MIV-PSO-BP神经网络用户热负荷预测

提出利用MIV-PSO-BP神经网络预测用户热负荷。MIV-PSO-BP神经网络基于BP神经网络,利用PSO算法优化神经网络初始参数,采取MIV算法筛选与输出变量相关程度最大的输入变量。以绝对误差、均方根误差作为指标,评价MIV-PSO-BP神经网络的预测效果。结合箱线图,比较BP神经网络、MIV-PSO-BP神经网络的预测相对误差分散程度与异常点数量。与BP神经网络相比,MIV-PSO-BP神经网络的预测效果更理想。由BP神经网络、MIV-PSO-BP神经网络的预测结果相对误差箱线图可知,MIV-PSO-BP神经网络预测结果相对误差集中,异常点少;BP神经网络预测结果相对误差分散,异常点多。MIV-PSO-BP神经网络预测准确性、稳定性更高。     

热负荷预测中应用神经网络模型的研究

区域供热热负荷的变化是典型的非线性变化，供热系统在确定建设规模，制定运行、检修计划方面面临许多因素的影响。本文对神经网络BP算法供热热负荷预测方面的应用在理论上做了一些研究，并引入实例对所建模型进行训练和检验，取得比较满意的效果。     

基于神经网络的供热计量系统热负荷短期预测

针对实行热计量后热负荷变化的特点，采用神经网络中应用最广泛的BP网络对热负荷进行预测，利用MATLAB仿真程序对所建立的人工神经网络负荷预测模型进行验证，仿真误差为6．93％，满足工程需要。     

燃气小时负荷的模糊神经网络预测

分析了燃气负荷运行变化规律，研究了负荷模型分类模式，采用改进模糊神经网络进行小时燃气负荷预测。     

基于神经网络的城市燃气短期负荷预测

采用VC语言编写基于神经网络技术的城市燃气短期负荷预测模型,经实例验证可以较精确地预测出城市燃气短期负荷.预测模型在权值修正项中引入动量项以加速收敛,在数据输入时引入噪声,以提高网络的泛化推广能力.     

在线学习神经网络用于空调负荷预测研究

提出了一种机理计算与神经网络学习相结合的在线负荷预测方法。利用Python建立负荷估算模型和BP神经网络模型,并通过将常州某一建筑实际空调负荷数据逐步输入模型之中模拟建筑的实时运行,对一年内和一年后的泛化能力进行分析。模拟结果表明,此种在线预测模型可以解决小样本条件下的空调负荷的预测问题。     

基于BP神经网络的地板辐射供暖系统逐时负荷预测

采用BP神经网络,可利用较少的输入参数建立地板辐射供暖系统热负荷预测模型,以大连市某超低能耗建筑为实测对象,根据实测的供暖期逐时热负荷数据建立了BP神经网络热负荷预测模型,并进行了改进.结果表明,采用基于多项式拟合改进的神经网络预测模型能够精确地预测一个单元未来24 h的逐时热负荷,预测误差为5％左右.     

民用建筑供热负荷的神经网络法预测

分析了供热系统负荷变化的各种扰量,提出利用人工神经网络对供热负荷进行预测的方法。对神经网络预测的可行性、方法的实施内容及输入输同变量的选择,网络连接方法的选择等进行了讨论。在进一步对供热负荷特性研究的基础上,可以利用人工神经网络对其进行切实可行的预测。     

基于小波变换的神经网络空调负荷预测研究

基于小波变换的思想建立了递归BP网络模型来预测空调负荷,改进了网络权值、闽值的修改算法,引入了折扣系数法以提高近期预测精度,结合一实例进行了空调逐时冷负荷预测,结果表明该方法预测精度高,适用于空调负荷预测。     

小波网络应用于空调负荷预测

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。     

基于人工神经网络的春节期间燃气负荷预测

研究了春节期间燃气负荷的规律，考虑了天气、温度、传统节假日等因素，采用BP网络和径向基神经网络相结合的方法对春节期间燃气负荷进行预测，效果良好。     

基于神经网络的空调系统负荷预测研究

以北京某建筑的空调系统作为实例研究对象,在所采集的3年实测数据基础上,主要探讨了基于ELMAN神经网络的日冷负荷预测方法和误差。用多元线性回归方法分析了日冷负荷神经网络预测模型输入参数对输出结果的影响度。最后经实验验证,以3周以上历史数据为训练集经多次预测后取平均值,具备较高的预测精度,同样可以指导工程实际设计。     

基于BP改进模型的空调系统负荷预测

针对BP模型的计算量大，收敛速度慢等缺点，本文提出了三种改进的BP模型，大大加快了收敛速度，提高了收敛性。并用实际数据对这三种改进模型进行了训练，实例证明了这些改进模型是有效的、可行的。     

遗传-BP神经网络法预测叶绿素a浓度变化

基于2009年—2010年对临江河回水区水质指标的监测数据,采用遗传算法结合BP神经网络的方法对回水区的叶绿素a(Chl-a)浓度变化进行动态模拟预测。通过灰色关联法确定了对Chl-a浓度有显著影响的指标与网络输入变量,即水温、DO、流速、透明度(SD)、TP、CODMn及Chl-a。模拟结果表明,遗传-BP神经网络的预测值和实测值吻合较好,其相对误差约为9.8%,模型可良好地用于次级河流回水区叶绿素a浓度的短期预测。预测结果表明,在春末夏初季节,当水库蓄水位为150～160 m时,临江河回水区富营养化潜势较高,尤其应注重临江河该时段富营养化的防控工作。     

大跨屋盖结构风压分布特性的模糊神经网络预测

针对影响大跨屋盖结构风荷载分布特征的诸多复杂因素,并结合深圳会议展览中心风洞试验项目的研究,本文应用模糊神经网络方法,成功地预测了大跨屋盖结构的风压分布特性。研究结果表明,采用该方法可以综合考虑各种因素的影响,并十分有效、简捷地处理常规方法难以解决的问题,进一步的应用表明这种方法可以用于其它类型建筑物风洞试验的数据处理和风压分布预测。     

基于遗传算法和BP网络的岩爆预测

选取影响岩爆的一些关键指标,例如脆性系数、弹性应变能指数、应力强度比等作为输入参数,采用经遗传算法优化过的BP网络,对岩爆的发生及其烈度进行了预测.针对国内外一些地下工程的实例进行了分析计算,预测结果与实际情况是符合的,说明这种方法有一定的实际意义.