一、人工神經(jīng)網(wǎng)絡(luò)在商場建筑物冷負荷預(yù)測中的應(yīng)用（論文文獻綜述）
冉彤[1]（2021）在《某機場能源站冰蓄冷空調(diào)系統(tǒng)負荷預(yù)測與節(jié)能優(yōu)化研究》文中研究指明經(jīng)濟社會的快速發(fā)展促進了現(xiàn)代航空業(yè)的大發(fā)展,機場航站樓作為其中最大的單體建筑,其夏季制冷系統(tǒng)的能耗達到了總能耗的65%左右。冰蓄冷空調(diào)作為現(xiàn)代化航站樓制冷系統(tǒng)的主要供冷形式,具有“移峰填谷”的優(yōu)勢,能充分減少制冷機組裝機容量、減少系統(tǒng)運行費用。但是當(dāng)冰蓄冷系統(tǒng)運行策略制定的不當(dāng)時,會造成設(shè)備的運行效率低下、系統(tǒng)運行費用增加、能源浪費嚴重等問題,因此對冰蓄冷空調(diào)系統(tǒng)進行節(jié)能優(yōu)化策略的研究顯得至關(guān)重要。而空調(diào)冷負荷的精準預(yù)測是制定節(jié)能優(yōu)化策略的關(guān)鍵,故論文主要針對某機場冰蓄冷系統(tǒng)的負荷預(yù)測以及節(jié)能優(yōu)化策略展開研究,主要內(nèi)容如下:（1）機場航站樓冷負荷預(yù)測研究。提出了基于改進的VMD-ARIMA-DBN機場航站樓冷負荷預(yù)測模型,首先利用Pearson相關(guān)性分析法確定了預(yù)測模型輸入數(shù)據(jù)的主要類型,以解決變量與結(jié)果相關(guān)性較弱的問題;其次采用變分模態(tài)分解（Variational mode decomposition,VMD）技術(shù)對輸入數(shù)據(jù)進行分解,將分解得到的波動較大、規(guī)律性較差的部分利用改進的深度信念網(wǎng)絡(luò)（Deep Belief Networks,DBN）預(yù)測,而分解得到的波動較小、規(guī)律性較好的部分用自回歸綜合移動平均（Autoregressive Integrated Moving Average Model,ARIMA）算法進行預(yù)測,最后將兩部分分類預(yù)測的結(jié)果疊加獲得最終的航站樓冷負荷預(yù)測結(jié)果。（2）能源站冰蓄冷系統(tǒng)節(jié)能運行策略研究;首先,基于能源站冰蓄冷空調(diào)的組成和工作原理,建立了系統(tǒng)的能耗模型,包括多臺制冷機組能耗模型、冷卻塔、水泵的能耗模型,蓄冰槽的蓄冰模型以及融冰模型。其次以整個系統(tǒng)的運行費用最低、能耗損失最小為目標,實際工程運行的物理條件作為約束,建立并行GA-PSO優(yōu)化算法進行求解。最后以能源站實際運行數(shù)據(jù)進行分析,得到冰蓄冷空調(diào)系統(tǒng)的逐時運行策略。通過仿真實驗驗證,文中所提出的冷負荷預(yù)測模型在機場航站樓中取得了較好的預(yù)測精度,其最大均方根相對誤差為2.12%,平均絕對百分誤差為3.25%。提出的能源站冰蓄冷系統(tǒng)運行優(yōu)化策略相較于傳統(tǒng)的冷機優(yōu)先策略,在整個夏季運行工況約節(jié)省費用37.29%,減少10.97%的能耗損失;相較于該能源站實際運行的冰槽優(yōu)先策略,約節(jié)省費用14.02%,減少8.11%的能耗損失。故文中所研究的內(nèi)容對機場能源站的運行策略制定有著借鑒作用,也為綠色、智慧機場的建設(shè)提供重要理論依據(jù)。
雷磊[2]（2020）在《基于GA-ELM方法的建筑能耗預(yù)測研究》文中研究指明隨著我國城市化進程的加快以及建筑功能日趨精細復(fù)雜,建筑能耗日益增長,現(xiàn)階段建筑能耗在社會總能耗中占比高達26.7%,存在巨大節(jié)能潛力。建筑能耗預(yù)測作為建筑節(jié)能的一項重要內(nèi)容,其快速、精準的預(yù)測結(jié)果是進行建筑節(jié)能優(yōu)化的基礎(chǔ)。因此,如何構(gòu)建一個高效精準的建筑能耗預(yù)測模型,是建筑節(jié)能優(yōu)化領(lǐng)域的研究熱點之一。以某智能生產(chǎn)辦公綜合用房為案例,在對建筑能耗數(shù)據(jù)采集、分析的基礎(chǔ)上,重點研究利用遺傳算法改進和建立建筑能耗預(yù)測模型以提高能耗預(yù)測結(jié)果的效率和精度,為建筑節(jié)能優(yōu)化提供快速、準確的參考依據(jù),為建筑節(jié)能工作奠定基礎(chǔ)。從能耗管理系統(tǒng)構(gòu)建、預(yù)測模型建立和工程應(yīng)用仿真三方面進行重點研究,構(gòu)建了一個高效、精準的建筑能耗預(yù)測系統(tǒng)。論文主要從以下幾個方面進行研究:（1）建筑能耗管理系統(tǒng)構(gòu)建:針對大型公共建筑總能耗大、空調(diào)系統(tǒng)能耗占比多等項目特點,構(gòu)建建筑能耗管理平臺。該系統(tǒng)可根據(jù)建筑功能分區(qū)對能耗監(jiān)控對象進行相應(yīng)的調(diào)整,可擴展性強,并且該系統(tǒng)可以針對空調(diào)冷負荷進行預(yù)測,有利于對能耗進行管理。（2）建筑能耗預(yù)測模型建立:分析和對比目前典型的能耗預(yù)測算法,針對傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)應(yīng)用于建筑能耗預(yù)測存在的問題,引入極限學(xué)習(xí)機算法（Extreme Learning Machine,ELM）,并采取遺傳算法進行優(yōu)化,提出基于遺傳算法優(yōu)化的極限學(xué)習(xí)機（Genetic Algorithm Extreme Learning Machine,GA-ELM）算法,并對建筑能耗管理系統(tǒng)采集到的能耗數(shù)據(jù)進行預(yù)處理,建立GA-ELM能耗預(yù)測模型。（3）能耗預(yù)測仿真及節(jié)能優(yōu)化管理:將上述建立的建筑能耗預(yù)測模型應(yīng)用于某實際工程項目,選取合理的負荷類型、時間段、采集點位、評價標準,進行仿真實驗并對結(jié)果進行比較和分析。研究結(jié)果表明:與BP、GA-BP和ELM方法相比,基于GA-ELM方法進行建筑能耗預(yù)測是可行的,能夠進一步提高預(yù)測準確率。在此研究基礎(chǔ)上,結(jié)合工程實例采取一定的能耗管理策略,研究項目運營階段能耗合理調(diào)配,為進一步節(jié)能降耗提供參考。
劉媛[3]（2020）在《基于客流量預(yù)測的公共建筑節(jié)能優(yōu)化研究》文中指出隨著智慧城市的進程加快,公共建筑在所有建筑中的能源消耗比不斷增大。火車站候車廳作為客流量較大的一類特殊公共建筑,在實際運行過程中,由于候車廳人員具有密集性且變化較大的特點,使得空調(diào)系統(tǒng)在兼顧人員舒適性標準與建筑節(jié)能時較為困難。因此,對這類公共建筑展開節(jié)能優(yōu)化具有很大的意義。另外,隨著節(jié)能減排冰蓄冷技術(shù)的興起,其更廣泛地被應(yīng)用到火車站建筑空調(diào)領(lǐng)域。在動態(tài)客流量的基礎(chǔ)上,合理、準確地對火車站候車廳冷負荷進行模擬是優(yōu)化該建筑冰蓄冷空調(diào)運行方式的前提。本課題以客流量變化的動態(tài)逐時冷負荷值為基礎(chǔ),能源利用率最高、運營成本最低為目標,對該類建筑的冰蓄冷空調(diào)優(yōu)化展開研究,研究內(nèi)容如下:首先,基于火車站候車廳的歷史逐時數(shù)據(jù),確定本課題采用的短期客流量預(yù)測算法—BP神經(jīng)網(wǎng)絡(luò)、ARIMA時間序列以及組合預(yù)測算法,經(jīng)過對歷史數(shù)據(jù)的預(yù)處理,設(shè)計出上述算法的各自參數(shù)值,并分別應(yīng)用三種算法對歷史客流數(shù)據(jù)展開預(yù)測。最終將三種算法預(yù)測結(jié)果與實際值對比分析,得出組合預(yù)測算法具有較高精準度的結(jié)論。其次,以預(yù)測出來的客流量數(shù)據(jù)為原型,對影響火車站候車廳空調(diào)負荷的不同因素展開定性、定量分析。采用基于Energy Plus軟件模擬和模型計算的方法,分別對圍護結(jié)構(gòu)和其他因素進行逐時冷負荷模擬,得出火車站候車廳冰蓄冷空調(diào)系統(tǒng)的動態(tài)逐時冷負荷值。最后,針對空調(diào)系統(tǒng)的工藝流程,建立相應(yīng)的運行模型—冷量模型、功耗模型以及經(jīng)濟模型。在動態(tài)逐時冷負荷值的基礎(chǔ)上,將能源利用率最高和運營成本最低設(shè)為優(yōu)化目標,結(jié)合相關(guān)工程約束條件,應(yīng)用NSGA-II算法對空調(diào)系統(tǒng)進行運行優(yōu)化,并得出相應(yīng)的冷量分配控制策略。仿真結(jié)果表明,在此控制策略的指導(dǎo)下,系統(tǒng)的運營成本費用可以節(jié)約13.0%,能源損失率降低14.7%。
