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。     

基于互联网的神经网络空调负荷预测解决方案

在分析比较各种负荷预测方法的基础上，给出了一个基于互联网的应用神经网络方法进行负荷预测的方案。该方法通过互联网以“准在线”的方式可同时满足较高的逐时负荷预测精度和模型调整的要求，并已在实际工程中使用，取得了一定的效果。     

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。     

空调负荷的动态分析与设计负荷

本文根据自编的《VCD-I》空调动态负荷计算程序,对宾馆类建筑分析了动态贞荷与设计负荷的关系,提出了一种由动态负荷确定设计负荷的《负荷系数法》.对深入研究空调负荷计算方法和编制我国空调设计规范又增辟了一个新的途径.     

基于DE-BP算法的空调负荷预测研究

建立了基于BP神经网络理论的空调系统负荷预测模型.针对BP神经网络参数优化过程中容易陷入局部最优的缺陷,采用差异演化算法(differential evolution algorithm,DE)对其进行优化,以提高预测精度.结合具体实例进行空调冷负荷预测,并与采用遗传算法、蚁群算法、粒子群算法对BP神经网络进行参数优化的仿真实验结果对比表明,由DE-BP算法所具有较好的预测性能.     

基于小波神经网络冰蓄冷空调负荷预测

为了节省冰蓄冷中央空调系统的运行费用,准确地预测空调冷负荷是必不可少的。采用db1小波对冰蓄冷空调冷负荷序列进行分解,分别对低频和高频序列采用BP网络进行预测,将预测结果进行叠加得到最终预测值。结合实例进行了空调逐时冷负荷预测,通过小波-BP网络与BP网络预测结果的对比,可知小波-BP网络预测的效果更好。     

应用人工神经网络预测建筑物空调负荷

用VB编制了人工神经网络的通用BP算法程序。根据西安参考年气象参数，采用动态模拟程序计算了菜办公楼4月至9月逐时冷负荷，结果显示利用神经网络的预测值与计算值吻合。     

浅谈地铁车站空调负荷特性

介绍了地铁车站空调负荷的计算方法。以广州典型地铁车站的设计数据为例,经分析得出了地铁车站空调负荷的主要控制因素是车站客流量和新风负荷的结论。     

浅析电力系统负荷的混沌预测方法

混沌预测是非线性科学领域的研究热点,其潜力非常巨大。文章简要回顾电力系统负荷预测方法的发展历程,详细分析了目前常用的几种混沌预测方法,其中包括相空间重构等主要思想。     

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。     

空调负荷计算方法综述

回顾了建筑空调负荷计算方法的历史,并对几种典型的计算方法谐波反应法、反应系数法、Z传递函数法、冷负荷温差(CLTD)/冷负荷系数(CLF)法及负荷模拟的主要思想和特点进行了综述,并对各空调负荷计算法在未来的发展进行了展望。     

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.     

基于改进PSO-BP神经网络的冰蓄冷空调冷负荷动态预测模型

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。     

地下建筑供暖空调负荷模拟软件的研究与开发

根据地下建筑供暖空调负荷设计计算的相关文献和规范,以Visual Basic6·0和Compaq Visual Fortran等为工具,研究开发了地下建筑供暖空调负荷模拟和能耗预测软件。该软件操作界面简单,可计算不同地区、不同工程类型的各种地下建筑的负荷,并自动生成详尽的设计计算书。     

住宅建筑空调部分负荷分布的研究

住宅建筑的空调负荷分布与公共建筑相差较大。通过对住宅建筑的调查,分析了影响空调负荷分布的因素,得出在不同气候条件下不同时段空调使用率的分布,并根据温频法原理计算了住宅空调的理论负荷,结合夏季气候参数得出住宅建筑空调负荷的具体分布,其分布具有离散性大、低负荷率的特点。     

某工程空调冷负荷计算实例

结合广州金融电子综合大楼的空调冷负荷计算这一工程实例 ,对其金融商场冷负荷做了认真计算和分析 ,并据分析结果合理选定了主要制冷设备     

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。     

图形化技术在空调负荷计算软件中的应用

介绍了一种采用图形化技术的负荷计算软件，讨论了图形化技术在数据自动提取原始计算数据输入，编辑修改，数据显示，归档文件等方面的应用，讨论了空调负荷和室内设计参数向空调平面图的自动传输，完备的气象资料数据库的建立，图形支持环境等问题。     

Low-e玻璃对空调负荷及建筑能耗的影响

分别根据6种传热系数和遮阳系数不同的窗玻璃对2栋建筑进行空调负荷和能耗模拟计算,结果表明,在深圳市,对空调负荷以及全年能耗影响最大的是玻璃的遮阳系数,其次是传热系数,Low—e中空玻璃与普通3mm白玻璃相比,空调负荷可以降低20％左右,全年空调能耗降低24％左右;在北京市,使用Low-e玻璃可以降低32％的空调能耗和20％的空调负荷,但是却增加了2％的供暖能耗。