一种多协议嵌入式网关开发

针对ZigBee无线传感器分布分散、多协议异构的问题以及需要多区域传输数据信息的需求,设计了一种嵌入式网关:采用STM32控制芯片、CC243l ZigBee芯片和穿透性能优越的433 MHz无线模块构成硬件平台。通过对网关软件平台的设计,解决了协议转换问题。     

基于IKHCMAC神经网络的建筑冷/热负荷预测研究

随着能源危机的爆发,建筑节能已成为我国可持续发展战略的重要组成部分,研究一种精准有效的建筑负荷预测方法是实现建筑供能系统的节能优化运行的重要基础。文章基于人工神经网络研究了一种建筑冷/热负荷智能预测新方法,采用改进的HCMAC神经网络作为预测模型,将粒子群优化与K-means聚类算法相结合,构建了一种新型的IKHCMAC神经网络预测模型,并借助TRNSYS模拟实验平台获得实验数据,与基于Kmeans聚类算法的HCMAC神经网络模型(KHCMAC)及经典IHCMAC神经网络模型相比较。结果表明:IHCMAC神经网络模型的迭代次数最高,收敛速度较慢,IKHCMAC神经网络模型较IHCMAC模型相比,迭代次数降低了75.86%,收敛速度更快;IKHCMAC模型的训练误差为0.29,在3种模型的训练误差中最小,IKHCMAC神经网络模型的学习精度更高;与IHCMAC模型相比,KHCMAC模型的泛化误差较之降低了26.67%,而IKHCMAC模型较之降低了93.33%,其泛化能力更强。     

基于GIHCMAC神经网络的建筑电负荷预测方法

随着能源供应与经济快速发展的矛盾日益加剧，建筑节能成为可持续发展战略的一个关键环节，研究一种快速、精准的建筑用电量预测方法是实现建筑节能优化控制的重要前提.本文将遗传算法与蚁群聚类算法相融合，对基于聚类的IHCMAC （Improvement Hyperball CMAC）神经网络的网络节点进行改进，将GIHCMAC （Genetic Algorithm Ant Colony Clustering Algorithm based on IHCMAC）作为建筑电力负荷预测模型，对潍坊某一办公建筑用电负荷进行预测.研究结果表明，该预测模型迭代次数最小、准确度较高，其迭代次数、训练误差、泛化误差分别为9、0.0045、0.0014，较IHCMAC、KHCMAC （K-means Hyperball CMAC）、IKHCMAC （Improvement K-means Hyperball CMAC）模型的收敛速度更快，精度更高，泛化能力更强.