未来气候变化下超低能耗建筑多目标优化

在全球气候变暖的背景下,探究未来气候条件下超低能耗建筑围护结构的最优设计参数,对建筑节能和热舒适度的提高具有重要意义。文章构建了成都地区的典型办公建筑,生成了2030、2040、2050和2060年的逐时气象数据,以围护结构参数为决策变量,并以建筑能耗和热舒适度为目标函数,利用非支配排序遗传算法进行多目标优化,得到未来气候条件下各围护结构参数的最优解。结果表明：外窗传热系数、窗墙比、外窗太阳能得热系数的最优解分别为1.0 W/(m²·K)、0.7、0.5,而外墙传热系数的最优解在2050年为0.26 W/(m²·K),其余年份为0.15 W/(m²·K);屋面传热系数的最优解分别为0.22、0.15、0.15和0.2 W/(m²·K);与初始工况相比,未来4个年份的建筑能耗分别降低了1.05%、2.03%、0.40%和1.40%,不舒适时间百分比分别降低了9.73%、12.35%、7.75%和7.76%。     

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KPCA-WLSSVM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。     

不同方法构建建筑能耗模型比较

为了能够准确预测建筑能耗,以人工神经网络中的前馈神经网络和物理原理建立的建筑模型作为能耗方案进行预测分析,并建立了从外部和内部获得热量的系统方程.以办公楼为例,对比两模型对能耗预测结果的准确性,并且输入实际参数值,将计算结果与实际值进行对比分析.采用EnergyPlus进行了参数分析,以评估不同参数对预测结果的影响.结果表明,两种模型均适用于能耗预测,内部负荷对能耗预测的影响更为显著.     

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%.     

生物滴滤器降解氯苯废气的动力学模型研究

本文以气-液相间传质与生物降解过程的有机结合为基础，建立生物滴滤器(BTF)净化有机废气的气-液-生物膜三相稳态动力学模型；模拟不同工况下BTF对氯苯废气的降解过程并加以验证.试验结果表明：前期研究获得的混合菌对氯苯的降解行为符合Michaelis-Menten方程，最大比降解速率ν_max=0.165 g/(g·h³);BTF稳定运行期不同进气质量浓度(ρ_in)与空床停留时间(T_E)下试验值与三相模型预测值吻合度较高，ρ_in>0.25 g/m³时，二者平均偏差为4.56%;在进气负荷小于80 g/(m³·h)时，该模型可较好地模拟BTF对有机废气的净化过程.运用该模型对不同工况下沿填料层高度氯苯的质量浓度进行预测，可有效指导BTF的设计和净化性能的预测.     

基于加权残差聚类的建筑负荷预测区间估计

提出基于加权残差聚类的建筑负荷预测区间估计方法,旨在对建筑负荷预测模型的不确定性进行定量评估. 使用Shapley additive explanations方法量化负荷预测模型的每个输入对输出的贡献程度. 基于得到的贡献程度对模型输入进行加权聚类,获得不同聚类簇中的模型历史残差分布. 根据不同聚类簇中的残差分布估计模型的预测区间. 在深圳某办公建筑1 a的冷负荷数据集上进行验证. 结果表明,与传统不对输入进行加权的方法相比,该方法可以显著提高预测区间的估计精度. 期望得到的预测区间与该方法得到的预测区间的平均覆盖误差为1.87%,而传统方法的平均覆盖误差为2.27%. 该方法可以用于估计任何数据驱动的建筑负荷预测模型的不确定性,从而为优化控制和故障诊断提供更可靠的负荷预测模型.     

气象参数对成都地区办公建筑能耗的影响及预测

气象参数是影响建筑热环境和供暖空调能耗的主要因素之一。基于成都地区1971—2000年共30 a的历史观测数据,生成了建筑能耗模拟软件EnergyPlus所需要的逐时气象数据文件。比较分析了该地区30 a干球温度、太阳辐射等各气象参数月均值的变化,模拟分析了该地区建筑的采暖、制冷及总能耗,利用多元回归建立了建筑能耗与气象参数之间的关系式,并检验了该关系式的准确性。结果表明：成都地区办公建筑能耗变化与各气象参数没有呈现明显的规律性;建筑月总能耗与各气象参数呈纯二次多项式关系,月采暖能耗、月制冷能耗与各气象参数呈交叉二项式关系;建筑月能耗回归模型能够较准确地预测建筑月能耗与各气象参数的关系,且月采暖能耗和月制冷能耗回归模型预测的准确性优于月总能耗模型。     

