基于改进FCM算法的办公建筑负荷曲线聚类分析

为探究夏热冬冷地区办公建筑在不同季节的日负荷特征,拟采用FCM算法进行聚类分析.考虑到模糊C均值聚类算法(FCM)所存在的易受初始聚类中心影响,且易出现局部收敛的情况,提出基于量子行为约束的天牛群算法对其进行改进,以对FCM算法初始聚类中心进行优化并提升其全局寻优性能.UCI数据集算例表明基于改进天牛群算法的FCM算法具有较好的准确性及稳定性,所得出办公建筑负荷特性曲线对建筑能效提升、负荷预测和用户侧管理均有积极意义.     

基于FCM优化神经网络的办公楼空调负荷预测

空调负荷预测对于优化空调系统运行具有重要指导价值,本文针对传统神经网络在预测空调负荷时精度较低、泛化能力弱和物理意义不明晰的缺点,建立了模糊C均值算法(Fuzzy C-means)优化的BP神经网络复合模型。模型先采用FCM算法对输入参数进行聚类,针对不同类建立BP神经网络预测模型,将待测样本分类后进行预测,最后使用决策树算法筛选预测结果中聚类不佳的部分进行加权优化。以珠海某办公楼空调系统实际运行数据为例验证了模型,结果显示随机负荷样本预测的精度指标即标准差率(Coefficient of Variance)为0.191相较于不聚类神经网络提高了51.4%;典型工作日、休息日日均负荷样本预测标准差率为0.08和0.14相对于不聚类神经网络则分别提高了73.0%和39.7%。     

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。     

基于统计的办公建筑空调冷负荷特性研究

进行文献调研,统计不同气候区办公建筑空调动态冷负荷的实测及能耗模拟数据,通过对调研数据的处理得出15条空调冷负荷时间分布曲线。利用一种基于EDA技术并结合经典概率统计法的改进的处理方法——箱图剔除法,对时间分布曲线进行处理分析,剔除数据样本中的离群样本;利用SPSS统计软件对剩余的数据样本的分布形态进行分析,求出各段负荷率区间上的时间频数平均值的95%置信区间,定义为时间频数基准带,进而对办公建筑的空调冷负荷特性进行分析。最后,得出空调系统为风机盘管加独立新风的办公建筑空调冷负荷的时间分布主要集中在30%~70%负荷率区间;时间频数基准带的整体分布形态近似呈扁平状的正态分布等结论。     

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.     

辐射空调冷负荷算法和传统谐波法对比研究

由于辐射空调在舒适性上的优越性,在工程上运用越来越多。在计算其冷负荷时,工程师普遍使用传统的空调冷负荷计算方法。而辐射空调与传统供冷房间存在着传热机理和系统形式的差异,所以传统负荷计算方法不一定适用于辐射空调。首先通过提供一种辐射供冷房间冷负荷计算方法,并通过实验进行验证其合理性,然后对该方法和传统谐波反应法冷负荷计算方法进行模拟对比分析。     

空调冷负荷计算方法及软件比对及改进研究

针对目前不同空调冷负荷计算软件的计算结果差异较大的问题,应用程序比对验证的方法,选取了43个算例,对计算结果进行了比对分析。对于不同软件采用的模型,不同得热类型中对流与辐射得热量的分配比例和辐射在房间各表面的分配模型差异较大;不同软件的修正方法也存在差异。软件主要采用传递函数法和谐波反应法,其得热量的理论计算结果基本一致,但冷负荷计算结果存在差异。以国际上关于得热量中对流和辐射比例的最新研究成果替换软件原有数据,改进辐射在室内各表面的分配模型,提高了计算精度和准确度。计算结果表明,对计算方法规范和完善后,不同计算软件计算结果的差异可减小到10%以内。     

漳州市空调冷负荷计算

采用冷负荷系数法计算漳州市夏季空调冷负荷,并进行分析,确定制冷系统逐时冷负荷,然后对制冷机房装机容量提出一些看法,这些看法对于其它地区具有一定参考意义。     

基于生成对抗网络的深度Q学习空调冷负荷预测算法

针对传统预测算法在商场空调冷负荷预测中存在数据样本不足和预测精度低的问题,提出了一种基于生成对抗网络的深度Q学习的算法预测商场的空调冷负荷.利用生成对抗性网络生成与历史冷负荷数据相似的冷负荷数据,通过生成对抗网络解决真实负荷数据样本不足的问题.然后,利用深度Q学习网络预测未来时刻空调冷负荷数据.为了验证算法的有效性,以...     