李佳殷[4]（2020）在《基于神經(jīng)網(wǎng)絡(luò)的大型公共建筑新風(fēng)負荷預(yù)測》文中研究表明新風(fēng)負荷在大型公共建筑的空調(diào)能耗中占比較高,對新風(fēng)負荷進行預(yù)測是降低建筑能耗、發(fā)展綠色建筑的有效途徑。本課題分別針對商場類、旅店類、辦公類三種不同類型的大型公共建筑,分析新風(fēng)負荷對于建筑負荷影響的程度大小,利用層次分析法分析確定影響新風(fēng)負荷變化的主要印象因素及權(quán)重大小,并基于神經(jīng)網(wǎng)絡(luò)預(yù)測新風(fēng)負荷,主要研究內(nèi)容如下:采用DeST軟件分別對商場類建筑、旅店類建筑、辦公類建筑進行建筑負荷模擬分析,通過對沈陽市佳兆業(yè)商場進行模擬分析得出,夏季新風(fēng)負荷占總負荷36%,冬季新風(fēng)負荷占總負荷83.5%;對沈陽市友誼賓館模擬的顯示結(jié)果,夏季新風(fēng)負荷占總負荷35%,冬季新風(fēng)負荷占總負荷62.3%;對撫順辦公樓進行模擬分析得出,夏季新風(fēng)負荷占總負荷38%,冬季新風(fēng)負荷占總負荷68.7%;可見新風(fēng)負荷對于大型公共建筑負荷的影響程度是很大,因此從新風(fēng)負荷角度入手對于降低建筑負荷能耗具有重要意義。采用層次分析方法,對影響新風(fēng)負荷的因素進行權(quán)重分析,通過新風(fēng)負荷的特點、相關(guān)資料以及專家調(diào)查問卷的方法,確定對于新風(fēng)負荷的影響因素主要有室外溫濕度、機組型號、室內(nèi)人員數(shù)量、熱擾量等,根據(jù)計算結(jié)果顯示,對于新風(fēng)負荷影響程度最大的因素為人員數(shù)量,達到27.65%,其次為室外溫度和室外濕度,占比12.74%,因此選取這三種因素作為預(yù)測模型的輸入?yún)?shù)會很大程度上提高模型預(yù)測精度。分析人工神經(jīng)網(wǎng)絡(luò)的適用性,比較各種神經(jīng)網(wǎng)絡(luò)算法的優(yōu)劣,并根據(jù)大型公共建筑新風(fēng)負荷動態(tài)變化特點,確定輸入層參數(shù)、隱含層參數(shù)、各種權(quán)值閥值的數(shù)值等,建立Elman神經(jīng)網(wǎng)絡(luò)預(yù)測模型,將實際數(shù)據(jù)帶入到模型中進行預(yù)測,預(yù)測結(jié)果顯示絕對誤差大部分在-0.50.5之間,相對誤差大部分低于7.00%,并且預(yù)測結(jié)果在人員流量大幅度變化的時間誤差最大,可以得出預(yù)測結(jié)果與層次分析法的計算結(jié)果一致,具有可行性。但是單一的預(yù)測模型容易出現(xiàn)收斂速度慢、陷入局限解的情況,影響結(jié)果的準確性。針對Elman神經(jīng)網(wǎng)絡(luò)容易陷入局限解的問題,提出采用遺傳算法對原有模型進行優(yōu)化的方法,通過不斷地對模型權(quán)值和閥值的進行迭代,選取適應(yīng)度最高的值帶入到預(yù)測模型,預(yù)測結(jié)果顯示絕對誤差基本都可以控制在0.5以內(nèi),相對誤差基本控制在5%以內(nèi),通過與原有的預(yù)測模型對比分析,可以看出優(yōu)化后的Elman神經(jīng)網(wǎng)絡(luò)預(yù)測模型精確度更高,同時也滿足新風(fēng)負荷的特點,具有可行性。
井文強[5]（2020）在《西安某商場空調(diào)系統(tǒng)能耗預(yù)測模型與節(jié)能診斷研究》文中研究表明隨著城市的快速發(fā)展,商場建筑的數(shù)量也隨之迅速增加,其能耗也在迅速增高。商場建筑因為其空調(diào)系統(tǒng)負荷大、照明能耗高、用能設(shè)備種類多、商場內(nèi)部人員密集等特點導(dǎo)致商場建筑在其單位面積的平均能耗遠遠高于其它公共建筑,其在空調(diào)系統(tǒng)的耗能約為其他類型公共建筑的空調(diào)系統(tǒng)耗能的5倍左右。研究商場建筑空調(diào)能耗的特征,尋找到可靠的節(jié)能手段對商場建筑節(jié)能有著重要意義。故論文針對西安某商場建筑空調(diào)系統(tǒng)能耗預(yù)測和節(jié)能診斷進行研究,主要內(nèi)容如下:首先,針對西安某商場建筑的空調(diào)系統(tǒng),研究與其能耗相關(guān)的影響因素,得到空調(diào)系統(tǒng)能耗的影響因素分為室內(nèi)影響因素和室外氣象因素,室內(nèi)影響因素包括室內(nèi)的人流量、空調(diào)系統(tǒng)的歷史運行數(shù)據(jù);室外氣象因素包括室外的溫度、室外的風(fēng)速、室外的濕度、室外的太陽輻射量,這些因素作為能耗預(yù)測模型的輸入變量。其次,對模型所選取的輸入與輸出變量之間進行關(guān)聯(lián)度分析,建立了西安某商場空調(diào)系統(tǒng)PSO-BP神經(jīng)網(wǎng)絡(luò)能耗預(yù)測模型;并借助JMP軟件工具,利用Pearson相關(guān)性顯著性進行檢驗,剔除關(guān)聯(lián)度低的影響因素,采用關(guān)聯(lián)度高的影響因素作為能耗預(yù)測模型的輸入變量;利用Markov鏈進行誤差修正,消除PSO-BP神經(jīng)網(wǎng)絡(luò)在進行空調(diào)系統(tǒng)能耗預(yù)測過程中所產(chǎn)生的過程誤差,從而對所建立的能耗模型進行了優(yōu)化,取得了精度更高的預(yù)測結(jié)果。經(jīng)過仿真實驗驗證,改進后的PSO-BP神經(jīng)網(wǎng)絡(luò)能耗預(yù)測模型較未改進的PSO-BP神經(jīng)網(wǎng)絡(luò)能耗預(yù)測模型其最大相對誤差從33.799%減小到了10.967%,能耗預(yù)測模型的均方根誤差RMSPE從16.14%減小到了3.06%,表明了所建立的改進PSO-BP神經(jīng)網(wǎng)絡(luò)能耗預(yù)測模型的精度更高,更適用于工程實際的應(yīng)用。最后,建立空調(diào)系統(tǒng)節(jié)能診斷模型。利用K-means聚類算法,從歷史數(shù)據(jù)中選出節(jié)能特性較好的數(shù)據(jù)作為診斷模型的樣本數(shù)據(jù),建立節(jié)能診斷模型。從而能診斷出能耗異常情況,對診斷出的節(jié)能特性較差的數(shù)據(jù)進行異常分析,分析出空調(diào)系統(tǒng)運行中的不節(jié)能時刻。通過這種建模方式,可以找出空調(diào)系統(tǒng)運行中的不合理情況,為建筑節(jié)能管理運行提供參考。論文研究了西安某商場建筑空調(diào)系統(tǒng)的能耗預(yù)測以及節(jié)能診斷問題,提出了一種改進PSO-BP神經(jīng)網(wǎng)絡(luò)能耗預(yù)測模型,建立了節(jié)能診斷模型,不僅可以解決西安某商場空調(diào)系統(tǒng)的能耗預(yù)測與節(jié)能管理所存在的問題,而且對西安地區(qū)同類型建筑的空調(diào)系統(tǒng)的能耗預(yù)測以及節(jié)能管理具有指導(dǎo)和借鑒作用。
郭鍇[6]（2019）在《基于樹模型與神經(jīng)網(wǎng)絡(luò)模型的住宅建筑供暖負荷預(yù)測的研究》文中研究指明當(dāng)前,我國冬季供暖能耗在社會總能耗中占比較大,供熱節(jié)能勢在必行。對供暖負荷的準確預(yù)測可以幫助運維人員提前掌握建筑的用能需求,進行精準調(diào)控,從而避免不必要的能源浪費。隨著計量裝置的普及以及人工智能技術(shù)的發(fā)展,機器學(xué)習(xí)技術(shù)在建筑物能耗預(yù)測方面得到了快速發(fā)展。本文以寒冷地區(qū)某住宅建筑為例,使用樹模型與神經(jīng)網(wǎng)絡(luò)模型對供暖負荷進行短期預(yù)測與超短期預(yù)測,研究了兩類在供暖負荷預(yù)測中的應(yīng)用效果。本文首先利用相關(guān)性分析法初步篩選影響因子,考慮到建筑物的熱惰性,室外變量歷史時刻值的影響也被考慮在內(nèi)。然后利用主成分分析法處理所得的影響因子,獲得模型輸入?yún)?shù)。最終將所得輸入?yún)?shù)輸入樹模型與神經(jīng)網(wǎng)絡(luò)模型。針對樹模型,本文使用了DT模型、GBDT模型和XGBoost模型對供暖負荷進行預(yù)測。研究發(fā)現(xiàn),XGBoost模型在短期負荷預(yù)測與超短期負荷均優(yōu)于DT模型與GBDT模型。針對神經(jīng)網(wǎng)絡(luò)模型,本文使用了LSTM模型及其變體（Dropout-LSTM模型、Bidirection-LSTM模型）和TCN模型對供暖負荷進行預(yù)測。研究發(fā)現(xiàn),在短期預(yù)測中,加入雙向神經(jīng)網(wǎng)絡(luò)機制的Bidirectional-LSTM模型對短期負荷預(yù)測效果最佳。在超短期預(yù)測中,加入雙向神經(jīng)網(wǎng)絡(luò)機制的Bidirectional-LSTM模型對超短期負荷預(yù)測效果最佳,RMSE較LSTM模型下降了22.1%。TCN模型對超短期供暖負荷的預(yù)測達到了預(yù)期,可以與LSTM模型相媲美,證明了卷積神經(jīng)網(wǎng)絡(luò)可用于供暖負荷的預(yù)測。綜合各方面因素,進行樣本量較少、短時間內(nèi)變化相對平穩(wěn)的短期供暖負荷預(yù)測時,推薦使用XGBoost模型;進行樣本量較大、短時間內(nèi)負荷劇烈變化的超短期供暖負荷預(yù)測時,推薦使用Bidirectional-LSTM模型和TCN模型。
