相同材质区域建筑冷负荷预测模型

针对区域建筑冷负荷预测中影响因素过多、区域规划阶段建筑数据不完备等问题,通过分析建筑冷负荷的组成及影响因素,认为具有相同朝向或朝向角相差90°且具有相同建筑材质的矩形区域建筑可整合为能表征其外扰冷负荷分布的特征建筑.对上海地区两区域建筑的冷负荷进行了模拟计算,并与整合后的特征建筑的冷负荷进行了比较,结果显示,特征建筑与该区域建筑有相同的单位体积冷负荷分布,区域建筑冷负荷预测可以转化为其特征建筑的冷负荷预测.     

基于机器学习的建筑结构非线性行为预测方法研究

人们对建筑结构非线性理论的研究越来越深入,然而由于非线性行为的复杂性与不确定性特点,导致其研究的难度也在不断加大.文章对于一个复杂的非线性系统,拟建一种基于机器学习的建筑结构非线性行为预测方法,并对此展开了深入地探讨与分析.     

基于能耗监测数据的校园建筑贝叶斯能耗预测模型

对于建筑类型众多、用能规律复杂的校园建筑群,建立区域能耗模型是分析其能源使用情况的高效途径.自下而上的区域能耗模型不仅可以实现对区域内建筑能耗的预测,还可以评估新技术与新能源的节能情况,其建模方法目前普遍基于面积扩展的方式.提出了一种基于能耗监测数据的贝叶斯能耗预测方法,对寒冷地区某高校建筑群分别建立了简单面积扩展预测...     

近零能耗建筑空调负荷预测研究

建筑空调系统能耗约占建筑总能耗的50％,在近零能耗建筑中,空调系统优化运行是实现能耗指标的关键.基于空调负荷预测,开展精细化控制,实现能源系统优化运行,是近零能耗建筑空调系统优化运行的技术路径.基于历史实测运行数据,采用两种不同的机器学习算法建立预测模型,并进行了比对研究.通过预测精度比较得到最优模型,其中最优模型下的...     

基于KPCA-WLSSVM的建筑能耗预测模型

为降低建筑能耗影响因素间复杂相关性对模型性能的影响,建立了一种基于KPCAWLSSVM的建筑能耗预测模型。利用核主元分析(KPCA)对输入变量进行数据压缩,消除变量之间的相关性,简化模型结构;进一步采用加权最小二乘支持向量机(WLSSVM)方法建立建筑能耗预测模型,同时结合一种新型混沌粒子群-模拟退火混合优化(CPSO-SA)算法对模型参数进行优化,以提高模型的预测性能及泛化能力。通过将KPCA-WLSSVM模型方法应用于某办公建筑能耗的预测中,并与WLSSVM、LSSVM及RBFNN模型相比,实验结果表明,KPCA-WLSSVM模型方法能有效提高建筑能耗预测精度。     

基于机器学习方法的路面平整度预测及模型解释研究

该研究从预测精度、计算效率、模型解释可信度3个方面对比分析了支持向量机（SVM）、随机森林（RF）、梯度提升树（GBR）及神经网络（NN）模型用于国际平整度指数（IRI）预测建模的效果,并基于加性Shapley值解释（SHAP）方法,通过相对重要性及其变异系数评价了模型解释结果的可信度。研究结果表明,梯度提升树模型的综合性能最优,基于决策树和提升算法的机器学习模型更适用于结果解释性研究;虽然神经网络模型具有最高的预测精度,但其损失函数的非凸性使得模型解释结果不可靠;特征重要性结果表明沥青路面平整度的变化由环境因素主导,其中降水的影响最为显著,其次为低温指标。     

基于模型校准的建筑冷负荷短期预测模型人工内扰特征变量获取方法

准确的短期建筑冷负荷预测对于建筑供能系统的运行优化具有重要意义。数据驱动模型因在挖掘建筑实际负荷特性、提高预测精度方面具有较大的优势而得到广泛应用。然而,内扰特征变量的缺失严重影响着数据驱动负荷预测模型的预测效果。为此,本文提出了一种利用模型校准技术从冷负荷时间序列中反向挖掘内扰相关数据信息的方法。案例研究结果表明,利用该方法获得的人工内扰特征变量数据对使用人工神经网络模型的短期建筑冷负荷预测效果的提升具有显著作用。相比于完全缺失内扰特征变量的预测模型,预测误差可降低11.46%,相比于使用日历信息作为内扰特征变量的预测模型,预测误差可降低6.51%。     

区域供冷负荷预测模型的建立

随着经济的发展,区域建筑越来越多,如何进行区域冷负荷预测是一个难题。传统的面积负荷指标法不能反映区域负荷的特点,预测结果往往偏大;而由于在区域规划阶段,很多建筑信息和参数都不全,采用软件进行详细的模拟计算也显得不可行。本文根据城市用地分类标准及建筑冷负荷特性将城市建筑进行分类,对每类建筑建立典型建筑模型并确立冷负荷的物理因素、内扰因素和外扰因素,应用DeST(Designer’s Simulation Toolkits)软件对典型建筑模型进行模拟,通过对模拟结果进行适当处理后得到城市建筑动态冷负荷数据库,为区域供冷冷负荷预测提供参考和依据。     

