机理计算与机器学习结合的空调负荷预测

文章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建立了统计学预测模型、支持向量机预测模型、随机森林预测模型。并通过将溧阳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1年内和1年后的泛化能力进行分析。模拟结果表明,随着实际负荷数据的逐步增加,通过在线学习逐步完善性能,可以快速建立建筑的空调负荷预测模型。机器学习预测空调负荷的方式扩大了负荷预测的使用范围,提高了冷冻站智能化运行的水平。     

基于Census X12-GM(1,1)模型的在线空调负荷预测

在线空调负荷预测是冰蓄冷空调系统优化控制的前提和基础。本文在对Census X12季节调整和GM(1,1)灰色预测模型特点进行分析的基础上,提出将两者融合用于空调负荷的在线预测。该方法用于一栋采用冰蓄冷系统的商业建筑的空调负荷预测,并与采用X12-ARIMA方法和单独采用GM(1,1)方法的预测结果进行比较,结果表明该建模方法具有较高的预测精度和较好工程适应性。     

基于支持向量机的建筑物空调负荷预测模型

建立了基于支持向量机(SVM)理论的建筑物空调负荷预测模型.对广州地区某办公楼夏季不同月份的逐时空调负荷,分别用SVM模型和BP神经网络模型进行了训练和预测.仿真结果表明,SVM模型具有更高的预测精度和更好的泛化能力,是建筑物空调负荷预测的一种有效方法.     

空调负荷混沌特性分析与预测

影响空调负荷因素比较多,且难于确定和提取,这就造成空调负荷的拟合和预测精度较低.在对空调负荷时间序列混沌特性分析的基础上,利用嵌人相空间来确定前期影响因子,建立了基于混沌相空间技术的BP神经网络模型.模型既能考虑到影响空调负荷时间序列的动力因子,又能解决网络输入单元数确定的困难,并能利用神经网络超强的非线性映射功能,结合空调负荷实例的拟合与预测,表明其结果合理,预测精度较高.     

《建筑热能通风空调》2003年总目次

5月,门八︺Q口尸乃1丈吐几00 11q山nj庄JS 题名 .空调纂于BP改进模型的空调系统负荷预测中央空调系统远程数据采集和控制系统的开发一种适用十长江流域冬季的新型空调方式一辐射板+自然通风蒸发冷却式空调白动控制的研究列车箱内空调效果的测定热泵循环及系统的选择零方程模型在人空间建筑热环境模拟中的应用实现新风系统经济运行的控制方法研究霜层生长过程的神经网络仿真模型研究空调负荷计算新方法—辐射系数法空调系统逐时冷负荷计算程序除湿机调温自区研究的念义冰蓄冷空调系统模拟优化技术探综大中型超市‘。商场类建筑空调设计的异…     

基于FCM优化神经网络的办公楼空调负荷预测

空调负荷预测对于优化空调系统运行具有重要指导价值,本文针对传统神经网络在预测空调负荷时精度较低、泛化能力弱和物理意义不明晰的缺点,建立了模糊C均值算法(Fuzzy C-means)优化的BP神经网络复合模型。模型先采用FCM算法对输入参数进行聚类,针对不同类建立BP神经网络预测模型,将待测样本分类后进行预测,最后使用决策树算法筛选预测结果中聚类不佳的部分进行加权优化。以珠海某办公楼空调系统实际运行数据为例验证了模型,结果显示随机负荷样本预测的精度指标即标准差率(Coefficient of Variance)为0.191相较于不聚类神经网络提高了51.4%;典型工作日、休息日日均负荷样本预测标准差率为0.08和0.14相对于不聚类神经网络则分别提高了73.0%和39.7%。     

基于粒子群神经网络的空调冷负荷短期预测

为提高空调冷负荷预测精度,本文提出了基于PSO-BP算法的神经网络模型。将PSO算法与BP神经网络相结合,对大型商场的空调样本数据进行冷负荷预测实验。结果表明,与BP神经预测算法相比,该算法的预测精度更高,运行速度更快。     

基于深度学习LSTM模型的短期空调负荷预测

通过预测空调负荷,提前改变空调运行状态可以有效提高空调系统的运行效率、改善室内热环境.本文提出基于深度学习LSTM模型短期空调负荷预测方法,对某建筑空调冷负荷进行预测,结果证明相对于传统预测模型,LSTM模型的误差更低,预测效果更好.     

夏热冬冷地区居住建筑的供暖空调负荷预测

采用EQUEST软件对夏热冬冷地区8个典型城市1 54栋居住建筑的供暖空调负荷进行模拟,分析体形系数、外墙传热系数、屋顶传热系数、朝向窗墙比、外窗传热系数、综合遮阳系数与供暖空调负荷之间的关系.基于SPSS软件对上述变量进行多元回归预测分析,得出了适用于夏热冬冷地区八个典型城市的居住建筑供暖空调负荷预测方程,为建筑设计师提供了一种便捷的供暖空调负荷计算和节能设计方法.     