段瑤琪[7]（2019）在《基于RC網(wǎng)絡(luò)和數(shù)據(jù)驅(qū)動的辦公建筑空調(diào)負荷預(yù)測模型研究》文中提出在能源問題日益緊張的今天,通過精確預(yù)測室內(nèi)動態(tài)冷熱負荷來實現(xiàn)對室內(nèi)熱環(huán)境控制,進而降低系統(tǒng)能耗就顯得尤為重要。RC物理模型能較好的體現(xiàn)建筑的熱物理性質(zhì),基于計算機技術(shù)的數(shù)據(jù)驅(qū)動方法可以隨時的監(jiān)測并分析建筑空調(diào)系統(tǒng)的實際運行狀況。本課題主要開展以分析各類氣象因素、室內(nèi)人員對建筑空調(diào)負荷的敏感特性為基礎(chǔ)的建筑動態(tài)冷熱負荷預(yù)測模型的研究。利用Design Builder能耗模擬軟件,將案例建筑設(shè)置成有人模式和無人模式,模擬空調(diào)能耗,建立圍護結(jié)構(gòu)負荷數(shù)據(jù)庫,以及因人員擾動導(dǎo)致的人員、照明、設(shè)備的負荷數(shù)據(jù)庫?；诿舾行苑治龇椒ㄉ钊氲匮芯扛鳉庀蠛腿藛T因素對負荷影響的顯著性,并以標準回歸系數(shù)作為評價指標,對其進行排序,篩選出影響較大的因素,簡化并優(yōu)化負荷預(yù)測模型的輸入?yún)?shù)?；赗C熱網(wǎng)絡(luò)理論構(gòu)建案例建筑的RC簡化模型,利用圍護結(jié)構(gòu)負荷原始數(shù)據(jù)庫和遺傳算法進行參數(shù)辨識,確定RC模型的結(jié)構(gòu)參數(shù),建立建筑圍護結(jié)構(gòu)負荷預(yù)測模型;并基于貝葉斯網(wǎng)絡(luò)和人員擾動負荷原始數(shù)據(jù)庫建立人員擾動負荷預(yù)測模型。隨后,本文進一步采用模糊神經(jīng)網(wǎng)絡(luò)理論結(jié)合前述研究結(jié)果建立了辦公建筑空調(diào)負荷綜合預(yù)測模型。該預(yù)測方法綜合利用了RC熱網(wǎng)絡(luò)對建筑圍護結(jié)構(gòu)熱物理特性的較強體現(xiàn)能力,數(shù)據(jù)驅(qū)動方法對人員因素不確定性的非線性處理能力。經(jīng)過對比,本文建立的綜合負荷預(yù)測模型有較高的預(yù)測精度。
鄭林濤[8]（2019）在《基于機器學(xué)習(xí)方法的珠三角地區(qū)商場空調(diào)全年負荷預(yù)測研究》文中研究說明合理的建筑設(shè)計方案對降低建筑能耗至關(guān)重要,但目前在商場建筑方案設(shè)計時,一般較少也很難考慮不同方案的建筑能耗比對,造成商場建筑設(shè)計方案在節(jié)能方面存在先天不足,很難通過圍護結(jié)構(gòu)的選型達到降低其能耗的目的。為輔助建筑設(shè)計方案決策,快速準確預(yù)測商場建筑設(shè)計方案的空調(diào)全年負荷十分必要。本研究以珠三角地區(qū)商場為研究對象,開展實地調(diào)研,建立內(nèi)熱源作息模型,實現(xiàn)商場建筑空調(diào)負荷計算模型的模塊化和參數(shù)化,比選各種機器學(xué)習(xí)方法預(yù)測結(jié)果的精確性和適用性,建立商場空調(diào)全年負荷快速預(yù)測模型,開發(fā)珠三角地區(qū)商場建筑負荷預(yù)測分析軟件。首先,采用設(shè)計資料收集、實地調(diào)研、室內(nèi)溫濕度測試以及問卷調(diào)研的方法對包括建筑特征因素、業(yè)態(tài)分布、圍護結(jié)構(gòu)熱工參數(shù)、室內(nèi)空氣參數(shù)、內(nèi)熱源參數(shù)等在內(nèi)的珠三角地區(qū)商場建筑空調(diào)負荷影響因素現(xiàn)狀特點進行研究,確定珠三角地區(qū)商場空調(diào)負荷各影響因素的變化范圍。針對商場各層業(yè)態(tài)特點,提出九種典型業(yè)態(tài)組合模式,引入模塊化設(shè)計概念將九種典型業(yè)態(tài)組合模式作為基本模塊,通過調(diào)用相應(yīng)模塊并疊加實現(xiàn)對任一商場建筑模型的準確描述。其次,基于商場內(nèi)熱源的數(shù)據(jù)統(tǒng)計,建立典型業(yè)態(tài)的人員、照明和電器設(shè)備的作息模型,并通過兩家商場的實際運行數(shù)據(jù)驗證其準確性。典型商場業(yè)態(tài)的內(nèi)熱源作息模型的建立,提高了空調(diào)全年負荷模擬的精度,實現(xiàn)了商場建筑能耗精細化模擬。第三,提出并驗證商場空調(diào)負荷計算模型參數(shù)化方法。采用拉丁超立方抽樣方法生成空調(diào)負荷影響因素不同取值的八萬組隨機組合,利用R語言和EnergyPlus實現(xiàn)八萬組計算模型的生成和模擬計算,最后以樓層為單位收集模擬計算結(jié)果,形成九種業(yè)態(tài)組合模式對應(yīng)的商場模塊空調(diào)全年負荷樣本庫,以供后續(xù)的機器學(xué)習(xí)方法進行訓(xùn)練和測試。最后,對比11種不同機器學(xué)習(xí)方法模型的準確性得出模型質(zhì)量最高的機器學(xué)習(xí)方法為梯度提升方法,建立基于梯度提升方法的珠三角地區(qū)商場空調(diào)全年負荷預(yù)測模型,并開發(fā)珠三角地區(qū)商場建筑負荷預(yù)測分析軟件。引入敏感性分析確定各影響因素對商場空調(diào)全年負荷的影響規(guī)律,分析不同輸入變量簡化方案的預(yù)測模型的精度,提出輸入變量簡化原則。最后,針對后續(xù)真實商場樣本出現(xiàn)的缺失值導(dǎo)致無法作為完整樣本來進一步優(yōu)化預(yù)測模型的問題,確定最佳缺失值填補算法為EM算法和多重填補法,以便于應(yīng)用實際運行數(shù)據(jù)對預(yù)測模型的修正。
姜明超[9]（2019）在《基于近零能耗建筑能耗預(yù)測的能源系統(tǒng)控制策略研究》文中研究說明“近零能耗建筑”是建筑業(yè)未來的發(fā)展方向,得益于高性能的建筑保溫結(jié)構(gòu)以及高能效的建筑能源設(shè)備,與傳統(tǒng)建筑相比“近零能耗建筑”自身能耗基數(shù)小,不合理的運行控制方式將導(dǎo)致實際能耗的嚴重偏離,造成“節(jié)能建筑不節(jié)能”的問題。以“沈陽建筑大學(xué)被動式超低能耗居住建筑研究中心”為平臺,在前期進行建筑負荷預(yù)測的基礎(chǔ)上對建筑能源系統(tǒng)進行控制策略研究。由于近零能耗建筑的建筑特點,與常規(guī)建筑的負荷特點存在很大的差異,在負荷變化的規(guī)律上存在較大的不同,所以針對近零能耗建筑的負荷特點對建筑負荷進行準確的預(yù)測意義十分重大。最終的主要目的根據(jù)近零能耗建筑的建筑負荷變化的特點,得出適用于近零能耗建筑能源系統(tǒng)在不同的建筑負荷下的供水溫度曲線,同時探究適用于“近零能耗建筑”能源系統(tǒng)的控制策略與控制方法,實現(xiàn)最大程度上“近零能耗建筑”的運行節(jié)能。在建筑負荷預(yù)測方面,首先通過DEST軟件對示范中心的建筑逐時負荷進行模擬分析,對負荷預(yù)測模型的輸入與輸出數(shù)據(jù)進行選取和處理,主要對負荷預(yù)測的影響因素進行相關(guān)性分析,通過相關(guān)性系數(shù)的大小,選取了6種相關(guān)性較高的影響因素作為主要輸入量,主要包括室外溫度、室內(nèi)溫度、室外風(fēng)速、工作日類型、新風(fēng)量指標、太陽輻射時長。對影響因素進行了歸一化處理。最后以“沈陽建筑大學(xué)被動式超低能耗居住建筑研究中心”為案例進行了負荷預(yù)測算法研究,通過對比分析,最終確定采用BP神經(jīng)網(wǎng)絡(luò)預(yù)測算法進行建筑負荷的預(yù)測,同時采用L-M法對算法進行優(yōu)化訓(xùn)練,最終得到一個預(yù)測精度以及收斂速度較快的建筑負荷預(yù)測算法。