MLP神经网络在供暖室内温度预测的应用

将济南市供热用户作为研究对象,将供热介质流量、供水温度、回水温度、室外温度作为输入参数,利用SPSS MODELER软件建立基于MLP神经网络的室内温度预测模型,对预测模型的构建及预测效果后评价结果进行分析。预测效果验证结果显示,预测室内温度与实测室内温度的平均相对误差为-2. 27%,基本符合要求。     

几种集中供热负荷预测模型对比

为了精确地预测供热负荷,在预测模型中增加了室内温度影响因子,并采用多元线性回归(MLR)、BP神经网络和基于网格搜索优化支持向量机回归(GS-SVR)的方法,对未来7 d的供热负荷进行了预测。研究结果表明,GS-SVR预测模型的精度最高,其预测精度明显优于MLR和BP神经网络,可用于指导工程实践。     

结构耐火设计中室内温度预测模型的对比研究

基于现场实验的实验结果,对比研究了<建筑钢结构防火技术规范>推荐的单区域模型和CFAST双区域模型两种室内温度预测模型.结果表明,<建筑钢结构防火技术规范>推荐的单区域模型用于结构耐火设计时的温度预测是合适的.当火源功率较小时,CFAST会过高预测热烟气层的温度值;火源功率较大时,CFAST与其模型假定不符,难以得出正确的结果.而一般结构耐火设计时的火源功率都较大,因此CFAST不适用于结构耐火设计时的温度预测.     

人工神经网络预测供热系统供水温度

建立供热试验系统,试验数据为供水温度、室内温度、室外温度、太阳辐照度,数据采集时间间隔设定为0. 5 h。选取BP神经网络、Elman神经网络,将室内温度、室外温度、太阳辐照度作为输入数据,对供水温度进行预测。选用500组试验数据,对神经网络进行优化训练,确定输入层输入数据组数量以及其他参数。选用50组试验数据,对两种神经网络预测供水温度的准确性进行验证。在2018年2月4日、5日分别进行BP神经网络、Elman神经网络预测能力评价(室内温度设定为16℃)。两种神经网络的输入数据组数量均为7组(即为实现供水温度的预测,除当前时刻试验数据组外,还应输入前6个时刻的数据组)。由BP神经网络、Elman神经网络预测的供水温度与实际供水温度变化趋势基本一致,最大相对误差分别为-5. 66%、4. 32%。由BP神经网络、Elman神经网络预测的供水温度,可以维持室内温度,与设定的室内温度相比,波动范围分别为±1℃、-0. 8～0. 9℃,Elman神经网络的预测能力更强。     

基于长短期记忆网络的短期空调冷负荷预测

提出了一种基于长短期记忆网络(LSTM)的短期空调冷负荷预测模型,仅采用历史负荷数据预测未来1 d的逐时冷负荷.通过与传统的BP神经网络模型进行对比,验证其准确性.为了进一步提高模型预测精度,对网络结构(包括输入层、输出层及隐含层神经元数量)与预测策略进行了优化,获得最优的预测模型.结果表明,基于LSTM的预测模型可实...     

基于Dropout-LSTM模型的城市燃气日负荷预测

提出采用Dropout技术的长短期记忆神经网络模型(Dropout-LSTM模型),对城市燃气日负荷进行预测。由于不同时期的燃气日负荷具有不同特点，将全年分为供暖期、过渡期及非供暖期，分别对3个时期的日负荷和影响因素进行相关性分析，确定3个模型的输入特征，建立3个时期的日负荷预测Dropout-LSTM模型，采用平均绝对百分比误差对模型预测效果进行评价。Dropout-LSTM模型可以很好地预测城市燃气日负荷，比BP模型、LSTM模型以及SVM模型有更好的预测效果。与基于全年数据的全年预测模型相比，分时期预测模型预测精度更高。供暖期的燃气日负荷规律性强，对供暖期的日负荷预测精度最高，非供暖期次之，由于过渡期日负荷波动大，预测效果是3个时期中最差的。     

住宅区供热负荷预测研究

本文分析了住宅区供热负荷影响因素,利用BP神经网络算法进行预测,建立了两种BP神经网络结构,一种输入样本是前几日供热负荷值和室外温度,另一种输入样本是室外温度、室外风速、室内用热系数及前几日供热负荷值,二者网络结构输出都是当天供热负荷值;对某住宅区域供热负荷进行了供热负荷预测与验证,比较了采用不同神经网络结构进行供热负荷预测的误差。结果表明住宅区域供热负荷变化规律具有明显的周期性,同时每天逐时供热负荷变化趋势线形态存在不同,需要选择合适的影响因素和样本个数,提高供热负荷预测的准确性。     

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。     

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.     

基于BP神经网络的地板辐射供暖系统逐时负荷预测

采用BP神经网络,可利用较少的输入参数建立地板辐射供暖系统热负荷预测模型,以大连市某超低能耗建筑为实测对象,根据实测的供暖期逐时热负荷数据建立了BP神经网络热负荷预测模型,并进行了改进.结果表明,采用基于多项式拟合改进的神经网络预测模型能够精确地预测一个单元未来24 h的逐时热负荷,预测误差为5％左右.     

