小波网络应用于空调负荷预测

准确预测空调负荷不仅对蓄能空调高效运行意义重大,而且也是冷热电三联产技术发挥优势的关键所在。本文提出一种小波网络应用于空调负荷的预测模型,通过小波分解,把空调负荷序列分解为不同频段的小波系数序列,再将各层的小波系数子序列重构到原尺度上,然后对小波系数序列采用相匹配的BP神经网络模型进行预测,最后合成空调负荷序列的最终预测结果。该预测模型中的低频小波系数a3和中频小波系数d3的神经网络输入变量为前1天小波系数值和对应时刻的温度、相对湿度、风速、总辐射量、天气状况和星期几编码共7个因子,并采用主成分分析法进行输入变量的降维;高频小波系数d2和d1以前几日的小波系数为输入因子。经过对西安市某综合楼的空调负荷进行预测,证明了预测值和实际运行值拟和很好,相对误差为-10%~8%。该预测模型具有预测精度较高、推广能力较强及计算速度较快的优点。     

泛化能力改善的神经网络方法在空调负荷预测中的应用

本文针对神经网络方法进行负荷预测时存在的泛化能力较差的缺点,提出了对历史数据进行相关性分析和输入数据主成分分析以提高神经网络泛化能力.实例分析结果表明:历史数据的相关性分析为空调负荷预测神经网络模型输入参数的合理选择提供了依据,主成分分析方法在降低神经网络模型输入维数、提高该方法泛化能力方面有较好的作用.     

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BP神经网络模型的大型公共建筑冷负荷预测

本文对BP神经网络的构成、算法设置及BP模型的预测步骤进行介绍,并以深圳某一大型公共建筑为例进行了负荷模拟,将BP神经网络模型应用到冷负荷预测活动中,数值模拟结果表明BP神经网络模型对负荷与各输入变量有很好的映射能力。     

空调系统负荷分段预测与研究

为了改善空调系统的能源消耗,根据空调系统实际运行时的环境数据和负荷数据,采用神经网络的方式建立空调系统的负荷预测模型,通过负荷预测得到博物馆所需的空调负荷,以此作为空调系统节能优化的基础。根据BP神经网络具有的非线性特性以及强大的自学习自适应能力,对博物馆的空调负荷进行预测,建立基于BP神经网络的负荷预测模型,分析研究仿真得到结果,发现其不足之处主要体现在准确性上,之后对神经网络后改进进行分段预测,将通过仿真实验预测的结果与实际运行的负荷进行对比,结果表明改进后预测的结果具有较好的准确性。     

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区域CCHP系统进行了冷负荷预测。结果显示:利用Spearman秩相关系数分析,可缩短模型训练时间,规避维数灾难,提高预测精度;相对BP神经网络预测结果,GA-BP神经网络避免了局部收敛,明显提高了模型的预测精度。     

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。     

基于改进型BP神经网络的多变量时序预测方法

传统的线性模型难以解决多变量或多输入问题,而神经网络擅长于处理多变量的问题,本文提出一种基于改进型BP神经网络的多变量时间序列预测方法。该方法对多变量时序数据建模预测能力较强,能够在有效减少训练时间的前提下,提高数据预测的精度。最后,使用这种方法对公开数据集中某地电力负荷值进行预测,最终证明基于改进型BP神经网络的多变量时序预测方法预测精准,误差较低。     

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%。     

MIV-PSO-BP神经网络用户热负荷预测

提出利用MIV-PSO-BP神经网络预测用户热负荷。MIV-PSO-BP神经网络基于BP神经网络,利用PSO算法优化神经网络初始参数,采取MIV算法筛选与输出变量相关程度最大的输入变量。以绝对误差、均方根误差作为指标,评价MIV-PSO-BP神经网络的预测效果。结合箱线图,比较BP神经网络、MIV-PSO-BP神经网络的预测相对误差分散程度与异常点数量。与BP神经网络相比,MIV-PSO-BP神经网络的预测效果更理想。由BP神经网络、MIV-PSO-BP神经网络的预测结果相对误差箱线图可知,MIV-PSO-BP神经网络预测结果相对误差集中,异常点少;BP神经网络预测结果相对误差分散,异常点多。MIV-PSO-BP神经网络预测准确性、稳定性更高。     

