冰蓄冷系统基于负荷预测和优化的实时控制

首先基于西安地区某办公楼空调季节的数据，进行了逐时温度和冷负荷的预测。然后,讨论了温度预测对负荷预测，负荷预测对离线优化的影响。结果表明，人工神经网络冷负荷预测的准确度不受异常天气情况的影响；而负荷预测的准确度直接影响非线性优化的结果；在线修正是至关重要的。最后，给出了实时控制中负荷预测及离线优化结果在线修正的实例。     

基于深度学习的房间冷负荷预测模型

准确的房间冷负荷预测是空调运行过程节能的基础.首先,根据房间能量平衡方程,通过分析供冷量、冷负荷和蓄热量的关系,提出调温模式下房间负荷预测模型;然后,利用频域分解法实现蓄热计算,应用深度循环神经网络实现温度恒定条件下冷负荷预测;最后,综合温度变化下的蓄热量和温度恒定条件下的冷负荷预测,得到调温模式下房间冷负荷预测值.为提升深度学习算法收敛速度,在深度循环神经网络反向传播修正参数的过程中引入了高斯-牛顿法-LM (Levenberg-Marquardt)法自适应切换的学习算法.仿真实验和实测实验均表明,该方法能快速有效地实现房间逐时负荷预测.本方法实现了调温模式下房间负荷需求的快速精确计算,可用于实现建筑被动热储能的定量计算,同时为整个电网需求侧直接负荷控制提供可借鉴的思路.     

基于季节自回归单整移动平均模型的电梯交通流递归预测方法

针对电梯交通流预测提出了一种基于季节自回归单整移动平均（SARIMA）模型的递归预测方法．通过离线分析,对电梯交通流利用时间序列分析得到初始的SARIMA模型,引入异常值检测对训练数据中的异常值进行修正,利用修正的序列得到电梯交通流SARIMA模型;在线预测时,将离线得到修正的SARIMA模型转化为状态空间形式．通过Kalman滤波实时调整状态向量,实现电梯交通流的实时在线预测仿真表明该方法具有很好的预测性能,且运行时间短,满足实时性的要求．     

基于有限元法异型坯动态二冷控制模型开发与应用

建立了异型坯连铸凝固传热数学模型,并利用有限元法进行离散求解.在此基础上开发了异型坯连铸动态二冷控制模型,模型以5s为周期动态计算整个铸坯实时温度场,并采用有效拉速和表面目标温度法对二冷水量进行设定和优化.用可视化编程工具Visual C++6.0编制了异型坯连铸动态二冷控制系统.在相同工况情况下,动态二冷控制系统仿真结果与大型商业软件Marc计算结果一致,可用于在线控制或异型坯连铸二冷工艺离线设计优化.     

离线方法与在线优化相结合的混合型鲁棒预测控制

通过加入自由摄动量和采用在线优化来扩大离线鲁棒预测控制的吸引域。当状态位于离线预测控制的吸引域之外时,在线求解简单的优化问题,得到一个较大的椭圆型吸引域;当状态位于这个较大椭圆型区域的外面时,在线求解1个标准的鲁棒预测控制问题,使得整个吸引域变为一个大得多的非椭圆型区域。提出的方法具有离线预测控制的所有优点,并且大范围地扩大了吸引域,给出仿真例子显示其效果。     

基于恐惧指数的疫情影响下短期电力负荷预测方法

突如其来的新型冠状病毒肺炎（COVID-19）疫情给电力负荷造成了严重的影响,为了有效应对疫情带来的影响,提高疫情影响下的短期负荷预测精度,提出了一种基于恐惧指数（FI）的疫情影响下短期电力负荷预测方法.利用疫情数据构建FI,与时间信息、历史负荷、气象条件一起作为广义回归神经网络（GRNN）模型的输入变量,用果蝇优化算法（FOA）对GRNN平滑因子进行优化,提高预测结果的准确度和稳定性,使用构建的预测模型进行预测.算例结果表明,该方法能有效提高疫情影响下短期负荷预测的精度,为重大灾难影响下的短期负荷预测提供参考与借鉴.      

