一种广义预测模型的研究

传统的预测方法存在着难以全面考虑影响因素，其中包括算法复杂、精度较差、实时应用等缺点，针对供热、空调、电力、供水等系统的负荷既受到环境因素等模拟量的影响，又受到节假日、上下班等开关量影响的特点，将模拟人脑逻辑思维的模糊技术与模拟人脑自学习的神经网络技术相结合的模糊神经网络引入到负荷的预测中，提出了一种新型的基于模糊神经网络的预测模型，并对输入量的选择进行了详细的分析，既考虑了历史数据的影响，又考虑了突发事件的作用，获得了较快的预测速度和较高的预测精度。     

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。     

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AHP的空调负荷组合预测研究

为提高建筑空调负荷预测的有效性,应用组合预测方法,将目前常用的几个空调负荷预测模型有机地结合起来,并引入层次分析法(AHP),建立了空调负荷组合预测的结构模型．利用AHP的1-9标度,根据实际情况计算了各单预测模型在组合预测中的权重系数．实例分析表明,基于AHP的空调负荷组合预测模型在预测准确性和适应性方面均能得到一定改善,能很好地对建筑空调负荷进行科学、有效地预测．     

实时气象因子对空调负荷的影响及处理

空调负荷在总用电负荷中的比例逐年上升,而气象因子对空调负荷影响尤为重要。分析实时气象因子对空调负荷的影响,提出考虑实时气象因子的基于改进BP神经网络的空调负荷预测模型,对空调负荷进行预测,力求找出温度、湿度与空调负荷的变化关系。     

短期电力负荷组合预测方法研究

为了解决短期电力负荷不同预测方法的预测角度片面性、预测精度差等问题,提出了基于小波神经网络(WNN)的组合预测模型.首先用小波神经网络预测模型和历史平均模型分别进行预测,然后再通过小波神经网络对两单一模型的预测值进行组合.相比BP神经网络组合模型,该组合预测模型的预测精度大大提高.该模型同时引入模糊聚类分析的方法选取组合模型的训练样本,减少了训练样本的冗余性,提高了预测模型的精度.     

地铁供电系统短期负荷预测系统设计

基于地铁供电系统短期负荷预测是电力系统短期负荷预测精细化研究的需要,本文对地铁供电系统短期负荷预测系统进行了设计。系统由负荷统计模块、负荷数据调用模块、负荷预测模块、预测误差统计模块、图形输出模块和数据输出模块等6个模块组成,在负荷预测模块中构造了基于脉冲神经网络的地铁供电系统短期负荷预测模型,用该预测模型对地铁供电系统短期负荷进行预测,并将预测结果与传统BP-NN预测模型进行对比。结果表明,脉冲神经网络预测模型的平均预测误差降低了2%以上,比BP-NN预测模型的平均预测误差明显降低,表明脉冲神经网络预测模型的预测精度明显优于BP-NN预测模型,从而验证了地铁供电系统短期负荷预测系统采用脉冲神经网络预测模型的可行性;并且脉冲神经网络预测模型具有较好的预测稳定性,1周的预测精度稳定在7.01%~7.80%区间内。该模型取得较为满意的预测精度,为地铁供电系统短期负荷预测系统的实际应用提供了理论依据。     

EBP神经网络在空调负荷预测中的应用

空调系统负荷是一个典型的具有动态性、不确定性等随机特性的非线性模型.传统方式难于实现准确、快速地预测空调系统动态负荷.人工神经网络ANN具有高度的非线性运算能力和较强的容错能力,其中使用最为广泛的是误差反向传播EBP算法.研究结果表明,用EBP神经网络预测空调负荷和计算结果能较好地吻和.     

基于BAGGING算法和BP神经网络的电力系统负荷预测

电力系统负荷预测关系到电力系统的控制和运行计划,精确的负荷预测有助于提高系统的安全性和稳定性,从而可以提高电力系统的经济效益。电力系统负荷预测问题具有的数据量大、影响因素多等特点,使用单个BP神经网络进行负荷预测时,预测结果随机性大、精度低。本文把BAGGING算法思想与BP神经网络相结合起来,通过生成一组BP神经网络模型,挑选最好的网络模型最为最终的预测模型,进行负荷预测,以提高负荷预测能力。     

常用空调负荷预测方法分析比较

准确预测空调负荷不仅对蓄能空调高效运行意义重大,而且也是新兴的冷热电三联产技术发挥技术优势的关键所在.针对同一幢建筑,分别采用了多元线性回归、季节性指数平滑法以及神经网络方法等三种典型性预测方法进行负荷预测研究,并对三种方法做了进一步改进.然后从预测精度、建模的复杂程度、工程上的可行性以及模型的其他特性(新建筑预测问题)等四个方面对负荷预测方法进行分析.结果表明:神经网络方法具有较高预测精度,而改进的季节性指数平滑法则具有较好的工程应用价值.