共查询到20条相似文献,搜索用时 15 毫秒
1.
将室外温度、历史供热量、生活热水平均日供回水温差、日期类型作为用热影响参数(室外温度分为日最大值、日最小值、日平均值,历史供热量分为前1日供热量、前2日供热量、前3日供热量,日期类型分为工作日、节假日),构建8组用热影响参数组合,采用BP神经网络建立热力站日供热量预测模型1~8。将平均绝对误差(MAE)、平均绝对百分比误差(MAPE)、均方根误差(RMSE)、相对误差绝对值(ARE)作为指标,评价预测模型的可靠性、稳定性以及预测结果的可信程度。预测模型7(用热影响参数为室外温度日最大值、室外温度日最小值、前1日供热量、前2日供热量、前3日供热量、生活热水平均日供回水温差、日期类型)的可靠性、稳定性最好,预测结果的可信程度最高。加入日期类型可提高预测模型的可靠性、稳定性。 相似文献
2.
3.
基于用改进的BP算法,建立了3-5-1(输入层为3个神经元,隐含层为5个神经元,输出层为1个神经元)混凝土碳化深度BP网络训练及预测模型,模型以水灰比、单位水泥用量及混凝土暴露时间为输入,训练模型以暴露时间为5年、10年、15年的混凝土碳化深度为输出,预测模型以暴露时间为20年、25年、30年的混凝土碳化深度为输出,训练及预测结果较为理想。 相似文献
4.
5.
6.
7.
建立供热试验系统,试验数据为供水温度、室内温度、室外温度、太阳辐照度,数据采集时间间隔设定为0. 5 h。选取BP神经网络、Elman神经网络,将室内温度、室外温度、太阳辐照度作为输入数据,对供水温度进行预测。选用500组试验数据,对神经网络进行优化训练,确定输入层输入数据组数量以及其他参数。选用50组试验数据,对两种神经网络预测供水温度的准确性进行验证。在2018年2月4日、5日分别进行BP神经网络、Elman神经网络预测能力评价(室内温度设定为16℃)。两种神经网络的输入数据组数量均为7组(即为实现供水温度的预测,除当前时刻试验数据组外,还应输入前6个时刻的数据组)。由BP神经网络、Elman神经网络预测的供水温度与实际供水温度变化趋势基本一致,最大相对误差分别为-5. 66%、4. 32%。由BP神经网络、Elman神经网络预测的供水温度,可以维持室内温度,与设定的室内温度相比,波动范围分别为±1℃、-0. 8~0. 9℃,Elman神经网络的预测能力更强。 相似文献
8.
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。 相似文献
9.
准确预测空调负荷不仅对蓄能空调高效运行意义重大,而且也是冷热电三联产技术发挥优势的关键所在。本文提出一种小波网络应用于空调负荷的预测模型,通过小波分解,把空调负荷序列分解为不同频段的小波系数序列,再将各层的小波系数子序列重构到原尺度上,然后对小波系数序列采用相匹配的BP神经网络模型进行预测,最后合成空调负荷序列的最终预测结果。该预测模型中的低频小波系数a3和中频小波系数d3的神经网络输入变量为前1天小波系数值和对应时刻的温度、相对湿度、风速、总辐射量、天气状况和星期几编码共7个因子,并采用主成分分析法进行输入变量的降维;高频小波系数d2和d1以前几日的小波系数为输入因子。经过对西安市某综合楼的空调负荷进行预测,证明了预测值和实际运行值拟和很好,相对误差为-10%~8%。该预测模型具有预测精度较高、推广能力较强及计算速度较快的优点。 相似文献
10.
11.
应用能量平衡原理,建立建筑物热损失方程和供热量方程,从而推导出室外温度和室内温度、供水、回水温度的数值模型,建立了北京地区某办公建筑供暖系统数学模型。利用自动气象观测站获得的24 h逐时的室外温度实况数据,对2012年2月1日至29日期间的供、回水温度进行数值模拟,并与该办公大厦实况值进行对比分析。检验结果表明,供、回水温度模拟值随着室外温度的变化而发生明显的变化,并且与室外温度呈反比例关系,相关系数为-0.95, 室内温度模拟值始终维持在设计温度附近上下波动。此外,供热量的模拟值与实况值具有较一致的变化趋势,随着室外气温的升高,模拟的供热量能够随着下降,供热量的模拟值要比实况值低,能够节约近8%的供热量。上述情况表明该供暖系统数学模型的模拟效果较好。 相似文献
12.