對示范中心的能源系統(tǒng)的控制主要分為三個方面:針對能源系統(tǒng)的熱源系統(tǒng),主要分析太陽能、熱泵以及相變儲能水箱的控制策略,同時利用TRNSYS軟件對比控制目標溫度以及溫差控制兩種方式,最后經(jīng)過對太陽能集熱系統(tǒng)的集熱效率以及太陽能集熱系統(tǒng)的有效集熱量的對比,可以得出太陽能系統(tǒng)主要采用溫差控制方式,其上下限控制參數(shù)分別取8℃,2℃時,太陽能集熱系統(tǒng)的集熱效率最高;熱泵系統(tǒng)采用室內(nèi)溫度控制熱泵啟停的控制方式;相變儲能水箱采用供水溫度控制方式。針對能源系統(tǒng)的末端系統(tǒng):風(fēng)機盤管、地板輻射采暖以及新風(fēng)機組制訂了不同的控制方案,通過Energy plus模擬得到了各末端設(shè)備在相同舒適度情況下不同方案的能耗值。其中風(fēng)機盤管采用三速風(fēng)機控制,自動模式下根據(jù)實際溫度與目標溫度的偏離度進行切換,回水干管處設(shè)置比例式電磁閥對系統(tǒng)流量進行階段性整體控制,即最終采用變風(fēng)量變水流量的控制方式;地板輻射采暖采用平均輻射溫度控制,分集水器設(shè)置流量調(diào)節(jié)閥可進行分室調(diào)節(jié);針對新風(fēng)系統(tǒng):新風(fēng)換氣機以CO2濃度為主要判定依據(jù),預(yù)留PM2.5、VOC數(shù)據(jù)接口做綜合判定。在整個能源系統(tǒng)的控制系統(tǒng)中,熱源、輸配管網(wǎng)、末端三個主要部分的控制是通過PLC進行聯(lián)動控制的,使得三者在實際運行中可以完美的銜接,最終使整個能源系統(tǒng)的運行效率最高,同時也使得整個能源系統(tǒng)的能源利用效率達到最大。建筑負荷預(yù)測算法與能源系統(tǒng)優(yōu)化的控制策略完美的結(jié)合決定著整個控制體系的可靠性以及節(jié)能性顯著,所以最終研究得到了基于實際氣象參數(shù)的建筑負荷預(yù)測算法和能源系統(tǒng)的控制策略以及階段性質(zhì)調(diào)節(jié)曲線。將階段性質(zhì)調(diào)節(jié)曲線生成在上位機中,在上位機中將曲線與能源系統(tǒng)的控制策略相結(jié)合,將曲線中輸出的供水溫度作為PLC控制系統(tǒng)的數(shù)字量輸入模塊,以此來控制整個控制系統(tǒng)的工況切換以及每個子系統(tǒng)控制方式的執(zhí)行。針對近零能耗建筑多能互補耦合熱源,基于實際運行效果和熱源特點,建筑負荷預(yù)測算法以及優(yōu)化的控制策略與控制方法的研究,為近零能耗建筑運行階段的節(jié)能提供了有力保障。通過多能互補協(xié)同運行,實現(xiàn)能源的合理高效利用。采用低溫間歇采暖、預(yù)測控制可以在保證舒適度的同時有效降低建筑運行能耗。研究具有一定的學(xué)術(shù)價值,同時可以進行標準化設(shè)計與推廣,最大程度上產(chǎn)生明顯的經(jīng)濟與社會效益。
王少康[10]（2018）在《辦公建筑動態(tài)空調(diào)負荷預(yù)測方法研究》文中指出準確的負荷預(yù)測有利于根據(jù)負荷變化提前制定合理的系統(tǒng)運行策略,是優(yōu)化暖通空調(diào)系統(tǒng)運行的基礎(chǔ),為提高建筑室內(nèi)熱舒適、降低建筑的運行能耗提供重要依據(jù)。因此,本課題主要以各類室外氣象因素與建筑歷史負荷為基礎(chǔ)對建筑動態(tài)冷熱負荷預(yù)測模型進行研究。首先本文利用eQUEST能耗模擬軟件,基于敏感性分析方法深入地研究了干球溫度、含濕量、太陽輻射強度、風(fēng)速等氣象因素對負荷影響的差異性,并以敏感系數(shù)作為評價指標,篩選出對負荷影響較大的氣象因素。為了減小預(yù)測模型的誤差,本文考慮了建筑熱惰性與建筑業(yè)態(tài)對負荷的影響,在模型的輸入變量中引入歷史氣象參數(shù)及歷史負荷,利用相關(guān)性分析方法,進一步優(yōu)化冷熱負荷預(yù)測模型的輸入。其次,基于BP和RBF神經(jīng)網(wǎng)絡(luò)算法分別建立了四種預(yù)測時間步長的建筑動態(tài)冷熱負荷預(yù)測模型。并采用回歸模型與日負荷系數(shù)結(jié)合的方法,分別對建筑日平均熱負荷及逐時熱負荷作了預(yù)測。模型訓(xùn)練樣本均采用實際氣象參數(shù)與建筑實際負荷,將篩選出的影響因子作為BP與RBF神經(jīng)網(wǎng)絡(luò)的輸入變量。利用平均絕對相對誤差、絕對相對誤差和均方根誤差驗證負荷預(yù)測模型準確性。最后,分析了冬夏季典型周模型預(yù)測誤差的變化,引入模型修正系數(shù)提高模型整體精度。研究結(jié)果表明:（1）BP神經(jīng)網(wǎng)絡(luò)熱負荷的預(yù)測精度更高,模型相對絕對誤差為7.9%;（2）RBF神經(jīng)網(wǎng)絡(luò)冷負荷的預(yù)測精度更好,模型相對絕對誤差為7.3%;（3）辦公建筑業(yè)態(tài)對預(yù)測模型精度影響很大。
二、人工神經(jīng)網(wǎng)絡(luò)在商場建筑物冷負荷預(yù)測中的應(yīng)用（論文開題報告）
（1）論文研究背景及目的
此處內(nèi)容要求：
首先簡單簡介論文所研究問題的基本概念和背景，再而簡單明了地指出論文所要研究解決的具體問題，并提出你的論文準備的觀點或解決方法。
寫法范例：
本文主要提出一款精簡64位RISC處理器存儲管理單元結(jié)構(gòu)并詳細分析其設(shè)計過程。在該MMU結(jié)構(gòu)中,TLB采用叁個分離的TLB,TLB采用基于內(nèi)容查找的相聯(lián)存儲器并行查找,支持粗粒度為64KB和細粒度為4KB兩種頁面大小,采用多級分層頁表結(jié)構(gòu)映射地址空間,并詳細論述了四級頁表轉(zhuǎn)換過程,TLB結(jié)構(gòu)組織等。該MMU結(jié)構(gòu)將作為該處理器存儲系統(tǒng)實現(xiàn)的一個重要組成部分。
（2）本文研究方法
調(diào)查法：該方法是有目的、有系統(tǒng)的搜集有關(guān)研究對象的具體信息。
觀察法：用自己的感官和輔助工具直接觀察研究對象從而得到有關(guān)信息。
實驗法：通過主支變革、控制研究對象來發(fā)現(xiàn)與確認事物間的因果關(guān)系。
文獻研究法：通過調(diào)查文獻來獲得資料，從而全面的、正確的了解掌握研究方法。
實證研究法：依據(jù)現(xiàn)有的科學(xué)理論和實踐的需要提出設(shè)計。
定性分析法：對研究對象進行“質(zhì)”的方面的研究，這個方法需要計算的數(shù)據(jù)較少。
定量分析法：通過具體的數(shù)字，使人們對研究對象的認識進一步精確化。
跨學(xué)科研究法：運用多學(xué)科的理論、方法和成果從整體上對某一課題進行研究。
功能分析法：這是社會科學(xué)用來分析社會現(xiàn)象的一種方法，從某一功能出發(fā)研究多個方面的影響。
模擬法：通過創(chuàng)設(shè)一個與原型相似的模型來間接研究原型某種特性的一種形容方法。
三、人工神經(jīng)網(wǎng)絡(luò)在商場建筑物冷負荷預(yù)測中的應(yīng)用（論文提綱范文）
（1）某機場能源站冰蓄冷空調(diào)系統(tǒng)負荷預(yù)測與節(jié)能優(yōu)化研究（論文提綱范文）
| 摘要 |
| abstract |
| 1 緒論 |
| 1.1 研究背景與意義 |
| 1.2 國內(nèi)外研究現(xiàn)狀 |
| 1.2.1 建筑物冷負荷預(yù)測研究 |
| 1.2.2 冰蓄冷空調(diào)優(yōu)化運行策略研究 |
| 1.3 研究目的及意義 |
| 1.4 研究內(nèi)容及論文結(jié)構(gòu) |
| 1.4.1 研究內(nèi)容 |
| 1.4.2 論文結(jié)構(gòu) |
| 2 冰蓄冷空調(diào)系統(tǒng) |
| 2.1 研究對象 |
| 2.2 常規(guī)冰蓄冷空調(diào)系統(tǒng)工藝流程 |
| 2.2.1 冰蓄冷空調(diào)系統(tǒng)類型及特點 |
| 2.2.2 冰蓄冷空調(diào)系統(tǒng)的運行模式 |
| 2.2.3 冰蓄冷空調(diào)系統(tǒng)的運行方式 |
| 2.3 機場能源站冰蓄冷空調(diào)系統(tǒng) |
| 2.3.1 系統(tǒng)工藝流程及現(xiàn)存問題 |
| 2.3.2 機場能源站供冷監(jiān)控系統(tǒng) |
| 2.4 小結(jié) |
| 3 基于改進VMD-ARIMA-DBN的航站樓冷負荷預(yù)測 |
| 3.1 空調(diào)冷負荷計算 |
| 3.2 空調(diào)冷負荷預(yù)測方案 |
| 3.3 航站樓冷負荷預(yù)測模型的建立 |
| 3.3.1 改進的自適應(yīng)深度信念網(wǎng)絡(luò) |
| 3.3.2 自回歸移動平均模型 |
| 3.3.3 變分模態(tài)分解 |