北方地区被动式办公建筑能耗分析研究

以寒冷地区某一具体被动式办公建筑为原型,应用e QUEST能耗计算软件分别按照工程实际和我国公共建筑节能设计标准建立模型,选取我国北方地区10个城市为研究对象,对比被动式办公建筑在北方地区相对于我国《公共建筑节能设计标准》设计的标准建筑的空调能耗情况。结果表明:按照德国被动式办公建筑参数设计的办公建筑夏季制冷能耗基本与常规节能建筑持平,而冬季采暖能耗有大幅度下降;就空调综合能耗来看,太原地区空调综合能耗节能潜力最大,空调综合能耗比常规节能建筑降低54.16%;哈尔滨地区最低,但也比常规节能建筑能耗减少了34.06%。     

基于 XGBoost和 LSTM 模型的高校招生网站流量预测研究

为协助高校做好招生宣传工作 ,提出了基于机器学习的高校招生网站流量预测方法 装 首先 ,对 网络日志进行预处理 ,生成不同时隙的数据集；接着 ,通过 XGBoost 模型的训练比较 ,筛选得出最佳 实验数据集；然后 ,鉴于数据的非线性和趋势不一等特点 ,分别使用参数优化后的 XGBoost 和 LSTM 模型进行数据训练 ,并根据训练误差值计算权重系数；最后 ,应用 XGB- LSTM加权组合预测模型进 行数据预测 装 实验结果表明 ,该组合模型预测结果的平均误差分别比 XGBoost 和 LSTM模型提高了 80 . 28%和3 . 42% ,具有良好的预测能力。     

1000 MW燃煤机组湿法脱硫装置氧化系统运行优化

针对石灰石-石膏湿法烟气脱硫技术应用过程中存在的变负荷变SO₂质量浓度条件下氧化风过量、氧化系统运行能耗高的问题，建立基于强制氧化和自然氧化过程机理的脱硫装置氧化过程模型，分析烟气中O₂体积分数、气泡直径、液滴粒径、反应增强因子等关键参数对强制氧化率和自然氧化率的影响规律.提出基于脱硫装置氧化过程模型的氧化系统实时运行优化方法，在1 000 MW机组脱硫装置上开展工业验证研究.结果表明，模型计算的四价硫变化量均方根误差不超过0.15 mol/m³.随着机组负荷在520 MW到1 000 MW之间变化，自然氧化率为10%～35%，氧化风需求量为107～360 m³/min.相比于按额定功率运行，氧化系统实时运行优化方法能够在保证脱硫装置氧化率的前提下降低23.7%的能耗.     

基于改进PSO的神经网络短期电力负荷预测模型

针对短期电力负荷预测问题,提出了一种基于改进粒子群算法(PSO)的BP神经网络预测模型.选取与电力负荷大小密切相关的季节、天气情况、当天最高温度、当天最低温度、日期性质、上年同期历史数据为神经网络的输入变量,电力负荷大小为输出变量,建立基于BP神经网络的电力负荷预测模型,同时利用改进的粒子群算法对神经网络进行训练.该训练算法具有较高的精度,能够建立较精确的短期电力负荷测量模型.仿真结果表明,基于改进粒子群算法的BP神经网络电力负荷预测模型预测精度较高,具有一定的应用价值.     

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.     

基于EnergyPlus的玻化微珠保温砂浆保温性能模拟与对比

以典型的办公建筑为例,应用EnergyPlus软件模拟对比了玻化微珠保温砂浆和普通抹面砂浆的保温性能,由此分析了两者的保温性能及建筑节能效果.经模拟分析,在一个采暖期里,玻化微珠保温砂浆内外保温建筑的总能耗仅是普通抹面砂浆建筑的56%,采暖能耗则仅为后者的19%,且室内温度比后者要明显地高.定量化地验证了玻化微珠保温砂浆优异的保温节能效果.     

ARIMA-BP复合模型在建筑能耗预测中的应用研究

建筑的能耗受到如季节、建筑的构造结构等多种因素的影响,目前对一栋建筑楼实现能耗预测往往采用单一模型,往往无法得到相对准确的结果.为了更好地描述建筑能耗规律,以南方某地为研究区域提出一种基于ARIMA和BP神经网络的复合模型,模型的实例数据来源为南方某地某市政办公楼近两年的能耗月数据.首先,通过ARIMA建模得到能耗值的拟合误差序列,再用BP模型修正误差值得到最终预测值.结果表明:复合预测模型的平均相对误差为0.278 3%,而单一模型则高达2.657 8%,复合模型的预测效果远优于单一模型,为准确实现建筑节能提出了一种新思路.     

节能型住宅采暖期建筑能耗动态分析

提出了采暖期负荷动态控制模型.以北京市某住宅为研究对象,利用EnergyPlus软件对采暖期负荷动态控制模型的实现方法、能耗效果进行了模拟和分析.研究结果表明:采暖期负荷动态控制模型不仅可使室内温度及舒适度满足设计要求,而且结果显示建筑用电量节约了16.4%,而总热量消耗减少了11.6%,节能效果显著.研究成果为采暖期的供热系统的节能运行调节提供了一种思路.     