神经网络法负荷预测与蓄冰空调系统的运行优化

文中介绍了蓄冰空调系统几种常见的控制策略。提出蓄冰空调系统的运行优化必须进行准确的负荷预测,并给出采用神经网络模型(ANN) 预测负荷的方法     

空调系统负荷分段预测与研究

为了改善空调系统的能源消耗,根据空调系统实际运行时的环境数据和负荷数据,采用神经网络的方式建立空调系统的负荷预测模型,通过负荷预测得到博物馆所需的空调负荷,以此作为空调系统节能优化的基础。根据BP神经网络具有的非线性特性以及强大的自学习自适应能力,对博物馆的空调负荷进行预测,建立基于BP神经网络的负荷预测模型,分析研究仿真得到结果,发现其不足之处主要体现在准确性上,之后对神经网络后改进进行分段预测,将通过仿真实验预测的结果与实际运行的负荷进行对比,结果表明改进后预测的结果具有较好的准确性。     

城市规划阶段建筑空调负荷预测方法

提出一种基于建筑空调负荷指标和气象参数的负荷因子法,分别计算建筑围护结构负荷、新风负荷、人员负荷、照明负荷及设备负荷,逐时叠加获得总的建筑空调负荷。利用正交试验对建筑空调负荷影响因素的显著性进行了分析,得出室外气象条件、室内设计参数及新风标准为建筑空调负荷预测的显著性影响因素。     

基于BP神经网络模型的大型公共建筑冷负荷预测

本文对BP神经网络的构成、算法设置及BP模型的预测步骤进行介绍,并以深圳某一大型公共建筑为例进行了负荷模拟,将BP神经网络模型应用到冷负荷预测活动中,数值模拟结果表明BP神经网络模型对负荷与各输入变量有很好的映射能力。     

大空间建筑喷口侧送风分层空调负荷特性研究

采用CFD模拟和缩尺模型实验,对大空间建筑喷口侧送风分层空调的竖直空气温度分布和负荷特性进行了研究.分析了建筑顶部排风比对空调负荷的影响,增大排风比可降低非空调区向空调区的对流转移负荷,而对辐射转移负荷影响较小.利用模拟结果绘制了不同排风比下的分层空调对流转移负荷线算图,并与设计手册中的对流转移负荷线算图进行了对比,给...     

基于PCA法的BP网络对冰蓄冷系统的空调负荷预测

BP神经网络应用于空调负荷预测时,如果输入变量较多或变量间存在相关关系,会直接影响BP神经网络的预测准确性。针对此问题,采用主成分分析(PCA)法,在保留原始数据主要信息的前提下提取数据的主要成分。根据各主成分的贡献率对神经网络输入变量进行缩减,达到压缩变量维数的目的。然后将主成分输入到负荷预测的模型之中进行预测,使之更符合空调负荷预测的特点,提高预测的速度和精度。最后通过实际算例进行验证,实验结果表明,该方法确实可行。     

空调运行负荷的混沌特性分析及GRNN混沌预测方法研究

准确预测空调运行负荷是实际建筑实现空调系统优化控制的关键。本文以海南三亚市2座五星级宾馆的空调运行负荷实测数据为基础,应用混沌理论分析空调运行负荷的混沌特性,利用广义回归神经网络(GRNN)建立混沌预测模型,对提前1 h和提前24 h的短期预测效果进行验证。研究结果表明:2座宾馆的空调运行负荷均具有混沌特性,在不规则的变化趋势中蕴含着内在规律,可以利用混沌预测方法对负荷进行预测;基于GRNN的混沌预测模型具有建模简单、鲁棒性好的优点,提前24 h的多步预测采用迭代法优于直接法,2座宾馆的提前1 h预测的期望偏差百分数(EEP)分别为6.1%和8.2%,提前24 h迭代预测的EEP值分别为8.5%和10.8%,仅基于历史负荷数据就可以实现较满意的预测精度。     

蓄能空调需求响应时段负荷和储释能时长预测

空调参与需求响应能够提高电力系统的稳定性。考虑主动储能的需求响应是通过准确预测蓄能罐的储能、释能时长以及系统的运行负荷来保障策略的合理性和高效性。为此,搭建TRNSYS仿真实验平台获取数据,采用相关性分析和主成分分析,选择输入变量并对其降维,比较5种机器学习算法(BP神经网络、RBF神经网络、广义回归神经网络、Elman神经网络和支持向量回归)对空调系统未来1 h和24 h的静态负荷预测。选择Elman神经网络预测蓄能罐的储、释能时长并利用改进的粒子群优化算法进一步优化,对未来1 h和24 h负荷进行滚动预测。结果表明:相关性分析+主成分分析能提高模型的预测精度,Elman神经网络预测精度最高,利用改进的粒子群算法优化后,该模型对未来1 h和24 h负荷预测的拟合优度R~2值分别从0.790和0.972提高到0.845和0.975;利用Elman神经网络预测储、释能时长R~2值分别为0.993和0.984。     

基于eQUEST能耗模拟的某区域能源站负荷预测研究

区域建筑群负荷预测是能源站系统容量配置的基础,在研究区域建筑负荷预测方法的基础上,运用e QUEST能耗模拟软件,预测天津某区域能源站供能区域建筑群空调冷、热负荷,进而预测能源站的空调负荷,并对入住率进行情景分析,计算不同入住率下的系统容量,为能源站系统容量配置提供基础数据。     

泛化能力改善的神经网络方法在空调负荷预测中的应用

本文针对神经网络方法进行负荷预测时存在的泛化能力较差的缺点,提出了对历史数据进行相关性分析和输入数据主成分分析以提高神经网络泛化能力.实例分析结果表明:历史数据的相关性分析为空调负荷预测神经网络模型输入参数的合理选择提供了依据,主成分分析方法在降低神经网络模型输入维数、提高该方法泛化能力方面有较好的作用.     

基于PSO-SA优化的LSSVM空调负荷预测

对空调负荷进行准确预测不仅对优化空调控制的意义重大,也是实现空调经济运行与节能的关键所在。为了提高建筑空调负荷的预测精度,在分析最小二乘支持向量机建模特点的基础上提出了利用PSO-SA优化的一种空调负荷预测算法。该方法利用粒子群—模拟退火方法对最小二乘支持向量机的参数进行优化选择,提高模型的精度和泛化能力。通过空调负荷预测建模的结果表明,该方法具有学习速度快、跟踪性能好以及泛化能力强等优点,为实现空调系统的优化运行奠定了基础。