基于模糊神经网络的供热负荷预测

为了克服传统BP神经网络预测精度差,易陷入局部极值的缺陷,提出了模糊神经网络系统。利用模糊粗糙集通过历史负荷数据信息的模糊化替代负荷变化的离散化,快速寻找出样本数据间的连续属性的信息,将其与传统BP神经网络结合组成模糊神经网络对热负荷进行预测。实验结果表明:该模糊神经网络预测结果的相对误差很小不超过2%,在短期负荷预测方面具有的优越性。     

区域供冷供热系统的负荷预测

针对区域供冷供热的特点,提出一种有效的区域负荷预测方法:通过建立几种适用于某一地区的典型建筑DeST负荷计算模型,模拟出不同类型建筑的全年逐时负荷并对数据进行分析处理,得出不同类型建筑的全年峰值负荷与负荷率时间分布,用来指导该地区的区域负荷预测或区域供冷供热系统的研究。     

热负荷预测中应用神经网络模型的研究

区域供热热负荷的变化是典型的非线性变化，供热系统在确定建设规模，制定运行、检修计划方面面临许多因素的影响。本文对神经网络BP算法供热热负荷预测方面的应用在理论上做了一些研究，并引入实例对所建模型进行训练和检验，取得比较满意的效果。     

基于神经网络的区域供热系统短期负荷预测

准确的热负荷预测是实现区域供热系统精细控制和节能减碳的关键。以国内北方某城市区域供热系统为研究对象,分别采用BP神经网络(BPNN)、遗传算法(Genetic Algorithm, GA)优化BP神经网络(GA-BPNN)和自回归移动平均模型(Autoregressive Integrated Moving Average Model, ARIMA)组合BP神经网络(ARIMA-BPNN)方法对其热负荷进行预测,并对比了各预测方法的准确性和适用性。结果表明,GA-BPNN预测误差最小,ARIMA-BPNN次之,但后者预测所需数据更少。此外,验证了在减少样本数目以及影响因素的种类的情况下,GA-BPNN预测方法的平均相对误差均在5%以内,表明GA-BPNN预测方法适用于样本减少的情况。     

区域供热系统的热负荷预测方法研究

为使供热系统能更好更高效地向用户提供热能,对供热系统不同形式的热负荷预测方法进行了科学的分类,并逐一分析进行比较,根据各预测方法特点探讨其适用范围以及待深入研究的方向。     

浅析日本区域供冷供热的负荷预测

介绍了日本区域供冷供热领域中冷负荷、热负荷、用电负荷、生活热水加热负荷的设计值和全年累计值,以及逐时逐月的变化规律.该数据是基于对大量建筑物的实际能耗进行收集、统计分析后得出的,可供中国设计师在初期规划阶段参考、借鉴.     

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。     

MIV-PSO-BP神经网络用户热负荷预测

提出利用MIV-PSO-BP神经网络预测用户热负荷。MIV-PSO-BP神经网络基于BP神经网络,利用PSO算法优化神经网络初始参数,采取MIV算法筛选与输出变量相关程度最大的输入变量。以绝对误差、均方根误差作为指标,评价MIV-PSO-BP神经网络的预测效果。结合箱线图,比较BP神经网络、MIV-PSO-BP神经网络的预测相对误差分散程度与异常点数量。与BP神经网络相比,MIV-PSO-BP神经网络的预测效果更理想。由BP神经网络、MIV-PSO-BP神经网络的预测结果相对误差箱线图可知,MIV-PSO-BP神经网络预测结果相对误差集中,异常点少;BP神经网络预测结果相对误差分散,异常点多。MIV-PSO-BP神经网络预测准确性、稳定性更高。     

MIV-PSO-BP神经网络用户热负荷预测

提出利用MIV-PSO-BP神经网络预测用户热负荷。MIV-PSO-BP神经网络基于BP神经网络,利用PSO算法优化神经网络初始参数,采取MIV算法筛选与输出变量相关程度最大的输入变量。以绝对误差、均方根误差作为指标,评价MIV-PSO-BP神经网络的预测效果。结合箱线图,比较BP神经网络、MIV-PSO-BP神经网络的预测相对误差分散程度与异常点数量。与BP神经网络相比,MIV-PSO-BP神经网络的预测效果更理想。由BP神经网络、MIV-PSO-BP神经网络的预测结果相对误差箱线图可知,MIV-PSO-BP神经网络预测结果相对误差集中,异常点少;BP神经网络预测结果相对误差分散,异常点多。MIV-PSO-BP神经网络预测准确性、稳定性更高。     

燃气小时负荷的模糊神经网络预测

分析了燃气负荷运行变化规律，研究了负荷模型分类模式，采用改进模糊神经网络进行小时燃气负荷预测。     

基于Elman型神经网络集中供热负荷预测模型的研究

集中供热的负荷预测是在掌握负荷变化规律的基础上,充分考虑各种影响因素之后,以一定的精确度预测未来某一时刻的负荷,提高集中供热管网系统的运行效率、可靠性和经济性.建立了基于Elman型神经网络的集中供热负荷预测模型,用Matlab仿真验证Elman神经网络具有学习效率高、逼近速度快、泛化能力强等优点,实例预测证明了Elm...     

基于神经网络的空调系统负荷预测研究

以北京某建筑的空调系统作为实例研究对象,在所采集的3年实测数据基础上,主要探讨了基于ELMAN神经网络的日冷负荷预测方法和误差。用多元线性回归方法分析了日冷负荷神经网络预测模型输入参数对输出结果的影响度。最后经实验验证,以3周以上历史数据为训练集经多次预测后取平均值,具备较高的预测精度,同样可以指导工程实际设计。     

基于BP改进模型的空调系统负荷预测

针对BP模型的计算量大，收敛速度慢等缺点，本文提出了三种改进的BP模型，大大加快了收敛速度，提高了收敛性。并用实际数据对这三种改进模型进行了训练，实例证明了这些改进模型是有效的、可行的。     

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。     

集中供热系统不同调峰供热方式的技术经济性分析

本文主要分析了分布式调峰供热方式在集中供热系统应用中的技术经济性。通过节能性和经济性对比分析可知,相对于集中调峰供热方式,分布式调峰供热方式可以降低集中供热系统的供热能耗,提高承担基础负荷的集中热源的满负荷运行小时数、提高集中热源的供热效率,同时可以降低一次供热管网的初投资、减少一次供热管网的热损失。     

基于人工神经网络的春节期间燃气负荷预测

研究了春节期间燃气负荷的规律，考虑了天气、温度、传统节假日等因素，采用BP网络和径向基神经网络相结合的方法对春节期间燃气负荷进行预测，效果良好。     

大跨屋盖结构风压分布特性的模糊神经网络预测

针对影响大跨屋盖结构风荷载分布特征的诸多复杂因素,并结合深圳会议展览中心风洞试验项目的研究,本文应用模糊神经网络方法,成功地预测了大跨屋盖结构的风压分布特性。研究结果表明,采用该方法可以综合考虑各种因素的影响,并十分有效、简捷地处理常规方法难以解决的问题,进一步的应用表明这种方法可以用于其它类型建筑物风洞试验的数据处理和风压分布预测。     

冷热联供系统负荷的探讨

结合工程实例，讨论了城市冷热联供的冷、热负荷比例。