共查询到20条相似文献,搜索用时 15 毫秒
1.
2.
3.
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. 相似文献
4.
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。 相似文献
5.
6.
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。 相似文献
7.
8.
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。 相似文献
9.
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. 相似文献
10.
11.
12.
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。 相似文献
13.
彭鹏 《建设科技(建设部)》2019,(12)
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。 相似文献
14.
15.
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%。 相似文献
16.
17.
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。 相似文献
18.
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. 相似文献
19.