基于LMBP神经网络的建筑能耗短期预测

为解决BP神经网络预测速度慢不适于建筑能耗短期预测的问题,采用Levenberg-Marquardt算法改进BP神经网络建立了基于LMBP神经网络的建筑能耗短期预测模型。通过某建筑物1个月的电量,对模型进行训练和测试,结果表明基于LMBP神经网络的预测模型预测速度显著提高,预测精度满足实际需要,适用于建筑能耗短期预测。     

PCA-GA-BP算法在爆破振动预测中的应用

距离建筑较近基坑爆破开挖时,爆破震动如果控制不好,会对相邻建筑结构造成损害。本文使用主成分分析法（PCA）对原始爆破振动监测数据抽取了5个主成分作为主要影响特征,将其作为BP神经网络输入层参数,实现了对输入层参数的简化处理,而后结合遗传算法（GA）优化BP神经网络的权值和阈值,形成了能够提升模型精度和稳健性的PCA-GA-BP神经网络预测模型,可对爆破震动进行较为准确的预测。这对制订爆破参数、控制爆破震动对建筑的影响具有一定的参考价值。     

基于KPCA-WLSSVM的建筑能耗预测模型

为降低建筑能耗影响因素间复杂相关性对模型性能的影响,建立了一种基于KPCAWLSSVM的建筑能耗预测模型。利用核主元分析(KPCA)对输入变量进行数据压缩,消除变量之间的相关性,简化模型结构;进一步采用加权最小二乘支持向量机(WLSSVM)方法建立建筑能耗预测模型,同时结合一种新型混沌粒子群-模拟退火混合优化(CPSO-SA)算法对模型参数进行优化,以提高模型的预测性能及泛化能力。通过将KPCA-WLSSVM模型方法应用于某办公建筑能耗的预测中,并与WLSSVM、LSSVM及RBFNN模型相比,实验结果表明,KPCA-WLSSVM模型方法能有效提高建筑能耗预测精度。     

基于气象热舒适度的建筑能耗灰色神经网络预测

针对建筑能耗受局地气候多因素影响的特点,为了客观准确地对建筑能耗进行预测,本文引入了气象热舒适度来综合分析气候对建筑能耗的影响,并以该指数预测值、建筑能耗原始数据和日期类型作为输入层,进行复合灰色神经网络模型预测建筑能耗。该方法不仅克服了灰色模型和神经网络存在的预测缺陷,同时还考虑了气象因素对建筑能耗的影响。通过对北京某大厦的实例应用分析,取得了较高精度的预测结果,证实了该方法的合理可靠,为建筑能耗预测提供了新途径,其预测结果也将为大型建筑空调系统的再优化设计和改造提供参考。     

基于ABC-BPNN的内蒙古西部草原民居建筑能耗预测模型

针对内蒙古西部草原民居建筑构造简单,围护结构热工性能差,民居建筑的采暖能耗高等问题,提出基于人工蜂群(ABC)优化BP神经网络的能耗预测方法。本文根据民居建筑特点,选取11个能耗影响因素作为输入参数的样本特征,利用De ST-h模拟结果作为网络的学习和测试数据,构建基于ABC-BPNN的能耗预测模型。然后将预测结果与De ST-h模拟计算结果进行对比,得出训练样本平均误差为0. 075 W/m~2,测试样本平均误差也仅为0. 29 W/m~2。最后将基于ABC-BPNN的预测模型与基于BP神经网络的预测模型进行对比,结果表明,基于ABC-BPNN的预测模型平均误差更低。所以人工蜂群优化BP神经网络算法可以相对准确地预测内蒙古西部草原民居建筑能耗,为草原民居建筑节能提供理论依据。     

基于ANN的绿色办公建筑HVAC系统运行能耗预测

办公建筑中暖通空调系统(HVAC系统)的运行能耗占总能耗比例较高。随着绿色建筑的大力推广,准确预测绿色办公建筑HVAC系统能耗是建筑运行优化的关键。研究以天津市某绿色办公建筑为研究对象,根据绿色办公建筑G中的HVAC系统——地源热泵系统和空调通风系统能耗的实际监测数据,建立了基于人工神经网络的能耗预测模型。研究结果表明,建立的分类多层感知器神经网络预测模型预测精度最好,仅基于气象参数及时间能够精确的预测建筑HVAC系统的小时能耗,为我国绿色办公建筑的设计和运行优化提供科学支持。     