建筑冷负荷对综合能源系统运行优化的影响

为解决现有综合能源系统运行优化研究对建筑冷负荷的影响考虑不充分（多以“典型日负荷”或“预测负荷”代替空调期冷负荷）的问题,首先应用EnergyPlus软件对北京某园区进行建模和负荷分析,再以经济性为优化目标,基于园区的电、冷负荷供需平衡和综合能源系统设备的典型模型建立运行约束模型,在空调期对多能源耦合的综合能源系统建立运行优化模型。对优化模型使用Yalmip建模和编程,使用Cplex求解器求解问题,得到不同负荷条件下的综合能源系统空调期的运行优化方案,并分析其统一性和差异性。结果表明：本文构建的以经济性为目标的优化模型,可以使多能耦合的综合能源系统在目标下运行更加优化;不同建筑冷负荷条件下运行优化方案具有较大差异性;不同负荷条件下运行优化方案具有一定规律性。可见综合能源系统的运行优化研究应该全面考虑冷负荷的影响,本文提出的规律性运行优化方案为综合能源系统提升运行经济性提供了依据。     

变速轧制下超快冷系统工艺温度在线实时修正策略

结合某现场超快速冷却系统，具体分析了带钢运行速度变化对轧后冷却过程换热系数与冷却时间的影响规律.根据速度运行机制，开发了速度在线修正计算策略，实现了轧后冷却区带钢速度计算值与实际值的吻合;并在此基础上开发的工艺温度在线循环计算策略，消除了速度波动对温度控制的影响，提高了温度控制精度.将该温度在线实时修正策略应用于现场，实现了超快冷出口温度与卷取温度的精确控制，工艺温度命中率在96%以上，有效消除速度对温度波动的影响，完全满足新产品、新工艺的工业化试制及大批量生产.     

热轧机组轧制负荷的自适应模糊预测

针对传统轧制负荷模型的固有缺陷，为了提高精轧机组轧制负荷预设定精度，提出一种将基于误差反馈和专家经验的闭环模糊控制引入轧制负荷预测系统中的新方法，用于修正预测输出、提高预测精度和鲁棒性的设想。离线仿真表明：采用本文所述的方法，预测精度优于传统方法。预测结果的相对误差限制在5%以内。     

基于加速退化数据的某导电膜电阻贮存寿命预测方法

提出了一种基于加速退化数据的某导电膜电阻贮存寿命预测方法。首先对该导电膜电阻采用温度应力进行加速性能退化试验，试验中将该导电膜电阻的总阻值作为反映其性能的指标判据，在不同加速应力水平下得到在线测试和离线测试获取的加速性能退化数据；然后通过引入温度因数去除在线测试数据的温漂效应，再融合在线数据和离线数据进行退化轨迹模型参数辨识，获得该导电膜电阻在各加速应力水平下的伪寿命；然后结合经过修正的三参数温度加速模型评估得到该导电膜电阻在正常应力下的贮存寿命。最终以某导电膜电阻为例验证了所提方法的适用性和有效性。     

基于径向基神经网络的建筑物空调负荷预测模型

本文建立了一种基于径向基（RBF）神经网络的建筑物空调负荷预测模型。对广州市某办公楼在夏季不同月份的逐时冷负荷,分别用RBF神经网络模型和BP神经网络模型进行训练和预测计算,发现RBF神经网络模型预测的均方根误差ΔRMSE和平均相对误差ΔMRE都仅是BP神经网络方法的64％左右。仿真结果表明径向基（RBF）神经网络具有更高的预测精度及更好的泛化能力,是建筑物空调负荷预测的一种有效方法。     

基于贝叶斯优化注意力机制LSTNet模型的短期电力负荷预测

为更充分挖掘多元负荷序列间的有效信息,从而提高预测精度,提出了一种集成贝叶斯超参数优化算法、注意力机制的长期和短期时间序列网络（long and short-term time-series network with attention,LSTNet-attention）以及误差修正的短期负荷预测模型。首先,构建基于贝叶斯优化的LSTNet-attention模型进行初步预测,利用贝叶斯算法优化模型多个结构参数,降低人工设置参数的随机性,并通过注意力机制合理分配特征权重;然后,通过基于贝叶斯参数优化的极端梯度提升算法(extreme gradient boosting,XGBoost)误差修正模型来挖掘初步预测误差序列中潜在、未被利用的有效信息,进行误差预测和修正,进而得到最终的预测结果。通过使用澳大利亚某地真实负荷数据进行实证分析,实验结果表明,所提预测模型相较于其它模型具有更好的预测效果,可为负荷预测等工作提供一定参考。     

