人工智能技术在建筑能源管理中的应用场景

本文简要介绍了建筑能源管理(BEM)的概念.并从5个方面阐述了BEM对人工智能(AI)技术的需求,即楼宇控制需要由从顶到底的基于物理模型的控制模式,转变为从底到顶的基于数据的控制模式;建筑能源系统由单一能源转变为多能源,需要解决可变可再生能源的不稳定问题;BEM的管理模型,需要从白箱转变为灰箱,甚至黑箱.此外还有负荷预测问题和非结构化数据的处理问题.文章还提出了BEM系统架构、迁移学习、物联网构建、AI与BIM的关系,以及负荷反推等需要研究的问题.文章并对人工智能在BEM领域的发展提出了建议.     

基于时间序列和灰色模型的短期电力负荷预测

针对短期电力负荷预测,从不同研究角度出发,分别构建了时间序列ARIMA模型和基于相似日的灰色预测GM(1,1)模型,使用SPSS、MATLAB等软件编程,得出不同模型下所研究地区未来七天内各个时点的电力负荷预测值,并对其精度进行了检验。结果表明两种模型下的预测结果精度较高且各具优点,在实际应用中,可根据短期电力负荷的具体特征和预测要求,灵活的选择模型加以应用。     

基于灰色理论的电力负荷预测模型改进及仿真研究

本文简要地介绍了电力系统负荷预测的意义,通过对灰色理论预测方法的研究,找出了灰色建模的局限性并提出了改进的方法。通过对负荷原始数据序列的预处理及优化,增强了灰色预测对波动负荷数据序列的处理能力,大大提高了灰色预测方法的适用范围和预测精度;利用等维新息递推GM (1,1)模型进行预测,保证了预测能够较为充分地利用新信息,能够满足中长期负荷预测的要求。此外,本论文还以matlab为平台,完成了基于灰色系统理论的电力负荷预测仿真系统的设计与实现。通过实例将改进模型与普通GM (1,1)模型进行比较,证明改进模型具有比普通GM(1,1)模型误差小、精度高的优点。     

随机森林算法在大坝安全监测中的应用

大坝裂缝开合度预测准确性对大坝安全监控十分重要。为解决传统回归模型预测效果差及人工智能模型预测过拟合问题,将随机森林算法运用到某混凝土坝裂缝开度预测中,优选模型参数,得到的训练、预测期模拟值较实测值基本一致,预测效果良好。并与BP神经网络、支持向量机模型就预测精度与稳定性做了对比。     

空调负荷混沌特性分析与预测

影响空调负荷因素比较多,且难于确定和提取,这就造成空调负荷的拟合和预测精度较低.在对空调负荷时间序列混沌特性分析的基础上,利用嵌人相空间来确定前期影响因子,建立了基于混沌相空间技术的BP神经网络模型.模型既能考虑到影响空调负荷时间序列的动力因子,又能解决网络输入单元数确定的困难,并能利用神经网络超强的非线性映射功能,结合空调负荷实例的拟合与预测,表明其结果合理,预测精度较高.     

基于GM(2,1)模型的短期电力负荷预测

传统的灰色系统GM(1,1)模型只适用于呈近似指数增长趋势的原始数列,而GM(2,1)模型适用范围更广,被广泛应用于各个行业。但由于计算复杂,以及模型自身存在的问题,在电力负荷预测上鲜有人研究。现将GM(2,1)模型运用于短期的电力负荷预测中,详细列出参数的计算过程,并与传统的GM(1,1)模型进行对比,结果表明,GM(2,1)模型比GM(1,1)模型预测精度更高,并且G M(2,1)模型预测的精度基本不受数据的影响,使用范围更广。     

基于改进型BP神经网络的大型CCHP系统负荷预测研究

为了解决BP神经网络在预测空调负荷时存在的学习速度慢、维数灾难、容易陷入局部收敛及无法保证全局收敛最优解等问题,首先采用Spearman秩相关系数分析冷负荷的主要影响因素,确定了动态冷负荷预测模型的输入参数,然后构建复合遗传算法的改进型GA-BP神经网络预测模型,并分别利用BP和GA-BP神经网络模型对位于上海的某大型...     