基于Elman神经网络的新风负荷预测研究

准确地预测新风负荷是空调系统的运维调节和节能优化的前提。但是目前传统的预测方法大多预测精度不准确。针对这个问题,在利用MATLAB仿真基础上,建立一种基于Elman型神经网络的新风负荷预测模型,考虑了室外天气(温度、湿度)、室内人数及节假日的时间特征值等动态因素,并与实测数值进行对比分析。仿真结果显示相对误差低于7%,最小误差中仅为0. 12%,验证了Elman模型具有预测结果准确、学习效率高等优点,实例预测证明了Elman预测模型适用于新风负荷的预测。     

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。     

某工业厂房多尺度空调冷负荷预测模型

本文建立了提前1-4小时的空调冷负荷预测模型。使用相关性分析选择模型输入参数,使用ARX和ANN建立冷负荷预测模型,并对两种模型的预测精度做出对比。预测结果表明,当数据量大、变量维度小时,ANN模型无法发挥其优势,预测效果和ARX模型基本相同。考虑到ARX模型的简单性,选取ARX对未来时刻的冷负荷进行预测。提前1-4小时的ARX预测模型的CV-RMSE分别是11.6%、15.8%、18.9%和20.7%,各时间尺度下的预测精度都能够满足工程需求。     

供热系统换热站供热参数预测模型对比分析

通过相关性分析确定了集中供热系统换热站供/回水均温的影响因素,进一步依据最小二乘拟合计算得到预测模型中历史供热参数的最佳周期,同时结合室外空气温度和室内温度作为模型输入参数,运用Matlab仿真模拟软件建立广义回归神经网络(GRNN)、Elman递归神经网络(Elman)以及多元线性回归(MLR)预测模型,分别对未来18个时刻的供/回水均温进行仿真验证。分析预测结果发现,MLR预测模型的精度最高,GRNN预测模型精度略低于M LR,而Elman模型预测精度最低。     

基于LSTM算法的严寒地区办公建筑过渡季室内温度预测模型构建

预测控制方法作为改善用户舒适性和降低建筑能耗的重要手段之一,其关键是室内温度预测模型的建立。由于寒地过渡季建筑的室内温度受室外温度影响较大,本文引入了长短时记忆网络(LSTM)这一算法,该算法能学习室内温度和室外温度的内在联系,预测室内温度在室外温度影响下的变化,同时可以有效处理具有滞后性、时序性的物理量关系。通过在哈尔滨某高校教学楼办公室的实测数据,建立LSTM室内温度预测模型,训练并对预测结果进行评估。结果表明,该算法具有较高的准确度,拟合优度达到了98.7%。     

火灾全过程钢结构温度预测及试验研究

为研究火灾全过程中钢结构整体稳定性,对火灾中受火钢构件温度变化规律进行研究。分析受火钢构件温度变化原理,重新选择预测模型中关键参数的取值。介绍相关试验设计方案,分5个工况研究钢构件及室内烟气温度变化。对比试验结果和预测值,验证模型的准确性。试验结果表明,修正过后的预测模型可以准确的预测火灾全过程中钢结构温度变化,尤其是衰退阶段时钢结构温度变化规律。     

基于LSTM-BPNN混合模型的天然气负荷预测研究

准确的天然气负荷预测对燃气公司的生产运营、调度规划和安全供气至关重要。传统的天然气预测模型往往无法充分利用输入特征之间的时序相关性,这限制了它们的预测精度。因此本文提出了一种基于长短期记忆神经网络(LSTM)和反向传播神经网络(BPNN)的混合模型用于天然气负荷预测,其中LSTM用于对输入特征进行重编码,BPNN用于学习重编码特征和用气量之间的映射函数。该方法充分利用了LSTM的时序特征提取能力和BPNN的拟合能力,旨在对用气量进行更准确的预测。本文采用浙江某天然气门站1年用气数据对该方法的性能进行了验证。结果表明,与极端梯度提升树、BPNN和LSTM相比,该方法具有更高的预测精度。     

基于随机森林的航站楼负荷预测及特征分析

航站楼等公共交通建筑中,客流特征是影响实际负荷需求的重要因素.本文以某航站楼的历史运行数据为基础,建立了基于随机森林的负荷预测模型,对时间、室外气象参数、客流统计数据进一步拆解得到24 h特征、星期特征、逗留人数、室外空气焓值,结合历史负荷预测空调负荷,并对不同特征组合下的模型性能进行对比.结果 表明:引入逗留人数、前1h内的历史负荷、室外空气焓值作为输入特征对于负荷预测模型的性能有显著提升.在选择恰当的输入特征前提下,随着输入特征维度增加,随机森林模型的训练效率更高,对空调负荷的预测性能更好.     

集中供暖室内温度分布式控制与优化研究

考虑相邻各室之间室温的影响,基于状态空间法建立了室内温度控制数学模型,并进行了验证分析。基于分布式群控思想,采用模型预测控制方法对整栋建筑室内温度进行了控制与优化。实验结果表明:在相同室内外环境下,所建立的室内温度控制数学模型能够较好地反映实际室内温度和阀门开度;基于分布式的室内温度模型预测控制能够有效地调节室内温度并稳定跟踪整栋建筑各房间室内温度设定值,相较于传统温控阀控制方式所需供热量减少14.28%。     

二级管网供水温度的改进型RBF神经网络预测

采用RBF神经网络预测供热系统二级管网供水温度,引入遗传算法对传统RBF神经网络预测模型进行改进。结合算例,采用两种预测模型对某二级管网的供水温度进行预测,改进型RBF神经网络预测能力更优。