基于时间序列自回归模型的绿色建筑供暖能耗短期预测

为实时了解绿色建筑供暖能耗的变化趋势,提升能耗预测效果,设计基于时间序列自回归模型的绿色建筑供暖能耗短期预测方法。利用增强迪基-福勒检验法,检验绿色建筑历史供暖能耗时间序列平稳性;对非平稳的历史能耗时间序列进行差分平稳化处理,获取平稳的历史能耗时间序列;在时间序列自回归模型内添加移动平均模型,并考虑能耗的气温影响因素,建立时间序列自回归移动平均模型;利用赤池信息准则确定模型阶数,通过粒子群算法确定模型参数;在模型阶数与参数确定后的模型内,输入平稳的历史能耗时间序列,输出供暖能耗短期预测值。实验证明：该方法可精准预测不同类型绿色建筑的短期供暖能耗;在不同绿色建筑渗透量时,该方法短期供暖能耗预测误差较小;在不同室外温度时,该方法短期供暖能耗预测的可决系数较高,即预测精度较高。     

基于Q-Learning算法的建筑能耗预测

提出一种基于Q-learning算法的建筑能耗预测方法.通过将建筑能耗预测问题建模为一个标准的马尔科夫决策过程,利用深度置信网对建筑能耗进行状态建模,结合Q-learning算法,实现对建筑能耗的实时预测.通过美国巴尔的摩燃气和电力公司公开的建筑能耗数据进行测试实验,结果表明,基于本文所提出的模型,利用Q-learning算法可以实现对建筑能耗的有效预测,并在此基础上,基于深度置信网的Q-learning算法具有更高的预测精度.此外,实验部分还进一步验证了算法中相关参数对实验性能的影响.     

基于NAR神经网络的船舶运动姿态短期预测

船舶在海上作业的过程中,不可避免地会受到风浪的扰动影响,风浪扰动可以分解到船舶运动的六个自由度上,而船舶的六自由度运动是一个复杂的非线性过程.借助预测算法可以对船舶短时间后的运动状态进行预测,从而更好辅助在船舶上的工作活动.为了提升船舶运动姿态的预测精度,建立了非线性自回归(NAR)神经网络模型,并利用NAR模型对船舶...     

基于分类DQN的建筑能耗预测

本文提出一种可用于建筑能耗预测的基于KNN分类器的DQN算法——K-DQN.其在利用马尔科夫决策过程对建筑能耗进行建模时,针对大规模动作空间问题,将原始动作空间缩减进而提高算法的预测精度及收敛速率.首先, K-DQN将原始动作空间平均划分为多个子动作空间,并将每个子动作空间对应的状态分为一类,以此构建KNN分类器.其次,利用KNN分类器,将不同类别相同次序动作进行统一表示,以实现动作空间的缩减.最后,K-DQN将状态类别概率与原始状态相结合,在构建新状态的同时,帮助确定缩减动作空间内每一动作的具体含义,从而确保算法的收敛性.实验结果表明,文章提出的K-DQN算法可以获得优于DDPG、DQN算法的能耗预测精度,且降低了网络训练时间.     

基于变分模态分解和深度置信网络的短期负荷预测

短期负荷预测作为电力调度中的关键一环,对电网未来的发展具有深远的意义.提出一种基于变分模态分解(VMD)和深度置信网络(DBN)的短期负荷预测模型.首先,采用VMD算法将负荷数据分解成不同的本征模态函数(IMF);然后结合DBN网络对每个IMF进行预测;最后,叠加每个部分的预测结果,得到VMD-DBN模型的预测结果.实...     

