基于PCA—Elman神经网络的建筑能耗预测

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。     

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LMBP神经网络的建筑能耗短期预测

为解决BP神经网络预测速度慢不适于建筑能耗短期预测的问题,采用Levenberg-Marquardt算法改进BP神经网络建立了基于LMBP神经网络的建筑能耗短期预测模型。通过某建筑物1个月的电量,对模型进行训练和测试,结果表明基于LMBP神经网络的预测模型预测速度显著提高,预测精度满足实际需要,适用于建筑能耗短期预测。     

基于气象热舒适度的建筑能耗灰色神经网络预测

针对建筑能耗受局地气候多因素影响的特点,为了客观准确地对建筑能耗进行预测,本文引入了气象热舒适度来综合分析气候对建筑能耗的影响,并以该指数预测值、建筑能耗原始数据和日期类型作为输入层,进行复合灰色神经网络模型预测建筑能耗。该方法不仅克服了灰色模型和神经网络存在的预测缺陷,同时还考虑了气象因素对建筑能耗的影响。通过对北京某大厦的实例应用分析,取得了较高精度的预测结果,证实了该方法的合理可靠,为建筑能耗预测提供了新途径,其预测结果也将为大型建筑空调系统的再优化设计和改造提供参考。     

基于BP神经网络的自动扶梯能耗预测方法

提出了一种基于BP神经网络的自动扶梯参数建模及自动扶梯能耗预测方法,可以根据不同型号自动扶梯的不同参数预测出该型号自动扶梯的能耗.通过夏天和冬天预测结果的对比分析,进一步分析了环境温度对自动扶梯能耗的影响.     

基于神经网络的建筑能耗预测

由于目前只有很少一部分建筑师能掌握复杂的建筑能耗分析,因此本文利用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,并与DeST-h模拟计算得到的结果比较,发现相对误差在3.5%以内,验证了该网络模型的可行性.该方法使建筑师在设计阶段能够简单且准确地获得设计建筑的能耗.     

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.     

基于GM-BP神经网络的校园建筑能耗预测

针对季节更迭、教学活动等因素对校园公共建筑能耗的影响,通过建立GM-BP神经网络组合预测模型,借助MATLAB软件完成建模和仿真环节,对建筑能耗开展预测分析研究。同时,引入最大相对误差绝对值Emax、平均相对误差Eave和均方根误差RMSE 3个性能指标对各预测模型性能进行评价。结果表明,组合模型较单一的GM(1,1)模型和BP神经网络模型预测精度更高,拟合性能更好。研究成果对能源管理部门制定用能政策及科研院校从事建筑节能研究具有一定的借鉴意义。     

基于改进型RBF神经网络的建筑用电能耗预测

径向基函数(Radial Basis Function,RBF)神经网络由于其网络结构简单、网络适应性好、学习过程收敛速度快等优点被运用于电力负荷预测领域.在将其应用于建筑用电能耗预测的过程中,由于对目前已有的建筑能耗数据和影响能耗的关键因素分析不足,以及网络参数不易确定,将导致预测精度无法满足实际需求.采用粒子群算法...     

基于BP神经网络模型的上海高校能耗预测研究

利用BP神经网络模型来预测上海高校"十二五"期间的能源消耗水平。在这一模型中,将上海市GDP、城市居民可支配收入、高校学生人数、高校建筑面积、高校空调面积、高校科研经费,以及1999年-2011年上海市高校的总能耗作为输入层,输出层为2012年-2022年上海高校总能耗。首先采用1999年-2008年的样本数据对神经网络进行训练,接着采用2009年-2011年的样本数据对神经网络进行仿真,最后利用训练好的神经网络预测2012年-2022年上海市高校的总能耗。经过训练后的网络对于输入信号的仿真误差为0.007 774 7,表明BP神经网络模型可有效地预测上海高校的能耗水平。     

一种面向大规模建筑群能耗预测的BP神经网络模型配置方法

针对大规模建筑群的能耗预测问题,提出了一种基于BP神经网络的模型配置方法。该方法将复杂的建筑能耗预测相关的影响因素、参数、算法与建筑能耗实际预测功能进行解耦分离,实现任意预测模型的可配置化创建,有效地降低了建筑能耗预测系统的开发和维护成本,使得大规模建筑群的能耗预测系统易于实现。目前,可配置化的建筑能耗预测系统已被应用于多栋建筑的能耗预测,有效地降低了能源浪费。     

建筑能耗预测方法综述

建筑的能源消耗情况被很多因素影响,例如天气环境情况,建筑结构和特点,子组件的性能,例如照明和空调通风系统,入住率和他们的住户的行为。这些复杂的情况使准确的预测建筑能耗变得很困难。本文综述了关于建模和建筑能耗预测的最近的工作。这些方法包括工程、统计和人工智能的方法。     

基于大数据和循环神经网络在静态监测设备故障的预测研究

本文开展了基于监测大数据和循环神经网络技术对静态监测设备的故障预测研究,并根据实时监测到的各种数据,找出在结构监测中的关键性能指标,以此作为本次研究的训练特征,并将其输入到建立的TensorFlow2的神经网络模型之中,根据神经网路模型所输出的数据来预测监测现场是否存在设备故障。     

市、县尺度建筑能耗发展预测方法及应用

建筑能耗发展预测是科学制定建筑节能工作目标、任务和政策措施的重要依据。本文在市、县尺度建筑节能专项规划的研究和实践工作基础上,结合可获取数据信息的实际条件,提出了该尺度下建筑能耗发展预测方法,并结合典型案例对常用节能技术和政策措施进行了效果分析,为该尺度下建筑节能专项规划提供方法和参考。     

基于灰色关联分析的民用建筑能耗预测研究

以山东省民用建筑发展现状分析为基础,通过灰色关联分析方法对影响建筑能耗的因素进行了实证分析。结果表明,建筑总面积、城市生产力和城市化率对民用建筑能耗量增长影响显著,总人口、技术水平影响较小。在此基础上,针对山东省民用建筑能源消耗建立了岭回归模型、BP神经网络模型和灰色预测模型。     

建筑方案能耗快速预测方法研究综述

综述了建筑方案能耗快速预测的4种方法:工程简化算法、以多元回归方法为代表的统计学方法、以人工神经网络模型为代表的人工智能方法和并行计算方法,并从预测精度、预测速度、方法适用情况、方法局限性等方面进行了对比,为针对具体问题的预测方法选择给出了建议。     

基于多规则实时学习组合型BP神经网络的城市建筑能耗预测模型

本文在建立城市层面的建筑用电量预测模型时,针对常规BP神经网络模型存在的诸多缺陷,进行了多种优化:组合模型预测取均值以克服随机性;加入统计规则以剔除个别奇异预测值的影响;实时学习以提高长期预测的精度.此怂外,针对影响因素的未来趋势难以准确预测的问题,增加了月份周期变量和月份序列变量这2个变量作为网络的输入,以提高模型的精度.结果显示,该方法预测效果明显优于常规BP神经网络和时间序列等方法.     

基于实测能耗数据的商业建筑碳排放量预测

商业建筑碳排放量受到气候、地理、经济水平的影响,为研究不同分类下商业建筑碳排放量的差异,制定合适的碳排放量指标与逐年降低比例,本研究整理了大量不同气候区及开业年份的商业建筑的实测能耗数据,在此基础之上,基于碳排放因子法、BP神经网络和回归拟合的方法,预测了不同分类商业建筑未来一年的碳排放量并分析了其发展趋势.结果显示,...     

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...