| 3.3.4 冷負荷預(yù)測模型的建立 |
| 3.3.5 模型評價標準 |
| 3.4 基于改進的VMD-ARIMA-DBN模型的冷負荷預(yù)測 |
| 3.4.1 輸入數(shù)據(jù)預(yù)處理 |
| 3.4.2 模型參數(shù)設(shè)置 |
| 3.4.3 模型訓(xùn)練以及驗證分析 |
| 3.5 小結(jié) |
| 4 能源站冰蓄冷空調(diào)系統(tǒng)的節(jié)能優(yōu)化運行策略 |
| 4.1 系統(tǒng)組件模型 |
| 4.1.1 多臺制冷機組能耗模型 |
| 4.1.2 冷卻塔能耗模型 |
| 4.1.3 水泵能耗模型 |
| 4.1.4 蓄冰槽模型 |
| 4.2 多目標運行優(yōu)化模型 |
| 4.2.1 優(yōu)化目標 |
| 4.2.2 約束條件 |
| 4.2.3 適應(yīng)度評價函數(shù) |
| 4.3 基于并行GA-PSO的冰蓄冷空調(diào)優(yōu)化運行研究 |
| 4.3.1 GA-PSO算法 |
| 4.3.2 并行GA-PSO算法 |
| 4.4 冰蓄冷空調(diào)系統(tǒng)的節(jié)能運行策略結(jié)果分析 |
| 4.4.1 75%-100%負荷率下節(jié)能優(yōu)化策略 |
| 4.4.2 50%-75%負荷率下節(jié)能優(yōu)化策略 |
| 4.4.3 25%-50%負荷率下節(jié)能優(yōu)化策略 |
| 4.4.4 25%負荷率以下負荷節(jié)能優(yōu)化策略 |
| 4.5 冰蓄冷空調(diào)經(jīng)濟性分析 |
| 4.6 小結(jié) |
| 5 總結(jié)與展望 |
| 5.1 主要工作與結(jié)論 |
| 5.2 創(chuàng)新點 |
| 5.3 展望 |
| 參考文獻 |
| 作者攻讀碩士期間研究成果及獲獎情況 |
| 致謝 |
（2）基于GA-ELM方法的建筑能耗預(yù)測研究（論文提綱范文）
| 摘要 |
| abstract |
| 1 緒論 |
| 1.1 研究背景及意義 |
| 1.2 國內(nèi)外研究現(xiàn)狀 |
| 1.2.1 國外研究現(xiàn)狀 |
| 1.2.2 國內(nèi)研究現(xiàn)狀 |
| 1.3 研究主要內(nèi)容及解決問題 |
| 1.4 論文組織架構(gòu) |
| 2 建筑能耗管理系統(tǒng)構(gòu)建 |
| 2.1 建筑能耗管理系統(tǒng)總體架構(gòu)設(shè)計 |
| 2.1.1 現(xiàn)場設(shè)備層 |
| 2.1.2 網(wǎng)絡(luò)通訊層 |
| 2.1.3 中央控制層 |
| 2.2 建筑能耗管理系統(tǒng)軟硬件設(shè)計 |
| 2.2.1 現(xiàn)場級硬件選型 |
| 2.2.2 控制級硬件選型 |
| 2.2.3 管理級硬件選型 |
| 2.2.4 建筑能耗管理系統(tǒng)軟件設(shè)計 |
| 2.3 能耗管理系統(tǒng)監(jiān)控點布置 |
| 2.3.1 基本規(guī)則 |
| 2.3.2 能耗計量點位選擇 |
| 2.4 能耗管理系統(tǒng)運行界面 |
| 2.5 本章小結(jié) |
| 3 建筑能耗預(yù)測算法研究 |
| 3.1 典型的能耗預(yù)測算法模型 |
| 3.2 BP神經(jīng)網(wǎng)絡(luò)原理 |
| 3.2.1 BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu) |
| 3.2.2 BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型構(gòu)建 |
| 3.3 GA-BP網(wǎng)絡(luò)優(yōu)化過程 |
| 3.4 ELM網(wǎng)絡(luò)原理 |
| 3.4.1 ELM網(wǎng)絡(luò)的結(jié)構(gòu) |
| 3.4.2 ELM網(wǎng)絡(luò)預(yù)測模型構(gòu)建 |
| 3.5 GA-ELM網(wǎng)絡(luò)優(yōu)化過程 |
| 3.6 時間復(fù)雜度分析 |
| 3.7 能耗預(yù)測模型性能評價指標 |
| 3.8 本章小結(jié) |
| 4 基于GA-ELM方法能耗預(yù)測工程應(yīng)用研究 |
| 4.1 工程概況 |
| 4.2 實驗數(shù)據(jù)選取 |
| 4.3 GA-BP時間序列預(yù)測模型 |
| 4.3.1 BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測結(jié)果分析 |
| 4.3.2 GA-BP模型預(yù)測結(jié)果及分析 |
| 4.4 GA-ELM時間序列預(yù)測模型 |
| 4.4.1 ELM網(wǎng)絡(luò)預(yù)測模型及結(jié)果 |
| 4.4.2 GA-ELM模型預(yù)測結(jié)果及分析 |
| 4.5 GA-ELM預(yù)測模型與其他算法的對比分析 |
| 4.6 建筑能耗節(jié)能優(yōu)化管理 |
| 4.7 本章小結(jié) |
| 5 結(jié)論與展望 |
| 5.1 總結(jié) |
| 5.2 展望 |
| 攻讀碩士期間發(fā)表的學(xué)術(shù)成果 |
| 參考文獻 |
| 致謝 |
（3）基于客流量預(yù)測的公共建筑節(jié)能優(yōu)化研究（論文提綱范文）
| 摘要 |
| abstract |
| 1 緒論 |
| 1.1 課題研究背景及意義 |
| 1.1.1 研究背景 |
| 1.1.2 研究意義 |
| 1.2 國內(nèi)外研究現(xiàn)狀 |
| 1.2.1 國外研究現(xiàn)狀 |
| 1.2.2 國內(nèi)研究現(xiàn)狀 |
| 1.2.3 熱點問題梳理 |
| 1.3 課題研究內(nèi)容 |
| 2 短期客流量預(yù)測算法研究 |
| 2.1 短期客流量預(yù)測算法介紹 |
| 2.1.1 BP神經(jīng)網(wǎng)絡(luò) |
| 2.1.2 ARIMA時間序列 |
| 2.1.3 組合預(yù)測算法 |
| 2.2 數(shù)據(jù)預(yù)處理 |
| 2.2.1 歸一化 |
| 2.2.2 平穩(wěn)性檢驗 |
| 2.2.3 算法參數(shù)設(shè)計 |
| 2.3 客流量數(shù)據(jù)預(yù)測 |
| 2.4 本章小結(jié) |
| 3 火車站空調(diào)冷負荷模擬研究 |
| 3.1 常見冷負荷模擬方法 |
| 3.1.1 冷負荷模擬方法分類 |
| 3.1.2 模擬方法選擇 |
| 3.2 目標火車站候車廳冷負荷模擬過程 |
| 3.2.1 Energy Plus負荷計算原理 |
| 3.2.2 Energy Plus模擬過程 |
| 3.2.3 其他負荷模擬過程 |
| 3.3 空調(diào)冷負荷模擬 |
| 3.3.1 靜態(tài)負荷模擬 |
| 3.3.2 動態(tài)負荷模擬 |
| 3.3.3 火車站冷負荷探究分析 |
| 3.4 本章小結(jié) |
| 4 火車站冰蓄冷空調(diào)運行模型研究 |
| 4.1 冰蓄冷空調(diào)工藝流程 |
| 4.1.1 常規(guī)冰蓄冷空調(diào) |
| 4.1.2 冰蓄冷空調(diào)運行模式 |
| 4.1.3 冰蓄冷空調(diào)常見控制策略 |
| 4.2 目標火車站冰蓄冷空調(diào)系統(tǒng) |
| 4.2.1 系統(tǒng)工藝流程圖 |
| 4.2.2 系統(tǒng)運行現(xiàn)狀與優(yōu)化分析 |
| 4.3 冰蓄冷空調(diào)運行模型建立 |
| 4.3.1 冷量模型 |
| 4.3.2 功耗模型 |
| 4.3.3 經(jīng)濟模型 |
| 4.4 本章小結(jié) |
| 5 冰蓄冷空調(diào)多目標優(yōu)化運行研究 |
| 5.1 遺傳算法優(yōu)化帶約束的多目標問題 |
| 5.1.1 多目標優(yōu)化問題數(shù)學(xué)描述 |
| 5.1.2 基本遺傳算法 |
| 5.1.3 NSGA-II算法 |
| 5.1.4 支配關(guān)系處理約束條件 |
| 5.2 基于NSGA-II的冰蓄冷空調(diào)運行優(yōu)化 |
| 5.2.1 目標函數(shù)及約束條件 |
| 5.2.2 NSGA-II優(yōu)化 |
| 5.2.3 目標火車站冰蓄冷空調(diào)運行策略優(yōu)化 |
| 5.3 本章小結(jié) |
| 6 總結(jié)與展望 |
| 6.1 總結(jié) |
| 6.2 展望 |
| 參考文獻 |
| 致謝 |
| 攻讀碩士期間發(fā)表的學(xué)術(shù)論文及成果 |
（4）基于神經(jīng)網(wǎng)絡(luò)的大型公共建筑新風(fēng)負荷預(yù)測（論文提綱范文）