基于Spark Streaming的实时能耗分项计量系统

能耗分项计量能够准确、及时、有效地发现能源使用问题,形成和实现最有效的节能措施。能耗分项计量系统需要对各项能源使用量在不同粒度上进行统计,既有实时性的需求,又需要涉及到聚合、去重、连接等较为复杂的统计需求。由于数据产生快、实时性强、数据量大,所以很难统一采集并入库存储后再作处理,这便导致传统的数据处理架构不能满足需求。为此,提出基于Spark Streaming大数据流式技术构建一个实时能耗分项计量系统,对实时能耗分项计量的系统架构和内部结构进行了详细介绍,并通过实验数据分析了系统的实时数据处理能力。与传统架构不同,实时能耗分项计量系统在数据流动的过程中实时地进行捕捉和处理,一方面把捕捉到的异常信息及时报警到前端,同时把分类分项统计处理的结果保存到数据库,以便进行离线分析和数据挖掘,能有效地解决上述数据处理过程中遇到的问题。     

建筑中能耗拆分方法

提出能耗拆分的基本方法。现存的建筑配电系统支路中往往包含多种能耗设备,而计量装置只能统计某户或某层的总能耗量,通过能耗拆分能够计算出各类用电设备的能耗量,让各管理体系内的节能工作能够有的放矢,使节能工作建立在定量化的基础上,为节能运行管理、节能改造和各节能措施的节能效果后评估等工作提供数据支持。     

基于CNN-LSTM的短期风电功率预测

短期风电功率预测对电力系统的安全稳定运行和能源的优化配置具有重要意义。鉴于卷积神经网络(CNN)高效的数据特征提取能力,以及长短期记忆网络(LSTM)描述时间序列长期依赖关系的能力。为了提高短期风电功率预测的精度,设计了一种基于CNN和LSTM的风电功率预测模型。该模型利用卷积神经网络对风电功率、风速、风向数据进行多层卷积和池化堆叠计算,提取风电功率相关数据的特征图谱。为了描述风电功率序列的时序依从关系,将图谱特征信息作为长短期记忆网络的输入信息,计算得到风电功率的预测结果。采用西班牙某风电场的实测数据进行模型预测精度验证。结果表明,该模型较LSTM、Elman模型具有更好的预测性能。     

短期燃气预测的信息熵组合模型研究

城市燃气负荷量的预测对于智慧型城市智能化燃气系统来说具重要的作用并是富有挑战性的工作。针对本地区燃气负荷具有周期性特点,为提高预测精度,提出一种基于信息熵的ARIMA和BP神经网络并行组合模型预测方法。该方法在对原始数据进行离群点预处理的基本上,首先用ARIMA方法进行预测,将燃气负荷TS分解成为趋势性和季节性两种TS分别进行建模;然后在BP神经网络中采用差值训练方法对负荷量进行预测;最后在基于信息熵的原理下将以上两种方法进行组合,从而预测出未来数日的燃气日负荷量。以上三种方法的实验对比结果验证了燃气短期预测的信息熵组合模型的可行性与有效性。     

融合多因素的短时交通流预测研究

交通流预测一直是交通领域的研究热点,针对现有交通流预测研究大多为常态下的预测,而未考虑天气、节假日等外部因素的影响,提出了一种融合多因素的短时交通流预测模型。通过长短时记忆网络（long short-term memory,LSTM）捕捉时间序列的长期依赖关系,引入注意力机制,利用注意力机制自适应地选择相应的驱动序列,实现短时交通流的预测。实验分别与传统模型、未引入注意力机制的CLA-ATTN模型及未融合多因素的CLA-MFACTOR模型进行对比分析,结果证明所提出的CLA模型具有较高的预测准确度,是一种较好的预测方法。     

基于遗传优化决策树的建筑能耗短期预测模型

使用线性回归模型预测公共建筑能耗数据时,存在不确定性影响因素和精度偏差问题。为此,建立一种遗传优化决策树模型。采用遗传算法优化梯度提升决策树的子树生成过程,以模型预测的R-Square值作为迭代的评估标准,从而达到能耗预测的目的。实验结果表明,与传统的回归预测模型相比,该模型预测精度较高。     