基于有监督机器学习基坑变形预测模型的比较与分析

影响深基坑变形因素繁多,位移预测问题呈高度非线性和模糊性,为探究目前基于有监督机器学习软计算（Soft Computing Method,SCM）法深基坑位移预测模型的精度性能,对基于支持向量机（Support Vector Model,SVM）位移预测模型、基于随机森林（Random Forest,RF）预测模型、基于反向传播（Back Propagation,BP）神经网络预测模型、基于径向基（Radial Basis Function,RBF）神经网络预测模型、基于Elman神经网络预测模型和长短期记忆（Long Short-Term Memory,LSTM）神经网络预测模型进行了实际深基坑工程一至三天位移预测试验。试验验证了基于有监督机器学习软计算法模型预测深基坑位移的可行性,展现了人工神经网络（Artificial Neural Network,ANN）算法的优越性,并得出了Elman预测模型适用于预测一天和两天深基坑位移预测,而BP预测模型适用于预测三天沉降任务的结论。     

解读可呼吸的建筑

对可呼吸建筑的实践进行了分析研究，认为可呼吸建筑在技术上有两种趋势，提出建筑师在设计过程中应尝试一些新技术，利用好自然气候条件，加强气流的组织和引导，节约能源，创造舒适健康的室内环境。     

基于灰箱模型的设计阶段建筑负荷预测方法

本文以能耗模拟软件EnergyPlus为计算工具,对不同情境下的建筑进行模拟,形成基于正演模型的数据库,该数据库包含大量建筑情景,能较好地涵盖实际工程设计情况.在此数据库基础上,采用深度学习方法,实现快速预测建筑全年逐时负荷,测试结果表明,该方法表现出了良好的快速性和准确性.该灰箱方法简单方便,为设计阶段建筑负荷预测提...     

基于深度学习的建筑能耗预测方法研究

为了获得更好的建筑能耗预测精度,基于极限GAP深度学习方法,利用变体GRU结合Attention注意力机制,提出一种建筑能耗预测方法.分析表明,该方法预测性能相比其他方法,预测精度高,鲁棒性高,有助于管理者和相关工作人员对建筑设施进行更有效的节能操作.     

混凝土结构基本性能的可解释机器学习建模方法

混凝土结构的基本性能,如构件破坏模式、承载力、延性等,是结构设计与评估过程中的重要参数.准确地预测混凝土结构的基本性能,直接决定了结构设计与分析的准确度与可靠性.提出了一种基于机器学习的混凝土结构基本性能预测方法,可以根据结构的基本设计参数(如几何尺寸、材料属性、荷载工况等),直接给出其性能指标.同时,利用近年来提出的...     

基于用电负荷预测分析的大型建筑智能化运维技术研究

通过对大型建筑用电负荷的大数据挖掘和分析,提出基于机器学习模型和智能运算方法的建筑用能负荷及调峰潜力的测算方法。结合调研和示范应用,提出基于 AIoT (人工智能物联网)的可再生能源系统和空调系统的优化运行技术和管理方法,探索将响应策略方案融入到建筑智能化运维实践的技术路径,推动叠加效应的创新发展。     

基于BP神经网络的建筑能耗预测

利用MATLAB建立BP神经网络,将影响建筑能耗的18个因素作为网络的输入,进行学习训练,最后通过测试样本点数据预测建筑能耗,与D eST-h模拟计算得到的结果比较,发现相对误差在3.5%以内,并通过实例验证了该网络模型的准确性。该方法使建筑人员在设计阶段就能快速且准确地获得设计建筑的能耗。     

基于神经网络的建筑能耗及设备故障预测方法研究

文章在常规建筑能耗和设备故障预测方法的基础上,根据智慧建筑中BIM模型数据和物联网数据融合形成的数据集,提出了基于BP神经网络的多任务学习方法,将建筑能耗和设备故障预测采用同一神经网络模型进行学习和预测,并阐述了网络结构及损失函数的设计方法,为建筑能耗和设备故障预测提供了新的思路,也为智慧建筑运维管理系统中的智能诊断服...     

中庭对建筑空调冷负荷的影响

以各层有回廊与中庭相通的建筑为研究对象,采用多区域模型的方法对建筑内部进行了区域划分,应用EnergyPlus软件对不同建筑朝向和不同中庭高度建筑模型的空调冷负荷进行了逐时模拟,分析了中庭的存在对建筑总冷负荷和各层冷负荷的影响.结果表明,各层冷负荷随楼层升高而增大,顶部两层增加幅度最大;中庭的存在仅对各层回廊区域的空调冷负荷有影响,较远的走廊区域所受影响可以忽略;东西朝向中庭建筑的总冷负荷大于南北朝向中庭建筑.     

面向方案阶段能耗主导的建筑性能快速优化方法

依托机器学习和参数化技术建立了面向建筑方案设计阶段能耗主导的建筑性能快速优化方法,从而实现方案设计阶段以能耗为代表的建筑性能的直观呈现.本文通过实际案例证实了将建筑能耗快速计算技术与交互式性能优化框架相结合,可以让建筑师在进行方案推进与决策过程中直观而快速地获取以建筑能耗为代表的各项性能指标的反馈,从中选择最佳的设计方案,提升建筑师进行性能优化设计的能力.