在线学习神经网络用于空调负荷预测研究

提出了一种机理计算与神经网络学习相结合的在线负荷预测方法。利用Python建立负荷估算模型和BP神经网络模型,并通过将常州某一建筑实际空调负荷数据逐步输入模型之中模拟建筑的实时运行,对一年内和一年后的泛化能力进行分析。模拟结果表明,此种在线预测模型可以解决小样本条件下的空调负荷的预测问题。     

软基沉降Gompertz曲线的参数优化拟合方法

软基沉降预测Gompertz曲线的参数拟合是一个非线性优化问题,采用传统方法对其参数进行估计往往因为计算复杂而使估计结果带有较大的误差。为此,应用改进的差分进化算法（AADE算法）对沉降预测Gompertz曲线模型的参数进行优化拟合,并与三段法等其他方法进行了比较分析。实例计算结果表明,所提出的曲线参数拟合方法与三段法等其他方法相比较,具有计算速度快、计算精度高、通用性强等特点。因此在其他非线性模型参数拟合中具有一定的应用前景。     

改进灰色BP神经网络模型在建筑物沉降监测中的应用

建筑物的变形是由于多种复杂因素的影响,文章针对该影响以及单一预测模型精度不高的问题,建立了基于灰色模型和BP神经网络模型的组合预测模型。并采用复化梯形求积法对灰色模型的背景值改进,构建基于改进的组合预测模型。结合改进的灰色GM(1,1)BP神经网络组合模型对马鞍山市的某建筑物的沉降进行预测。通过对比可以看出,改进的灰色BP神经网络预测精度最高,其拟合程度更加接于实测值,可更好地适用于实际工程的中长期预测。     

差异演化算法用于单桩承载力指数曲线模型优化

预测挤扩支盘桩单桩极限承载力的指数曲线模型,其函数表达式是一个复杂非线性方程,采用传统的优化方法对模型参数进行回归处理往往因为计算复杂和人为因素的影响,使得预测结果带有较大的误差。为此,利用混沌(Chaos)的遍历性产生初始群体,并自适应地调整缩放因子和选取差异演化模式,对差异演化(DE)算法进行改进,提出自适应加速差异演化(AADE)算法,并将其用于指数曲线模型参数和理论极限承载力优化中。结合工程实例,对挤扩支盘桩静载荷试验实测数据进行拟合计算与分析,结果表明:与其他方法相比,AADE算法能够更好地拟合实测数据和有效地预测单桩极限承载力,且AADE算法具有求解速度快、计算精度高、算法控制参数设置简便、通用性强等优点。     

基于LSTM的高校建筑电力负荷预测方法

提出一种基于长短时记忆网络(LSTM)的预测模型,以提高高校电力负荷预测的准确率.以某高校的电力负荷数据为研究对象,分析不同超参数的影响,确定最优的预测模型,并与常用的基于支持向量机(SVM)的负荷预测模型进行负荷预测对比.结果 表明,本文提出的负荷预测模型平均绝对百分误差(MAPE)为:办公楼6.67％、科研楼4.32％、教学楼5.98％和宿舍4.57％,每类建筑均比基于SVM预测模型的MAPE低1.5％左右.     

Keras在燃气管道阀门故障诊断中的应用

针对燃气管道阀门故障诊断存在的诊断准确率低，鲁棒性差和容易陷入过拟合等问题，结合深度学习理论，基于谷歌人工智能学习系统Keras，构建多层感知器MLP神经网络模型，用于预测阀门故障程度。选取阀门故障中的8种特征参数作为模型的原始输入量，经过多层感知器的特征提取、参数重构、Adam优化、Softmax分类，并加入Dropout模块避免过度拟合，最终得到具有较高预测精度的多层感知器模型。将得到的多层感知器模型应用在实验室的燃气管道阀门故障诊断系统中，结果表明，这种模型具有更高的准确性和鲁棒性。     