预测参数的选择与建筑物逐时冷负荷的预测

利用逐步回归分析进行了预测参数的选择和建筑物逐时冷负荷的预测,并将其与采用相同数据集的神经网络(ANN)的冷负荷预测结果进行了对比分析。     

自适应加权最小二乘支持向量机的空调负荷预测

为了提高建筑空调负荷的预测精度,在分析空调负荷主要影响因素的基础上提出了一种基于自适应加权最小二乘支持向量机(AWLS-SVM)的建筑空调负荷预测方法。该方法根据预测误差的统计特性,采用基于改进正态分布加权规则,自适应地赋予每个建模样本不同的权值,以克服异常样本点对模型性能的影响。建模过程中采用粒子群优化(PSO)算法对模型参数进行优化,以进一步提高模型预测精度。基于DeST模拟数据将AWLS-SVM方法应用于南方地区某办公建筑的逐时空调负荷预测中,并与径向基神经网络(RBFNN)模型、LS-SVM模型及WLS-SVM模型作比较,其平均预测绝对误差分别降低了51.84%、13.95%和3.24%,并进一步基于实际空调负荷数据将该方法应用于另一办公建筑的逐日空调负荷预测中。预测结果表明:AWLS-SVM预测的累积负荷误差为4.56MW,亦优于其他3类模型,证明了AWLS-SVM具有较高的预测精度和较好的泛化能力,是建筑空调负荷预测的一种有效方法。     

机器学习算法在短期电力负荷预测中的应用

为了提高短期电力负荷预测准确性,提出一种蚁群算法(ACO)优化支持向量机(SVM)的短期电力负荷预测模型(ACO-SVM)。首先采用混沌理论对短期电力负荷样本进行重构,然后将SVM参数作为蚂蚁的位置向量,通过蚁群信息交流和相互协作找到SVM最优参数,最后建立短期电力负荷的最优预测模型,并采用实际短期电力负荷数据进行有效性验证。结果表明,ACO-SVM能够准确刻画短期电力负荷变化特性,提高了短期电力负荷的预测准确性。     

飞机结构载荷测量应变电桥热输出修正方法

针对近年来在飞机结构载荷测量飞行试验过程中发现的结构温度对载荷测量结果影响的问题,在分析载荷测量应变电桥热输出产生的原因和机理基础上,提出一种基于多项式拟合的应变电桥热输出分析和修正方法。通过地面温度试验验证了该方法的有效性,并利用该方法对多型飞机结构载荷飞行试验实测结果进行修正,取得了良好的修正效果,有效地提高了载荷测量的精准度。研究成果为飞机结构载荷测量应变电桥热输出修正提供了适用的理论依据和工程方法,对飞机结构载荷飞行试验验证起到了重要的支撑作用。     

不可逆简单空气制冷循环制冷率密度优化

以制冷率密度为热力学优化目标，分析了不可逆简单空气制冷循环的性能，导出了制冷率密度性能系数解析关系式，并由数值计算分析了压比、热导率分配等参数对制冷率密度的影响特点。     

内可逆Carnot制冷机和热泵输出率密度分析与优化

以内可逆Carnot循环的输出率密度(对循环最大体积平均的循环输出率),即Carnot制冷机的制冷率密度和Carnot热泵的供热率密度作为热力性能指标,分别对内可逆Carnot制冷机和热泵进行分析与优化,导出了最佳换热器面积分配关系式,通过数值计算分析了热源温比对输出率密度与性能系数关系的影响。结果表明,考虑循环体积后,Carnot制冷机的制冷率密度与制冷系数特性关系呈抛物线型,这与传统分析中单调递减的制冷率与制冷系数特性关系完全不同;Carnot热泵的供热率密度与供热系数特性关系呈抛物线型,也与传统分析得到的单调递减的供热率与供热系数特性关系不同。     

基于XGBoost-神经网络的建筑负荷预测模型构建

针对建筑负荷预测模型特征选择工作量大、泛化能力提升难的问题,提出一种基于XGBoost-神经网络的建筑负荷特征筛选及预测方法,利用XGBoost算法训练滤波处理后的数据,基于平均绝对误差百分比MAPE确定最优特征子集,以改善模型精度和泛化能力;采用贝叶斯正则化算法训练前馈神经网络,以便能够在训练优化过程中降低网络结构复杂性,从而避免网络过拟合,进一步提升其泛化能力。针对某商业建筑的负荷预测实验结果表明,特征筛选后较筛选前模型MSE降低43.29%,有效提高了模型预测精度;分别以贝叶斯正则化和L-M算法对神经网络进行训练,前者5次试验RMSE和MAPE平均值较后者分别降低87.08%、85.33%,预测模型泛化能力得到有效提升。