空调冷负荷的计算分析

空调冷负荷计算是空调工程设计的基础,其计算结果决定着空调系统冷源及各末端设备的选配。采用鸿业负荷V6.2计算软件,选取4个不同功能公共建筑,计算了夏季逐时空调冷负荷,对计算结果进行分析得出:在夏季空调各项冷负荷中,新风冷负荷、人员冷负荷、围护结构冷负荷为冷负荷的主要组成部分;通常在人员密度较高、群集系数较大、人员劳动强度较高的房间,人体潜热负荷比重较大。进一步指出合理选择人员密度数值、新风量标准是公共建筑夏季空调冷负荷计算的关键     

空调冷负荷计算方法发展状况研究

本文从空调冷负荷计算的原理与特点、空调冷负荷计算的基础理论、负荷计算软件的开发与改进、间歇空调系统冷负荷的计算和不同软件之间的比对与分析5个方面回顾了空调冷负荷计算理论研究的研究成果.     

大中型商场空调冷负荷问题

本文分析了大中型商场空调冷负荷特点、影响商场客流密度取值的因素以及新风冷负荷等问题，并根据我国暖通规范提供的气象参数，给出了在一定条件下商场空调冷负荷指标及各项冷负荷在总冷负荷中所占的比例。本文的内容可供商场空调设计参考。     

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。     

蓄冷空调系统的负荷计算

分析了常规空调系统和蓄冷空调系统负荷计算的不同及逐时负荷分布对蓄冷系统负荷计算的重要性，指出了在蓄冷系统负荷计算时应该注意的问题。     

基于RTS法的空调动态冷负荷计算软件开发

介绍了基于辐射时间序列法的空调动态冷负荷计算软件系统,以及周期响应因子、辐射时间因子的计算方法。该系统以城市经纬度、气象参数、建筑几何尺寸和结构材料、室内热源、渗透风量等信息为输入数据,可以计算出中国各大城市夏季典型设计日的空调逐时冷负荷,为空调器的选型提供了一个技术分析平台,对空调系统的能量分析有着重要的价值和意义。该软件界面友好,操作过程简单,使用方便,计算速度快。且计算结果相对精确,能够满足工程实践的需要。     

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...     

基于粒子群神经网络的空调冷负荷短期预测

为提高空调冷负荷预测精度,本文提出了基于PSO-BP算法的神经网络模型。将PSO算法与BP神经网络相结合,对大型商场的空调样本数据进行冷负荷预测实验。结果表明,与BP神经预测算法相比,该算法的预测精度更高,运行速度更快。     

基于随机森林的空调冷负荷逆向分解方法

提出基于随机森林算法的冷负荷逆向分解方法。介绍该方法的步骤,结合某办公建筑实例对该方法的分解效果进行验证。建立随机森林冷负荷分解模型,将冷负荷逆向分解为围护结构负荷、人员负荷、灯光设备负荷和新风负荷。导入典型气象年数据,利用Energy Plus软件计算得到办公建筑的全年逐时负荷(含总负荷和分项负荷),干球温度、湿球温度来自典型气象年数据。将时刻、冷负荷、干球温度、湿球温度作为模型输入,人员负荷、新风负荷、围护结构负荷、灯光设备负荷作为模型输出对模型进行训练和测试。以均方根误差、日平均相对误差的平均值作为评价指标,对随机森林冷负荷分解模型的分解效果进行评价。随机森林冷负荷分解模型可准确实现负荷分解,分解精度较高。4项负荷分解结果中,就均方根误差来看,人员负荷分解精度较高,围护结构负荷分解精度偏低;当以日平均相对误差的平均值为判断标准时,围护结构负荷分解结果偏离模拟值程度较小,人员负荷偏离模拟值程度较大。