基于灰色理论的城市燃气负荷预测

城市燃气负荷与城市工业发展,城市人口等因素密切相关,由于传统的城市燃气负荷GM(1,1)预测模型仅与历史数据有关,预测结果并不能真实反映燃气负荷在未来的变化趋势.应用灰色GM(1,N)模型,将工业产值和城市人口两个因子引入燃气负荷预测模型,建立一个一阶3个变量的灰色GM(1,3)模型,进行预测.实例预测计算结果表明该模型能够准确预测城市燃气负荷,而且该模型考虑了影响燃气负荷的主要因素,使得预测模型和结果更为合理.     

城市建筑布局的能耗敏感性分析

为研究城市建筑布局对能耗的影响规律及关键性布局参数,采用仿真试验结合敏感性分析的方法,从遮挡太阳辐射减少建筑得热的角度,对武汉地区200种布局进行仿真研究.首先,通过拉丁超立方抽样(LHS)确定布局参数组合;然后,利用R语言和EnergyPlus能耗模拟软件建立200种能耗模型并计算;最后,应用标准回归系数(SRC)和树状高斯过程模型(TGP)两种全局敏感性分析方法,量化分析水平和垂直方向9个布局参数对目标建筑能耗的影响.结果表明:建筑布局对能耗有显著影响,9个布局参数的总变化,分别引起制冷、供暖和总能耗15.8%、26.8%、4.4%的波动;两种敏感性分析结果类似,对制冷和总能耗影响最大的参数是西侧建筑高度,其主效应都在0.3左右,影响最小的参数是南侧建筑面宽,其主效应都在0.1以下;影响供暖能耗最大的参数是南侧建筑的高度,其主效应在0.3以上,影响最小的参数是东侧建筑面宽.当参数取值远大于目标建筑尺寸时,各参数对能耗的影响力降低,采用TGP敏感性分析更合理.从节能减排的角度,为城市规划及建筑布局提供理论依据.     

蚁群算法分配权重的燃气日负荷组合预测模型

为适应城镇燃气日负荷随机性和多变性的特点,克服特定时刻单一负荷预测模型存在实际应用局限性的问题,将5种评价准则用于组合预测前剔除冗余模型,提出了一种建立变全重组合预测模型的方法,通过蚁群算法确定分配权重的组合预测模型,使得在一个时段上的燃气日负荷预测精度好于各单一模型.首先对包含诸多随机和模糊等不确定因素的城镇燃气日负荷时变系统和各预测模型特点进行分析;然后确定岭回归分析(Ridge)、差分自回归积分滑动平均模型(ARIMA)、支持向量机回归(SVR)、极端梯度提升树(XGB)共4类单项日负荷预测模型,结合城镇燃气日负荷和模型的特点,分别给出每个模型各项参数的设置和模型的输入向量;用平均相对误差、均方根误差、灰色关联度、相关系数、Theil不等系数为评价准则计算出的综合评价指标剔除冗余模型,最后建立了蚁群算法权重分配的组合预测模型.预测实例表明,蚁群算法分配权重的燃气日负荷组合预测模型长期的综合预测效果要优于任意单项模型,相比于单一模型而言,组合预测模型的稳定性和容错率更高,具备较强的泛化能力.     

基于变量分组降维的辛烷值损失预测模型

针对精炼汽油辛烷值损失的问题，基于灰色关联度分析方法与最大信息系数方法，给出变量分组降维的特征选择方法，以有效选择出具有独立性代表的特征；与随机森林算法相结合，提出一种辛烷值损失量预测模型。由于操作变量之间具有高度非线性和相互强耦联的关系，采用变量分组降维，即考虑操作变量、性质变量与产品硫含量、辛烷值损失的关系来筛选特征。利用灰色关联度筛选出对辛烷值损失和产品硫含量的关联程度较强的特征，排序后由最大信息系数筛选出28个独立变量。收集研究生数学建模竞赛试题数据，采用随机森林算法进行仿真预测计算。计算结果表明，基于变量分组的特征选择和辛烷值损失预测模型得到的均方误差为0.0086,拟合值R²为92.5%。     

组合优化灰色模型在中长期电力负荷预测中的应用

鉴于中长期负荷预测受很多不确定因素的影响，各种预测方法都有其局限性的问题，在分析基本灰色模型及其传统改进模型在负荷预测中局限性的基础上，提出了一种电力系统中长期负荷预测的实用新方法——组合优化灰色预测法.该预测法是一种对残差改进灰色模型(GM)和基于等维新息递补预测法的改进灰色模型进行优化的组合方法，能够实现在线预测模型参数，满足动态电力负荷能解决随机干扰影响的要求，最终的预测结果误差可基本控制在3%之内. 经过实例计算，组合优化灰色预测模型用于中长期电力负荷预测，与传统的系统理论方法相比较，该方法计算简捷，预测精度高，具有很好的实用性.