| 摘要 |
| Abstract |
| 第1章 緒論 |
| 1.1 課題研究的背景和意義 |
| 1.1.1 課題背景及來源 |
| 1.1.2 研究目的及意義 |
| 1.2 國內(nèi)外發(fā)展現(xiàn)狀 |
| 1.2.1 冷負荷的計算方法 |
| 1.2.2 能耗模擬軟件的發(fā)展 |
| 1.2.3 能耗預(yù)測算法的研究現(xiàn)狀 |
| 1.2.4 神經(jīng)網(wǎng)絡(luò)預(yù)測技術(shù)的發(fā)展歷程 |
| 1.3 存在的主要問題 |
| 1.4 研究內(nèi)容 |
| 第2章 空調(diào)系統(tǒng)冷負荷計算方法分析 |
| 2.1 模擬軟件介紹 |
| 2.1.1 DeST模擬軟件的特點和作用 |
| 2.1.2 DeST計算模型 |
| 2.2 建筑概況及DEST建模 |
| 2.2.1 建筑概況 |
| 2.2.2 建筑模型建立 |
| 2.3 建筑負荷模擬結(jié)果分析 |
| 2.3.1 商場類建筑模擬結(jié)果 |
| 2.3.2 旅店類建筑模擬結(jié)果 |
| 2.3.3 辦公類建筑模擬結(jié)果 |
| 2.4 本章小結(jié) |
| 第3章 基于層次分析法的新風(fēng)負荷影響因素分析 |
| 3.1 層次分析法概述 |
| 3.2 AHP計算方法 |
| 3.3 新風(fēng)負荷影響因素權(quán)重分析 |
| 3.3.1 建立層次分析模型 |
| 3.3.2 構(gòu)造兩兩比較矩陣及一致性檢驗 |
| 3.3.3 結(jié)果與分析 |
| 3.4 本章小結(jié) |
| 第4章 Elman神經(jīng)網(wǎng)絡(luò)的新風(fēng)負荷預(yù)測 |
| 4.1 人工神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和特點 |
| 4.1.1 人工神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu) |
| 4.1.2 人工神經(jīng)網(wǎng)絡(luò)的特點 |
| 4.2 人工神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)規(guī)則 |
| 4.2.1 Hebb學(xué)習(xí)規(guī)則 |
| 4.2.2 糾錯規(guī)則 |
| 4.2.3 競爭學(xué)習(xí)規(guī)則 |
| 4.3 Elman神經(jīng)網(wǎng)絡(luò)預(yù)測理論 |
| 4.3.1 Elman神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu) |
| 4.3.2 Elman神經(jīng)網(wǎng)絡(luò)的算法 |
| 4.4 新風(fēng)負荷預(yù)測模型建立 |
| 4.4.1 神經(jīng)網(wǎng)絡(luò)輸入、輸出節(jié)點的選擇 |
| 4.4.2 神經(jīng)網(wǎng)絡(luò)隱含層數(shù)據(jù)個數(shù)的選取 |
| 4.4.3 新風(fēng)負荷預(yù)測流程 |
| 4.5 實際案例 |
| 4.6 本章小結(jié) |
| 第5章 基于遺傳算法優(yōu)化Elman神經(jīng)網(wǎng)絡(luò)的新風(fēng)負荷預(yù)測 |
| 5.1 遺傳算法簡介 |
| 5.1.1 遺傳算法的基本構(gòu)成要素 |
| 5.1.2 遺傳算法的操作流程 |
| 5.1.3 遺傳算法的特點 |
| 5.2 遺傳算法改進Elman神經(jīng)網(wǎng)絡(luò) |
| 5.2.1 對遺傳算法進行參數(shù)的選取 |
| 5.2.2 遺傳算法優(yōu)化流程 |
| 5.3 實際案例分析 |
| 5.4 本章小結(jié) |
| 第6章 結(jié)論與展望 |
| 6.1 結(jié)論 |
| 6.2 展望 |
| 參考文獻 |
| 攻讀碩士期間研究成果 |
| 致謝 |
（5）西安某商場空調(diào)系統(tǒng)能耗預(yù)測模型與節(jié)能診斷研究（論文提綱范文）
| 摘要 |
| abstract |
| 主要符號表 |
| 1 緒論 |
| 1.1 研究背景與意義 |
| 1.2 國內(nèi)研究現(xiàn)狀 |
| 1.2.1 常規(guī)方法 |
| 1.2.2 人工智能方法 |
| 1.2.3 混合方法 |
| 1.3 研究內(nèi)容及論文結(jié)構(gòu) |
| 2 西安某商場空調(diào)系統(tǒng)能耗影響因素分析 |
| 2.1 商場內(nèi)部因素與空調(diào)系統(tǒng)運行能耗的關(guān)系 |
| 2.2 商場外部條件與空調(diào)系統(tǒng)能耗的關(guān)系 |
| 2.3 歷史數(shù)據(jù)與空調(diào)能耗的關(guān)系 |
| 2.4 本章小結(jié) |
| 3 西安某商場空調(diào)系統(tǒng)能耗預(yù)測模型 |
| 3.1 本章研究思路 |
| 3.2 建模方法研究 |
| 3.2.1 數(shù)據(jù)采集及預(yù)處理 |
| 3.2.2 神經(jīng)網(wǎng)絡(luò)的構(gòu)建 |
| 3.2.3 預(yù)測結(jié)果的評估標準 |
| 3.3 西安某商場空調(diào)系統(tǒng)能耗預(yù)測模型驗證 |
| 3.3.1 BP神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果 |
| 3.3.2 SVM預(yù)測結(jié)果 |
| 3.3.3 PSO-BP預(yù)測結(jié)果 |
| 3.4 本章小結(jié) |
| 4 西安某商場空調(diào)系統(tǒng)能耗預(yù)測模型優(yōu)化研究 |
| 4.1 本章研究思路 |
| 4.2 建模方法研究 |
| 4.2.1 JMP數(shù)據(jù)關(guān)聯(lián)度分析 |
| 4.2.2 Markov鏈修正理論 |
| 4.2.3 Markov鏈修正過程 |
| 4.2.4 JMP、Markov鏈改進的PSO-BP神經(jīng)網(wǎng)絡(luò) |
| 4.3 西安某商場空調(diào)系統(tǒng)能耗預(yù)測仿真實驗分析 |
| 4.3.1 冷負荷變化機理研究分析 |
| 4.3.2 實例驗證分析 |
| 4.3.3 Markov鏈修正 |
| 4.4 本章小結(jié) |
| 5 西安某商場空調(diào)系統(tǒng)節(jié)能診斷模型研究 |
| 5.1 本章思路 |
| 5.2 節(jié)能診斷模型研究 |
| 5.2.1 數(shù)據(jù)篩選 |
| 5.2.2 預(yù)測模型建立 |
| 5.2.3 能耗異常判斷標準 |
| 5.2.4 異常分析 |
| 5.3 案例研究 |
| 5.3.1 數(shù)據(jù)來源 |
| 5.3.2 節(jié)能數(shù)據(jù)的篩選 |
| 5.3.3 診斷模型建立 |
| 5.3.4 診斷結(jié)果 |
| 5.3.5 異常判斷及討論 |
| 5.4 本章總結(jié) |
| 6 總結(jié)與展望 |
| 6.1 研究結(jié)論 |
| 6.2 下一步工作展望 |
| 參考文獻 |
| 攻讀碩士期間發(fā)表的論文及成果 |
| 附錄 商場部分運行數(shù)據(jù)以及氣象數(shù)據(jù) |
| 致謝 |
（6）基于樹模型與神經(jīng)網(wǎng)絡(luò)模型的住宅建筑供暖負荷預(yù)測的研究（論文提綱范文）
| 摘要 |
| abstract |
| 第1章 緒論 |
| 1.1 課題背景及意義 |
| 1.2 國內(nèi)外研究現(xiàn)狀 |
| 1.2.1 供暖負荷預(yù)測的輸入特征 |
| 1.2.2 供暖負荷預(yù)測方法 |
| 1.3 主要存在的問題 |
| 1.4 研究目的與內(nèi)容 |
| 第2章 理論與方法 |
| 2.1 模型輸入?yún)?shù)的獲得 |
| 2.1.1 供暖負荷預(yù)測模型中影響因子選擇 |
| 2.1.2 相關(guān)性分析 |
| 2.1.3 輸入?yún)?shù)獲得 |
| 2.2 樹模型相關(guān)理論 |
| 2.2.1 梯度增強回歸樹(GBDT)算法理論 |
| 2.2.2 極限梯度提升樹(XGBoost)算法理論 |
| 2.3 神經(jīng)網(wǎng)絡(luò)相關(guān)理論 |
| 2.3.1 預(yù)測模型 |
| 2.3.2 雙向記憶神經(jīng)網(wǎng)絡(luò) |
| 2.3.3 激活函數(shù) |
| 2.3.4 Dropout層 |
| 2.3.5 自適應(yīng)學(xué)習(xí)率算法 |
| 2.4 模型評價指標以及過擬合判斷 |