提出利用最大相关和最小冗余(mRMR)算法、粒子群优化(PSO)算法,对BP神经网络预测模型进行优化。对某住宅楼进行供热负荷预测,评价3种神经网络预测模型(BP神经网络预测模型、mRMR-BP神经网络预测模型、PSO-mRMR-BP神经网络预测模型)的预测效果。在3种神经网络预测模型中,BP神经网络预测模型的预测效果最差,PSO-mRMR-BP神经网络预测模型的预测效果最佳。与BP神经网络预测模型相比,经过mRMR算法对输入变量进行筛选以及PSO算法对初始参数进行优化,PSO-mRMR-BP神经网络预测模型的预测效果显著提高。 相似文献
13.
14.
提出采用Dropout技术的长短期记忆神经网络模型(Dropout-LSTM模型),对城市燃气日负荷进行预测。由于不同时期的燃气日负荷具有不同特点,将全年分为供暖期、过渡期及非供暖期,分别对3个时期的日负荷和影响因素进行相关性分析,确定3个模型的输入特征,建立3个时期的日负荷预测Dropout-LSTM模型,采用平均绝对百分比误差对模型预测效果进行评价。Dropout-LSTM模型可以很好地预测城市燃气日负荷,比BP模型、LSTM模型以及SVM模型有更好的预测效果。与基于全年数据的全年预测模型相比,分时期预测模型预测精度更高。供暖期的燃气日负荷规律性强,对供暖期的日负荷预测精度最高,非供暖期次之,由于过渡期日负荷波动大,预测效果是3个时期中最差的。 相似文献
15.
为研究室外风和机械排烟综合驱动对高层建筑疏散走道机械排烟效果的影响,在相似原理基础上,开展了1/3缩尺寸试验。通过改变室外风和机械排烟量,分析前室门处、疏散走道的烟气温度和烟气蔓延速度等参数,定量分析室外风对疏散走道机械排烟效果的影响。试验结果表明:室外风风速为1.0 m/s时,烟气层稳定,临界单位排烟量为105.8 m~3/(h·m~2),较无室外风时的临界单位排烟量(63.5 m~3/(h·m~2))有所提高;室外风风速为2.5 m/s时,烟气层紊乱,单位排烟量211.6 m~3/(h·m~2)仅能减缓烟气蔓延进入前室的速度,不能将烟气控制在疏散走道内;室外风风速为4.0 m/s时,疏散走道内烟气完全紊乱,机械排烟失去控烟效果。 相似文献
16.
建筑能耗影响因素复杂,研究新的能耗预测方法可简化预测过程,提高预测精度。首先对一栋高校建筑的能耗样本进行主成分分析(PCA),去除信息冗余,消除输入变量之间的相关性。把经过PCA提取的主成分作为Elman神经网络的输入,隐含层和输入层均采用tansig函数,在训练过程中不断对权值和偏差进行修正,最终建立基于PCA-Elman的建筑能耗预测模型。采用测试样本对模型精度进行验证,实例表明,基于PCA-Elman的建筑能耗预测模型相对误差为5.49%,优于单一Elman神经网络预测结果。本方法简单易行,可用于建筑能耗预测和建筑能耗监测系统的报警阈值设置。 相似文献
17.
以武汉某高校安装空调器、外门空气幕的4人学生宿舍为研究对象,在供暖期不同室外温度条件下,对人员坐姿时头部所在高度面(1.1 m高度面)的温度场、速度场进行模拟。以1.1 m高度面的空气温度整体水平、空气温度分布均匀性作为评价标准,选取适宜的空调送风角。以1.1 m高度面低温(低于23℃)区面积比为5%作为评价标准,确定不同室外温度条件下空气幕最佳送风风速。空调送风角宜选取45°。1.1 m高度面低温区面积比为5%时,室外温度8、3、-2℃对应的空气幕最佳送风风速分别为0.18、0.30、0.46 m/s。1.1 m高度面的空气速度分布以空调送风为主导,高速区出现在两储物柜中间位置,空气幕送风风速对1.1 m高度面的空气速度分布基本无影响。 相似文献
18.
19.
20.
《岩石力学与工程学报》2021,(Z1)
为简化岩爆烈度等级预测指标体系、解决预测分级模糊问题、利于工程人员分析预测结果,建立基于SOFM神经网络的岩爆烈度等级预测模型,并根据竞争层拓扑结构的不同将预测模型拓展成3个模型。将硐壁最大切向应力、岩石单轴抗压强度、岩石单轴抗拉强度作为模型输入向量,将40组国内外岩爆工程数据作为数据集输入3个模型进行训练、测试,3个模型在测试集上岩爆烈度等级预测正确率均达到90%。比较3个模型的聚类、测试及训练效果,得到竞争层神经元个数为16的预测模型最优。将最优预测模型的预测结果与可拓理论、Russenes判据、基于模糊C–均值算法粗糙集理论云模型的预测结果对比,基于SOFM神经网络模型的岩爆烈度等级预测方法优于其他方法,表明该方法具有一定可行性和实用性,为岩爆预测提供了一种新的方法和手段。 相似文献