基于中心逼近式的GM(1,1)模型在变形预测中的应用

针对传统GM(1,1)模型对随机波动性较大的数据拟合较差、预测精度低的缺点,通过对传统模型加以改进,弱化时序数据的变化幅度,并减小数据的波动,以此来构建中心逼近式GM(1,1)模型。对建筑物沉降变形数据进行模拟和比较,得出了该模型比传统模型预测误差较小,精度较好,能够在变形预测中应用。     

神经网络法负荷预测与蓄冰空调系统的运行优化

文中介绍了蓄冰空调系统几种常见的控制策略。提出蓄冰空调系统的运行优化必须进行准确的负荷预测,并给出采用神经网络模型(ANN) 预测负荷的方法     

mRMR和PSO算法对神经网络预测模型优化效果

提出利用最大相关和最小冗余(mRMR)算法、粒子群优化(PSO)算法,对BP神经网络预测模型进行优化。对某住宅楼进行供热负荷预测,评价3种神经网络预测模型(BP神经网络预测模型、mRMR-BP神经网络预测模型、PSO-mRMR-BP神经网络预测模型)的预测效果。在3种神经网络预测模型中,BP神经网络预测模型的预测效果最差,PSO-mRMR-BP神经网络预测模型的预测效果最佳。与BP神经网络预测模型相比,经过mRMR算法对输入变量进行筛选以及PSO算法对初始参数进行优化,PSO-mRMR-BP神经网络预测模型的预测效果显著提高。     

基于移动最小二乘法的大棚温室温度场分析

为了解决传统曲面拟合方法中所拟合的图形平滑性不高及温度场分析方法较复杂等问题,本文提出了移动最小二乘法来拟合温度曲面,从而实现对大棚温室温度场的分析。并结合matlab软件绘制出温度场的三维图像,使所测温度场可视化,将拟合的结果与实测值进行对比,分析其误差的大小及曲面的平滑性。同时验证了该方法的可行性及表明了该方法的优越性和有效性,为大棚环境的预测、调控和优化提供了客观可靠的科学依据。     

GM(2,1)模型在桥梁施工监控中的应用

为解决桥梁工程施工中主梁标高控制预测的问题,文章以某大桥施工监控为背景,介绍了灰色GM(2,1)模型预测的基本方法。采用MATLAB程序建立了预测模型,对箱梁各施工阶段标高进行预测,将预测值与实测值对比分析可知:采用GM(2,1)模型得到的预测结果均能很好的拟合实测值,预测精度高。结果表明,利用GM模型对桥梁施工过程中的标高进行预测是可行的,该预测方法和数据可供类似工程参考。     

基于机器学习的供热系统热负荷多步递归预测

为预测供热系统的短期热负荷动态概况,提出一种基于机器学习的热负荷多步递归预测策略,该预测策略是对热负荷单步预测模型的拓展。介绍热负荷多步递归预测的流程,该流程可分为4个步骤:数据预处理、数据集划分、模型训练和模型评估。数据预处理细分为特征选择、特征工程和特征变换。在模型训练步骤中,介绍2种机器学习模型:支持向量回归(SVR)和极限梯度提升(XGBoost)。分别利用这2种机器学习模型建立了热负荷单步预测模型,根据建立的单步预测模型,采用提出的多步递归预测策略,可以实现对短期热负荷的动态概况预测。选取某实际供热系统的热源首站的运行数据用于案例分析。结果表明:在预测精度和预测稳定性方面,基于XGBoost的热负荷多步递归预测策略均优于基于SVR的热负荷多步递归预测策略;二者在各时间步长上均未产生明显的误差累积;该热负荷多步递归预测策略可以准确预测供热系统短期热负荷的动态概况。     

基于支持向量机的燃气短期负荷预测

介绍支持向量机的原理和支持向量回归模型,提出支持向量回归(SVR)模型的城市燃气短期负荷预测方法。探讨输入样本数据的选择和预处理方法、核函数和支持向量机参数的选择,结合某城市燃气日负荷数据进行燃气短期负荷预测。与BP神经网络预测方法相比,支持向量回归模型预测方法用于小样本情况下的燃气短期负荷预测精度略高。