有更高的准确率.     

基于SVM-GA模型的城市天然气长期负荷预测

天然气长期负荷预测能够解决城市燃气供需不平衡的问题,为城市燃气公司的管理运行提供帮助。为了提高天然气长期负荷的预测精度,提出了基于SVM-GA(SupportVectorMachines-GeneticAlgorithm)的天然气长期负荷预测模型。分析确定影响天然气用气量的相关因素,应用遗传算法和交叉验证方法分别对支持向量机模型的惩罚因子c 及核函数参数g 进行优化,以期提高支持向量机模型的预测精度,将优化后的参数输入支持向量机模型中,进行天然气长期负荷预测。以某省实际的样本数据为例,将SVM-GA模型的预测结果与SVM 和交叉验证法结合模型及BP(BackPropagation)神经网络模型的预测结果进行比较分析。结果表明,SVM-GA 预测模型分别比SVM 和交叉验证法结合预测模型和BP神经网络模型在衡量预测精度的相对均方误差、归一化均方误差、归一化绝对平方误差、归一化均方根误差、最大绝对误差五个指标分别高0.58%、3.98%、2.99%、4.58%、8.64%和6.13%、26.28%、19.71%、21.09%、31.48%。因此支持向量机与遗传算法相结合的模型能够较准确地预测天然气长期负荷。     

基于门控循环单元的链路质量预测

链路质量预测可以为上层路由协议选择高质量的无线链路进行通信提供依据。采用手肘法优化的K-means++算法,在此基础上自适应划分链路质量等级;选择RSSI均值、LQI均值以及SNR均值作为链路质量参数;基于Catboost评估链路质量,采用网格搜索法优化CatBoost超参数;使用滑动时间窗口得到链路质量时间序列样本集,使用 GRU提取链路质量的时序信息,将时序信息输入支持向量回归预测得到下一时刻链路质量等级。在室内、走廊以及停车场三个场景下实验表明,与基于小波神经网络、循环神经网络和随机向量函数链等方法构建的链路质量预测模型相比,本文提出的方法有更高的预测准确率。     

一种用于交通预测的注意力时空图神经网络

城市化的发展使得交通预测在交通规划和城市管理等应用中发挥着重要作用。然而在交通预测任务中,捕获交通数据的高度非线性和复杂的时空依赖关系仍具有很大的挑战性。为了更好地捕获交通数据的时间依赖性和全局空间相关性以及同时满足长期和短期的预测任务,设计了一种用于交通预测的注意力时空图神经网络。首先通过引入注意力机制来调整邻近道路与非邻近道路的重要性,整合全局空间信息;然后再通过图卷积网络和带有扩展因果卷积的门控线性单元来共同捕获时空相关性。在两个真实数据集PeMSD7(M)和PEMS-BAY上的实验结果表明,该网络模型可以较大地提高短期和长期的交通预测精度。     

基于IPSO-GRU的锂离子电池剩余使用寿命预测

为了提高预测锂离子电池剩余使用寿命(RUL)的精度,提出了一种基于改进型粒子群算法(IPSO)与门控循环单元(GRU)神经网络的锂离子电池RUL预测模型。首先,通过改变PSO算法的惯性权重和学习因子的更新规则,提高其寻优能力;然后,通过IPSO算法优化GRU神经网络的参数选择,搭建IPSO-GRU模型。最后,利用美国国家航空航天局(NASA)公开的锂离子电池实验数据进行试验,验证IPSO-GRU模型的准确性。实验结果表明,相比于直接采用单一GRU模型,所提IPSO-GRU模型降低了容量预测误差,有效提高了锂离子电池RUL预测精度。