改进鲸鱼算法构建混合模型的建筑能耗预测

建筑能耗数据具有非平稳和非线性特征,单一预测模型很难对其进行精准预测,提出一种用于建筑能耗短期预测的新型混合模型。利用互补集合经验模态分解方法(CEEMD)将波动性较大的能耗数据分解为一组本征模态函数和一个残差序列;基于反向学习、差分进化算法并引入控制参数对鲸鱼优化算法(WOA)进行改进,有效解决算法早熟收敛与陷入局部最优等问题,提出改进算法UWOA(upgraded whale optimization algorithm);利用UWOA优化Elman神经网络的权值与阈值,优化后的Elman神经网络对本征模态函数和残差序列进行预测并集成,得到能耗预测值。应用CEEMD-UWOA-Elman混合模型对上海某大型公共建筑能耗进行短期预测,结果显示混合模型获得很好的预测效果。     

基于PSO-DE-BP的光伏发电功率短期预测

提高光伏发电功率预测精度对保障智能电网安全稳定运行有重要意义;针对传统BP神经网络存在预测精度不高且收敛速度慢的弊端,提出一种基于粒子群(PSO)差分进化(DE)并行计算优化BP神经网络的光伏发电短期预测方法;首先分析影响因素重要程度,通过带权重的欧式距离筛选相似的训练样本集;其次,对粒子群分组,通过粒子群和差分进化混合算法对粒子组内和组间优化,以保证种群多样性、提高预测稳定和精度、避免局部最优;然后,建立预测模型,通过基于spark的内存计算平台,将PSO-DE-BP算法并行优化以提高算法运行效率;最后,根据不同天气类型的预测结果对模型进行分析验证,此方法比PSO-BP、BP算法模型具有更高的稳定性和预测精度。     

基于IPSO-Elman神经网络的建筑暖通空调系统能耗预测方法

在建筑暖通空调系统能耗预测中,在不同负荷比率的作用下预测偏差较高,可靠性需要进一步提高.为此,提出了基于IP-SO-Elman神经网络的建筑暖通空调系统能耗预测方法.从正在运行的暖通空调系统中,提取能耗数据,在获得完整的能耗数据后,根据能耗数据的动态变化特点,计算IPSO-Elman神经网络的惯性权重和学习因子,将能耗...     

自适应序列生成的建筑能耗预测

提出一种基于强化学习的生成对抗网络(Reinforcement learning-based Generative Adversarial Networks,Re-GAN)能耗预测方法.该算法将强化学习与生成对抗网络相结合,将GAN(Generative Adversarial Nets)中的生成器以及判别器分别构建为强化学习中Agent(生成器)以及奖赏函数.在训练过程中,将当前的真实能耗序列作为Agent的输入状态,构建一组固定长度的生成序列,结合判别器及蒙特卡洛搜索方法进一步构建当前序列的奖赏函数,并以此作为真实样本序列后续第一个能耗值的奖赏.在此基础之上,构建关于奖赏的目标函数,并求解最优参数.最后使用所提算法对唐宁街综合大楼公开的建筑能耗数据进行预测试验,实验结果表明,所提算法比多层感知机、门控循环神经网络和卷积神经网络具有更高的预测精度.     

基于Java的建筑能耗监控系统

通过MyEclipse10.0和SQL Server 2008开发了一个建筑能耗监控平台,系统采用Java语言的JDBC数据库访问技术,SQL Server 2008数据库语言以及Java语言中的图形化库等,实时更新显示能耗数据,并对数据进行分析和管理,有效地实现了监控的目的。     

基于Modbus通信协议的建筑能耗监控系统

Modbus是应用于电子控制器上的一种通信协议。该文主要介绍了以上位机PC为核心的基于Modbus通信协议的建筑能耗监控系统的设计,详细阐述了基于Modbus RTU规约的电力参数采集显示系统的软硬件组成和实现。VC＋＋6.0开发环境下编程实现了与下位机的通信,并利用ADO访问SQL数据库,实现了对采集来的数据进行存储、绘图等。