基于随机森林的大型公共建筑能耗混合预测模型北大核心CSCD

针对公共建筑能耗预测模型中影响变量相关性低、冗余性高的问题,提出了基于二氧化碳浓度的公共建筑人员流动率间接测量方法,以提高模型的预测精度,并提出了一种大型公共建筑能耗混合预测模型。首先利用LASSO变量选择算法筛选出与公共建筑能耗相关性高的影响因素,再引入改进的并行排序蚁群优化算法对随机森林预测模型的参数进行优化,进一步提高预测性能。最后,以西安某公共建筑监测数据为例进行预测分析。结果表明,人员流动率对公共建筑能耗预测有着重要的影响,所提模型的泛化能力强、预测精度高,可以为公共建筑节能优化提供有效的数据支撑。     

中央空调冷冻水系统设备节能优化方法

针对中央空调冷冻水系统运行能耗高、系统设备参数难以随负荷变化而动态调节的问题,采用一种结合穷举法的自适应并行人工免疫算法(Adaptive parallel artificial immune algorithm combined with exhaustive method, EM-APAIA)优化系统设备在不同负荷下的运行参数,以降低冷冻水系统的运行能耗。首先建立了系统内各设备的功耗模型,以所有设备功耗最小作为冷冻水系统的优化控制目标。其次,采用EM-APAIA对冷冻水供水温度、冷冻水泵的运行台数和转速比等运行参数进行优化。在该算法中,对初始化方式、移民算子和变异概率进行了改进以及引进穷举法机制,增强了算法对冷冻水系统设备运行参数的优化能力。最后对某一实际中央空调冷冻水系统进行了仿真实验。结果表明:与常规设置相比,使用EM-APAIA对系统内各设备运行参数优化后,系统总能耗降低14.8 %;同时相对于其他对比算法,该算法能得到更好的控制策略,且收敛速度快、稳定性强,可用于中央空调冷冻水系统内各设备的控制优化。     

改进交替方向乘子法求解冷水机组负荷分配群智能优化问题

群智能控制系统中的多台冷水机组负荷优化分配问题是一个多块优化问题,传统分布式方法难以获得其收敛解.文中将交替方向乘子法(ADMM)引入冷水机组负荷分配群智能优化问题中,并通过一种有效的高斯罚函数(GPF)更新策略改进了交替方向乘子法收敛特性.同时,建立了一种基于ADMM–GPF–GBS双层分布式计算框架的冷水机组负荷优化分配模型,该模型仅利用相邻节点间的局部信息传递,即可求解得出最优运行策略.最后,通过两个典型算例对比分析了所提优化方法的有效性,并在实际硬件系统中进一步对该算法进行应用与验证.结果表明,所提算法适用于群智能控制系统下的多台冷水机组系统,且具有比传统分布式算法更好的寻优能力和收敛性,可以取得显著的节能效果.     

改进并行粒子群算法用于冷却水系统节能优化

针对冷却水系统优化问题提出一种改进并行粒子群(IPPSO)算法,以系统能耗最小为优化目标,以系统中各设备的运行参数为优化变量进行求解.在该算法中,采用随机和混沌序列机制分别对两个种群的粒子进行初始化,使两种群在产生初期便具有不同特征;并根据两种群特点,采用不同惯性权重改进策略,提高算法搜索能力;同时利用一种新迁移算子对...     

考虑电动汽车影响的农村家庭新能源容量优化配置方法

针对以光伏发电为主体的农村家庭新能源系统容量优化配置问题,从用户经济效益的角度出发,提出一种将电动汽车（electric vehicle,EV）用作储能装置且考虑用户出行需求的农村家庭新能源系统全寿命周期优化配置方法。首先构建了以系统年均用能成本最小和自发自用率最大为目标的优化配置模型,并结合市场电价机制及EV的使用需求制定了新能源系统综合运营模式,然后以粒子群优化（particle swarm optimization,PSO）算法求解得到家庭新能源系统中分布式电源的最优配置容量。最后,基于河北省石家庄某典型农村家庭实际用电负荷数据和气象参数进行仿真实验,结果表明：将EV与光伏出力结合,可以有效提高系统能源利用效率,减小家庭用能成本。     

基于CNN的高层住宅建筑群热负荷混合预测模型北大核心CSCD

针对传统热负荷预测面向单栋住宅,预测负荷无法满足小区级换热站及热网优化调控需求的问题,提出一种基于卷积神经网络(CNN)的高层住宅建筑群热负荷混合预测模型。首先,引入建筑体形参数,利用LASSO模型对热负荷影响因素进行筛选;然后,采用缎蓝园丁鸟优化(SBO)算法优化CNN;最后,利用西安市10个住宅小区的相关运行数据对所提模型进行训练和测试。实验结果表明,输入参数引入建筑体形参数后,模型预测精度更高;经SBO算法优化后的CNN模型较传统CNN模型具有更好的拟合优度、预测精度和泛化能力,满足工程实际需求。     

基于神经网络的建筑能耗混合预测模型

为了提升建筑能耗预测的精度、鲁棒性和泛化能力,提出树种算法（TSA）优化的径向基函数（RBF）神经网络与长短时记忆（LSTM）神经网络结合的混合预测模型. 采用基于自适应噪声的完全集成经验模态分解算法,将建筑能耗数据分解为1组本征模态函数（IMF）分量和1个残余分量,利用样本熵算法将各分量划分为高频分量和低频分量. 采用最小绝对收缩与选择算子（LASSO）方法进行特征选择. 分别利用TSA算法优化后的RBF模型与LSTM模型对低频分量和高频分量进行预测,并叠加重构得到最终预测结果. 模型评估结果表明,混合预测模型的精度为98. 72%. 相比于RBF、TSA-RBF、LSTM模型,所提模型的预测效果更好,且具有较强的鲁棒性和泛化能力,能够更为有效地用于建筑逐时电力能耗预测.