基于PCA法的BP网络对冰蓄冷系统的空调负荷预测

BP神经网络应用于空调负荷预测时,如果输入变量较多或变量间存在相关关系,会直接影响BP神经网络的预测准确性。针对此问题,采用主成分分析(PCA)法,在保留原始数据主要信息的前提下提取数据的主要成分。根据各主成分的贡献率对神经网络输入变量进行缩减,达到压缩变量维数的目的。然后将主成分输入到负荷预测的模型之中进行预测,使之更符合空调负荷预测的特点,提高预测的速度和精度。最后通过实际算例进行验证,实验结果表明,该方法确实可行。     

基于PCA-BP原理预测公路最终沉降量

路基的最终沉降量是公路耐久性评估的重要参数,影响路基最终沉降量的主要因素有空气中软土层厚度、软土压缩模量、硬层厚度、硬层压缩模量、路堤宽高比、路基施工工期、竣工时沉降量。基于以上7个参数,结合BP神经网络较好的预测性,以及主成分分析(PCA)能消除自变量间的多重共线性和降低输入数据维度的特点,建立了基于PCA-BP神经网络的路基最终沉降量预测模型。以30组实测数据为例,对7个影响因素进行主成分分析,最终降为4个主成分,进而将其作为BP神经网络的输入因子,对路基的最终沉降量进行了预测。结果表明:PCA-BP神经网络预测误差低,实现了对路基的最终沉降量的较准确预测,PCA-BP神经网络模型为路基的最终沉降量预测提供了一种科学、可靠的方法。     

基于稀疏自编码特征提取的建筑逐时耗热量预测模型的性能提升

预测模型的输入特征变量对建筑耗热量预测性能具有较大的影响,为了进一步改进输入特征变量的选取,本文提出了稀疏自编码(SAE)方法对历史耗热量数据进行特征提取,并通过对比常规的线性化特征提取方法(主成分分析,PCA),分析了SAE特征提取方法分别对MLR、ANN和SVM预测模型精度的提升。应用某居住建筑实测数据对该方法进行了实验验证,结果表明:在测试数据集中,使用SAE方法提取到的特征值作为模型输入变量,MLR、ANN和SVM3个模型的预测性能均得到提升,相比于利用PCA特征提取的方法,CV值分别降低了3.8%、4.1%和4.2%。此外,SAE方法对模型性能的提升还表现在模型泛化性能地增强,在测试样本中的表现优于在训练样本中的表现。     

蓄能空调需求响应时段负荷和储释能时长预测

空调参与需求响应能够提高电力系统的稳定性。考虑主动储能的需求响应是通过准确预测蓄能罐的储能、释能时长以及系统的运行负荷来保障策略的合理性和高效性。为此,搭建TRNSYS仿真实验平台获取数据,采用相关性分析和主成分分析,选择输入变量并对其降维,比较5种机器学习算法(BP神经网络、RBF神经网络、广义回归神经网络、Elman神经网络和支持向量回归)对空调系统未来1 h和24 h的静态负荷预测。选择Elman神经网络预测蓄能罐的储、释能时长并利用改进的粒子群优化算法进一步优化,对未来1 h和24 h负荷进行滚动预测。结果表明:相关性分析+主成分分析能提高模型的预测精度,Elman神经网络预测精度最高,利用改进的粒子群算法优化后,该模型对未来1 h和24 h负荷预测的拟合优度R~2值分别从0.790和0.972提高到0.845和0.975;利用Elman神经网络预测储、释能时长R~2值分别为0.993和0.984。     

基于人工智能的建筑能耗预测研究综述

能耗预测作为建筑节能的先决条件,对于挖掘建筑节能潜力、提高建筑设备使用效率、提升建筑运营管理质量有重要意义。针对能耗预测,从输入数据类型、输出数据类型、预测时间范围、预测方法4个方面对基于人工智能方法的建筑能耗预测应用现状进行研究。又介绍了单一预测模型和集成预测模型的基本理论,并分别以多元线性回归方法、人工神经网络和支持向量机3种人工智能方法作为基本模型,进行了基于单一预测模型和集成预测模型的建筑能耗预测研究。研究表明与单一预测模型相比,集成预测模型具有更好的预测精度、稳定性及多样性,同时,对人工智能方法在建筑能耗预测领域的应用前景进行了展望。     