| 2.4.1 均方根誤差(RMSE) |
| 2.4.2 平均絕對誤差(MAE) |
| 2.4.3 變異系數(shù)均方誤差(CV-RMSE) |
| 2.4.4 過擬合判斷 |
| 2.5 本章小結(jié) |
| 第3章 住宅建筑供暖數(shù)據(jù)獲取及分析 |
| 3.1 原始數(shù)據(jù)獲取 |
| 3.1.1 測試對象 |
| 3.1.2 測試參數(shù)及儀器 |
| 3.1.3 測試數(shù)據(jù)傳輸與存儲 |
| 3.1.4 測試結(jié)果 |
| 3.2 數(shù)據(jù)預(yù)處理 |
| 3.2.1 數(shù)據(jù)清洗 |
| 3.2.2 構(gòu)建新特征 |
| 3.2.3 規(guī)范化處理 |
| 3.3 輸入?yún)?shù)獲得 |
| 3.3.1 相關(guān)性分析 |
| 3.3.2 主成分分析 |
| 3.4 本章小結(jié) |
| 第4章 基于樹模型的住宅建筑供暖負荷預(yù)測 |
| 4.1 訓(xùn)練集、測試集的劃分與超參數(shù)調(diào)優(yōu) |
| 4.1.1 訓(xùn)練集、測試集的劃分 |
| 4.1.2 模型參數(shù)選擇 |
| 4.2 決策樹(DT)實驗 |
| 4.2.1 DT模型構(gòu)建 |
| 4.2.2 DT模型評價 |
| 4.3 梯度提升樹(GBDT)實驗 |
| 4.3.1 GBDT模型構(gòu)建 |
| 4.3.2 GBDT模型評價 |
| 4.4 XGBoost模型實驗 |
| 4.4.1 XGBoost超參數(shù) |
| 4.4.2 XGBoost模型評價 |
| 4.5 本章小結(jié) |
| 第5章 基于神經(jīng)網(wǎng)絡(luò)模型住宅建筑供暖負荷預(yù)測 |
| 5.1 基于LSTM模型住宅建筑供暖負荷預(yù)測 |
| 5.1.1 模型構(gòu)建及參數(shù)選擇 |
| 5.1.2 LSTM模型預(yù)測結(jié)果分析 |
| 5.2 自適應(yīng)學(xué)習(xí)率優(yōu)化器在LSTM模型中的應(yīng)用 |
| 5.3 Dropout機制與雙向神經(jīng)網(wǎng)絡(luò)機制的應(yīng)用 |
| 5.3.1 加入Dropout機制 |
| 5.3.2 加入雙向神經(jīng)網(wǎng)絡(luò)機制 |
| 5.4 基于TCN模型的住宅建筑供暖負荷預(yù)測 |
| 5.4.1 TCN模型理論 |
| 5.4.2 TCN模型構(gòu)建及預(yù)測結(jié)果分析 |
| 5.5 本章小結(jié) |
| 第6章 住宅建筑供暖負荷預(yù)測結(jié)果對比 |
| 6.1 住宅建筑短期負荷預(yù)測結(jié)果對比及分析 |
| 6.2 住宅建筑超短期負荷預(yù)測結(jié)果對比及分析 |
| 第7章 結(jié)論與展望 |
| 7.1 結(jié)論 |
| 7.2 展望 |
| 參考文獻 |
| 參加科研情況說明 |
| 致謝 |
（7）基于RC網(wǎng)絡(luò)和數(shù)據(jù)驅(qū)動的辦公建筑空調(diào)負荷預(yù)測模型研究（論文提綱范文）
| 摘要 |
| abstract |
| 第1章 緒論 |
| 1.1 課題研究背景及意義 |
| 1.2 國內(nèi)外研究現(xiàn)狀 |
| 1.3 研究內(nèi)容和技術(shù)路線 |
| 第2章 負荷預(yù)測模型框架及輸入?yún)?shù)篩選 |
| 2.1 負荷預(yù)測模型框架的構(gòu)建 |
| 2.2 原始負荷數(shù)據(jù)庫的建立 |
| 2.2.1 氣象和人員數(shù)據(jù)的獲取 |
| 2.2.2 基于Design Builder建立辦公建筑模型 |
| 2.2.3 有人模式與無人模式的原始負荷數(shù)據(jù)庫 |
| 2.3 負荷預(yù)測模型輸入?yún)?shù)的篩選 |
| 2.3.1 敏感性分析的理論基礎(chǔ) |
| 2.3.2 圍護結(jié)構(gòu)負荷影響因素 |
| 2.3.3 人員擾動負荷影響因素 |
| 2.4 本章小結(jié) |
| 第3章 基于RC熱網(wǎng)絡(luò)的圍護結(jié)構(gòu)負荷預(yù)測模型 |
| 3.1 RC熱網(wǎng)絡(luò)理論的介紹 |
| 3.2 建筑圍護結(jié)構(gòu)負荷預(yù)測模型 |
| 3.2.1 簡化的RC模型 |
| 3.2.2 外墻壁RC傳熱模型 |
| 3.2.3 窗戶RC傳熱模型 |
| 3.2.4 屋頂RC傳熱模型 |
| 3.2.5 內(nèi)部蓄熱體RC傳熱模型及參數(shù)辨識 |
| 3.3 模型有效性驗證 |
| 3.4 本章小結(jié) |
| 第4章 基于數(shù)據(jù)驅(qū)動的人員擾動負荷預(yù)測模型 |
| 4.1 貝葉斯網(wǎng)絡(luò)理論基礎(chǔ) |
| 4.1.1 貝葉斯預(yù)測方法理論基礎(chǔ) |
| 4.1.2 動態(tài)貝葉斯網(wǎng)絡(luò)理論 |
| 4.2 人員擾動負荷預(yù)測模型 |
| 4.2.1 基于貝葉斯網(wǎng)絡(luò)的人員擾動負荷預(yù)測流程 |
| 4.2.2 人員擾動負荷模型建立與驗證 |
| 4.3 本章小結(jié) |
| 第5章 辦公建筑空調(diào)動態(tài)負荷預(yù)測模型 |
| 5.1 模糊RBF神經(jīng)網(wǎng)絡(luò)理論 |
| 5.1.1 RBF神經(jīng)網(wǎng)絡(luò) |
| 5.1.2 模糊RBF神經(jīng)網(wǎng)絡(luò) |
| 5.1.3 基于模糊RBF網(wǎng)絡(luò)的逼近算法 |
| 5.2 空調(diào)系統(tǒng)動態(tài)負荷綜合預(yù)測模型 |
| 5.3 模型有效性的對比分析 |
| 5.4 本章小結(jié) |
| 第6章 結(jié)論與展望 |
| 6.1 結(jié)論 |
| 6.2 展望 |
| 參考文獻 |
| 發(fā)表論文和參加科研情況說明 |
| 致謝 |
（8）基于機器學(xué)習(xí)方法的珠三角地區(qū)商場空調(diào)全年負荷預(yù)測研究（論文提綱范文）
| 摘要 |
| Abstract |
| 第一章 緒論 |
| 1.1 課題背景 |
| 1.2 國內(nèi)外研究現(xiàn)狀 |
| 1.2.1 商場人員數(shù)據(jù)調(diào)研研究現(xiàn)狀 |
| 1.2.2 機器學(xué)習(xí)方法應(yīng)用研究現(xiàn)狀 |
| 1.2.3 敏感性及缺失值填補研究現(xiàn)狀 |
| 1.3 本課題主要工作 |
| 1.3.1 研究目標 |
| 1.3.2 主要研究內(nèi)容 |
| 1.3.3 工作框架 |
| 第二章 商場空調(diào)負荷影響因素調(diào)研分析 |
| 2.1 概述 |
| 2.2 珠三角地區(qū)商場建筑特點 |
| 2.2.1 商場建筑分類 |
| 2.2.2 珠三角地區(qū)商場建筑分布 |
| 2.2.3 珠三角地區(qū)商場建筑能耗調(diào)研 |
| 2.2.4 珠三角地區(qū)商場建筑現(xiàn)存問題及應(yīng)對策略 |
| 2.3 調(diào)研內(nèi)容及方法 |
| 2.4 調(diào)研對象確定 |
| 2.5 商場調(diào)研結(jié)果 |
| 2.5.1 建筑特征因素 |
| 2.5.2 業(yè)態(tài)組合模式及分布比例 |
| 2.5.3 圍護結(jié)構(gòu)熱工參數(shù) |
| 2.5.4 室內(nèi)設(shè)計參數(shù) |
| 2.5.5 空調(diào)運行時間 |
| 2.6 本章小結(jié) |
| 第三章 商場典型業(yè)態(tài)內(nèi)熱源作息模型建立 |
| 3.1 概述 |
| 3.2 調(diào)研內(nèi)容與方法 |
| 3.2.1 調(diào)研內(nèi)容 |
| 3.2.2 調(diào)研方法 |
| 3.3 商場人員密度調(diào)研及人員作息模型建立 |
| 3.3.1 公共區(qū)域人員密度調(diào)研和作息模型建立 |
| 3.3.2 其余典型業(yè)態(tài)人員密度調(diào)研和作息模型建立 |
| 3.4 商場照明、電器設(shè)備功率密度調(diào)研及作息模型建立 |
| 3.4.1 商場照明、電器設(shè)備作息模型建立 |
| 3.4.2 商場照明、電器設(shè)備功率密度調(diào)研 |
| 3.5 本章小結(jié) |
| 第四章 商場空調(diào)全年負荷計算模型參數(shù)化及驗證 |
| 4.1 概述 |
| 4.2 建模數(shù)據(jù)收集及分區(qū) |
| 4.2.1 建模數(shù)據(jù)收集 |