MIV-PSO-BP神经网络用户热负荷预测

提出利用MIV-PSO-BP神经网络预测用户热负荷。MIV-PSO-BP神经网络基于BP神经网络,利用PSO算法优化神经网络初始参数,采取MIV算法筛选与输出变量相关程度最大的输入变量。以绝对误差、均方根误差作为指标,评价MIV-PSO-BP神经网络的预测效果。结合箱线图,比较BP神经网络、MIV-PSO-BP神经网络的预测相对误差分散程度与异常点数量。与BP神经网络相比,MIV-PSO-BP神经网络的预测效果更理想。由BP神经网络、MIV-PSO-BP神经网络的预测结果相对误差箱线图可知,MIV-PSO-BP神经网络预测结果相对误差集中,异常点少;BP神经网络预测结果相对误差分散,异常点多。MIV-PSO-BP神经网络预测准确性、稳定性更高。     

人工神经网络法燃气日负荷预测输入变量选取

研究了RBF神经网络在城市燃气日负荷预测中的应用及输入变量的选择问题,提出了基于逐步回归的输入变量选取方法。对实例进行了预测,对不同输入变量方案进行了对比分析。以逐步回归选取的输入变量为基础,增加日期类型、前一天平均气温两项数据作为输入变量,完全满足神经网络用于城市燃气日负荷预测精度的要求,且合理可行。     

基于混合模型的中央空调冷源系统运行能耗优化

为优化中央空调冷源系统运行能耗,本文分别建立了中央空调冷源系统运行能耗预测灰箱模型和BP神经网络模型,对比分析了灰箱模型与BP神经网络模型的能耗预测性能,并基于K-means聚类算法提出了将灰箱模型和BP神经网络模型相结合的能耗预测混合模型。结合中央空调冷源系统能耗预测混合模型,以模型可控输入变量为优化变量,对中央空调冷源系统进行节能优化。结果表明:对比单独使用灰箱模型或BP神经网络模型,中央空调冷源系统混合模型能耗预测精度提升了27.7%和33.85%。对比冷源系统优化前能耗,优化后的中央空调冷源系统运行能耗平均降低了8.2%。     

耦合台风天气预报模式和实测数据的神经网络风速预测

基于准定常假定,风荷载与风速平方成正比.为了实现对结构的台风动力效应进行分析预测,建立了耦合数值天气预报(weather research and forecast,WRF)模式和现场实测数据的风速预测神经网络模型,开展台风短期风速的高精度预测.利用该模型对2017年"泰利"和2018年"康妮"的台风风场进行模拟和预测...     

Assessment of load carrying capacity of castellated steel beams by neural networks

In this paper, load carrying capacity of simply supported castellated steel beams, susceptible to web-post buckling, is studied. The accuracy of the nonlinear finite element (FE) method to evaluate the load carrying capacity and failure mode of the beams is discussed. In view of the high computational burden of the nonlinear finite element analysis, a parametric study is achieved based on FE and an empirical equation is proposed to estimate the web-posts’ buckling critical load of the castellated steel beams. Also as other alternatives to achieve this task, the traditional back-propagation (BP) neural network and adaptive neuro-fuzzy inference system (ANFIS) are employed. In this case, the accuracy of the proposed empirical equation, BP network and ANFIS are examined by comparing their provided results with those of conventional FE analysis. The numerical results indicate that the best accuracy associates with the ANFIS and the neural network models provide better accuracy than the proposed equations.     

基于灰关联的PSO-BP神经网络的高层住宅造价估算

针对高层住宅工程造价管理的难点及传统造价估算方法存在的不足,采用灰关联分析与粒子群优化的 BP 神经网络相结合的方法,以高层住宅工程特征指标为网络的输入向量,达到快速、准确地估算高层住宅工程造价的目标。借助文献回顾法与灰关联分析法系统地确定工程特征指标体系并作为神经网络的输入向量;引入 PSO 算法优化 BP 网络的权值及阈值,解决网络收敛速度慢、易陷入局部极小值等缺点。并通过实例验证构建的模型,提高了前期决策阶段造价估算的精确度,实现了快速估算     

基于小波分析与支持向量机的地铁隧道沉降预测

根据地铁隧道监测点沉降变化中非线性、不确定、时变性的特点,建立了基于小波分析的支持向量机预测模型。首先运用小波分析将监测点沉降序列分解为低频近似分量和高频细节分量,然后对各分量分别进行支持向量机预测,最后将各分量预测结果进行小波重构得到监测点的沉降预测曲线。预测结果表明,在相同样本数和短周期预测条件下,Wavelet—SVM模型的预测精度优于BP神经网络方法。对地铁沉降监测提前进行预警预报有一定的参考价值。     

BP神经网络在隧道围岩稳定性分类中的应用

将BP神经网络应用于隧洞围岩分类,BP神经网络通过学习记忆建立输入和输出变量之间的非线性关系。利用淮南洞山隧道围岩分类样本进行模拟检验,BP神经网络模型性能良好,对隧道围岩分类的精度较高,是一种值得推广和应用的围岩智能分类方法。