基于PSO-RBF的建筑能耗预测模型研究

通过研究分析夏热冬冷地区公共建筑能耗变化特点,建立了RBF神经网络建筑能耗预测模型。在此基础上运用微粒群算法对模型优化,建立了基于PSO-RBF的建筑能耗预测模型。利用大量数据构造样本集,运用软件分别对优化前后的预测模型进行训练,并运用到典型公共建筑能耗值的预测实例中。结果表明基于PSO-RBF的建筑能耗预测模型的学习能力和预测能力强,能较准确地实现公共建筑能耗预测。     

ARMA模型在商业建筑群能耗预测中的应用

建立了基于时间序列分析方法的建筑能耗预测模型,对广州市区的商业建筑逐月总能耗进行预测。模拟结果显示,ARMA模型能够较好地拟合及预测能耗值,模型预测结果与实际值比较吻合,ARMA模型在短期建筑能耗预测中是一种精度较高的方法。     

夏热冬冷地区办公类建筑能耗预测模型研究

办公类建筑的能耗预测是电力系统负荷管理的重要工作,实现高精度的预测对于电力系统运行的经济性和安全性具有重要意义。文章通过研究分析夏热冬冷地区办公建筑能耗的变化特点,建立神经网络建筑能耗预测模型,再通过大量数据构造样本集,运用软件对优化后的预测模型进行训练,并投入到某办公类建筑的预测实例中。结果表明,基于神经网络的建筑能耗预测模型的学习能力和预测能力较强,能较准确地实现办公类建筑的能耗预测。     

基于OIF-Elman神经网络的燃气日负荷预测

与传统的Elman神经网络相比,采用具有输出一输入反馈机制的改进Elman(即OIF-Elman)神经网络对燃气日负荷进行预测,不仅计入了隐层节点的反馈,而且考虑输出层节点的反馈,以便从有限的训练样本中获得更多的信息.预测结果表明,在样本较少时,无论在训练速度上,还是在预测准确度上,OIF-Elman网络明显优于Elman网络.     

一种面向大规模建筑群能耗预测的BP神经网络模型配置方法

针对大规模建筑群的能耗预测问题,提出了一种基于BP神经网络的模型配置方法。该方法将复杂的建筑能耗预测相关的影响因素、参数、算法与建筑能耗实际预测功能进行解耦分离,实现任意预测模型的可配置化创建,有效地降低了建筑能耗预测系统的开发和维护成本,使得大规模建筑群的能耗预测系统易于实现。目前,可配置化的建筑能耗预测系统已被应用于多栋建筑的能耗预测,有效地降低了能源浪费。     

基于运行模式划分的复杂集中式空调控制系统逐时能耗预测方法

本文针对目前单一能耗预测方法难以对多种模式混合运行下的公共建筑集中式空调系统能耗进行准确预测的问题,提出一种基于机器学习划分运行模式的能耗预测方法。该方法首先利用K-Means算法划分系统运行模式,通过随机森林方法选择影响运行模式的主要因素,然后利用BP神经网络建立预测模型依次进行模式预测和能耗预测。以苏州某酒店建筑集中式空调系统为研究对象对上述方法进行验证,研究结果表明:本文提出的能耗预测方法与直接进行能耗预测方法相比,预测精度和稳定性大幅度提高,EEP降低了37. 3%,CV降低了37. 7%。     

基于PCA-PSO-BP神经网络的住宅供热逐时负荷预测

为了准确预测供热负荷,提出了一种基于主成分分析法和粒子群优化算法改进的BP神经网络(PCA-PSO-BP)预测模型。首先利用主成分分析法融合影响热负荷的特征指标,消除指标之间的冗余性和相关性;同时采用粒子群算法优化BP神经网络的初始权值和阈值,克服了BP神经网络容易陷入局部最优的缺陷,提高了BP神经网络的预测精度。基于北京某居住建筑供热系统的实际运行数据,对模型的性能进行了验证。仿真结果表明,改进的模型预测精度提高了4.07%。     

基于Elman神经网络的排水管网液位预测

建立了排水管网液位的Elman神经网络预测模型,以液位和雨量的监测数据为输入,未来的液位值为输出。提前5、15、45和60 min的预测平均绝对误差分别为2.07%、3.75%、8.39%和9.49%。与BP神经网络对比,Elman神经网络的拟合和预测效果分别提升约23%和21%。结果表明,基于Elman神经网络的管网预测模型具有良好的预测效果,可以为建立排水管网的在线预测预警系统提供有效的方法支持。     

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。