| 4.2.2 建模模型分區(qū) |
| 4.3 簡化模型方法驗證 |
| 4.3.1 WL商場簡化模型驗證 |
| 4.3.2 SS商場簡化模型驗證 |
| 4.3.3 結(jié)果匯總 |
| 4.4 計算模型參數(shù)化及樣本庫建立 |
| 4.5 本章小結(jié) |
| 第五章 商場空調(diào)全年負荷預(yù)測模型建立 |
| 5.1 概述 |
| 5.2 機器學(xué)習(xí)方法選用和模型評估 |
| 5.2.1 機器學(xué)習(xí)方法選用 |
| 5.2.2 模型評估 |
| 5.3 不同機器學(xué)習(xí)方法模型預(yù)測效果對比 |
| 5.4 敏感性分析 |
| 5.5 缺失值填補 |
| 5.5.1 單個變量缺失的數(shù)據(jù)填補比較 |
| 5.5.2 多個變量缺失的數(shù)據(jù)填補比較 |
| 5.6 珠三角地區(qū)商場建筑負荷預(yù)測分析軟件開發(fā) |
| 5.7 本章小結(jié) |
| 結(jié)論與展望 |
| 本文主要結(jié)論 |
| 本文創(chuàng)新點 |
| 未來研究工作展望 |
| 參考文獻 |
| 附錄一 基于R語言的模型生成部分代碼 |
| 附錄二 機器學(xué)習(xí)方法代碼 |
| 附錄三 缺失值填補算法調(diào)用代碼 |
| 附錄四 機器學(xué)習(xí)方法、敏感性分析方法、缺失值填補方法的原理 |
| 攻讀博士學(xué)位期間取得的研究成果 |
| 致謝 |
| 附件 |
（9）基于近零能耗建筑能耗預(yù)測的能源系統(tǒng)控制策略研究（論文提綱范文）
| 摘要 |
| abstract |
| 1 緒論 |
| 1.1 研究背景與意義 |
| 1.1.1 研究背景 |
| 1.1.2 研究意義 |
| 1.2 國內(nèi)外發(fā)展現(xiàn)狀及發(fā)展趨勢 |
| 1.2.1 國內(nèi)研究現(xiàn)狀 |
| 1.2.2 國外研究現(xiàn)狀 |
| 1.2.3 研究發(fā)展趨勢 |
| 1.3 論文研究內(nèi)容及技術(shù)路線 |
| 1.3.1 論文主要研究內(nèi)容 |
| 1.3.2 研究技術(shù)路線圖 |
| 2 建筑負荷預(yù)測的理論基礎(chǔ) |
| 2.1 建筑能耗預(yù)測主要典型方法 |
| 2.1.1 人工神經(jīng)網(wǎng)絡(luò)法 |
| 2.1.2 其它方法 |
| 2.2 建筑負荷預(yù)測的影響因素及特點 |
| 2.2.1 室內(nèi)熱源散熱影響 |
| 2.2.2 室內(nèi)新風(fēng)負荷 |
| 2.2.3 建筑本身性質(zhì)影響 |
| 2.2.4 室外氣象參數(shù)影響 |
| 2.3 建筑負荷預(yù)測的模型 |
| 2.3.1 建筑負荷回歸分析 |
| 2.3.2 建筑負荷神經(jīng)網(wǎng)絡(luò)預(yù)測分析 |
| 2.4 本章小節(jié) |
| 3 近零能耗居住建筑示范中心設(shè)計 |
| 3.1 近零能耗建筑設(shè)計 |
| 3.1.1 建筑概況 |
| 3.1.2 圍護結(jié)構(gòu) |
| 3.2 能源系統(tǒng) |
| 3.2.1 熱泵系統(tǒng) |
| 3.2.2 太陽能光熱系統(tǒng) |
| 3.2.3 相變儲能 |
| 3.2.4 全熱回收新風(fēng)熱交換系統(tǒng) |
| 3.2.5 末端系統(tǒng) |
| 3.3 示范建筑控制系統(tǒng)平臺搭建 |
| 3.3.1 平臺總體框架 |
| 3.3.2 平臺控制方案 |
| 3.4 本章小結(jié) |
| 4 基于BP神經(jīng)網(wǎng)絡(luò)負荷預(yù)測模型建立及實例分析 |
| 4.1 軟件介紹 |
| 4.1.1 MATLAB軟件簡介 |
| 4.1.2 DeST軟件簡介 |
| 4.2 負荷預(yù)測控制設(shè)計思想 |
| 4.3 建筑負荷預(yù)測模型建立 |
| 4.3.1 DeST建筑負荷模擬的基本步驟 |
| 4.3.2 示范中心建筑逐時負荷 |
| 4.4 示范中心負荷預(yù)測模型數(shù)據(jù)的選取及處理 |
| 4.4.1 輸入和輸出變量的選取 |
| 4.4.2 輸入和輸出參數(shù)的預(yù)處理 |
| 4.4.3 歷史數(shù)據(jù)的預(yù)處理 |
| 4.4.4 負荷預(yù)測影響因素的預(yù)處理 |
| 4.5 示范中心負荷預(yù)測實例分析 |
| 4.5.1 神經(jīng)網(wǎng)絡(luò)在供能負荷預(yù)測中的模型結(jié)構(gòu) |
| 4.5.2 神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)步驟和權(quán)值調(diào)整 |
| 4.5.3 神經(jīng)網(wǎng)絡(luò)負荷預(yù)測的比較以及權(quán)值調(diào)整和優(yōu)化 |
| 4.6 本章小節(jié) |
| 5 基于建筑預(yù)測負荷的能源系統(tǒng)節(jié)能控制策略 |
| 5.1 建筑變負荷供能控制 |
| 5.1.1 示范中心變負荷供能控制 |
| 5.1.2 示范中心變負荷的特點 |
| 5.1.3 示范中心變負荷過程分析 |
| 5.2 能源系統(tǒng)運行工況分析 |
| 5.2.1 夏季制冷工況 |
| 5.2.2 冬季供暖工況 |
| 5.2.3 供暖工況分析 |
| 5.3 建筑物能源系統(tǒng)控制系統(tǒng)控制策略 |
| 5.3.1 熱源系統(tǒng)控制策略 |
| 5.3.2 末端系統(tǒng)控制策略 |
| 5.3.3 新風(fēng)系統(tǒng)控制策略 |
| 5.4 節(jié)能效果分析 |
| 5.5 控制系統(tǒng)控制流程總結(jié) |
| 5.6 本章小結(jié) |
| 6 結(jié)論與展望 |
| 6.1 本文的主要研究內(nèi)容及結(jié)論 |
| 6.2 局限性與展望 |
| 參考文獻 |
| 作者簡介 |
| 作者在攻讀碩士學(xué)位期間獲得的學(xué)術(shù)成果 |
| 致謝 |
（10）辦公建筑動態(tài)空調(diào)負荷預(yù)測方法研究（論文提綱范文）
| 摘要 |
| abstract |
| 第1章 緒論 |
| 1.1 研究背景 |
| 1.2 研究現(xiàn)狀 |
| 1.3 研究意義 |
| 1.4 研究內(nèi)容和技術(shù)路線 |
| 第2章 建筑動態(tài)負荷研究理論 |
| 2.1 回歸分析方法 |
| 2.2 神經(jīng)網(wǎng)絡(luò)算法 |
| 2.2.1 BP神經(jīng)網(wǎng)絡(luò)算法 |
| 2.2.2 RBF神經(jīng)網(wǎng)絡(luò)模型 |
| 2.3 評價指標 |
| 第3章 辦公建筑冷熱負荷氣象因素分析 |
| 3.1 實際辦公建筑模型搭建 |
| 3.1.1 eQUEST能耗模擬軟件介紹 |
| 3.1.2 辦公建筑模型基本信息 |
| 3.1.3 建筑模型分區(qū)及建筑設(shè)計參數(shù) |
| 3.1.4 模型暖通空調(diào)系統(tǒng)搭建 |
| 3.2 模擬結(jié)果分析及驗證 |
| 3.2.1 能耗模擬結(jié)果驗證指標 |
| 3.2.2 實際數(shù)據(jù)收集 |
| 3.2.3 初步能耗模擬結(jié)果 |
| 3.2.4 模擬修正 |
| 3.3 敏感性分析 |
| 3.3.1 敏感性分析方法 |
| 3.3.2 熱負荷敏感性分析 |
| 3.3.3 冷負荷敏感性 |
| 3.4 本章小結(jié) |
| 第4章 辦公建筑動態(tài)熱負荷預(yù)測 |
| 4.1 熱負荷預(yù)測基礎(chǔ) |
| 4.2 回歸分析熱負荷預(yù)測模型 |
| 4.2.1 日平均熱負荷回歸方程建立 |
| 4.2.2 逐時熱負荷預(yù)測 |
| 4.2.3 預(yù)測模型結(jié)果驗證 |
| 4.3 神經(jīng)網(wǎng)絡(luò)預(yù)測模型 |
| 4.3.1 輸入?yún)?shù)的確定 |
| 4.3.2 基于BP與 RBF神經(jīng)網(wǎng)絡(luò)算法的熱負荷預(yù)測模型 |
| 4.4 模型有效性驗證 |
| 4.4.1 不同熱負荷預(yù)測模型對比 |
| 4.4.2 冬季典型周日逐時熱負荷實際與模型對比 |
| 4.5 本章小結(jié) |
| 第5章 辦公建筑動態(tài)冷負荷預(yù)測 |
| 5.1 冷負荷預(yù)測基礎(chǔ) |
| 5.1.1 輸入?yún)?shù)的確定 |
| 5.1.2 基于BP與 RBF神經(jīng)網(wǎng)絡(luò)算法的冷負荷預(yù)測模型 |
| 5.2 模型有效性驗證 |
| 5.2.1 不同冷負荷預(yù)測模型對比 |
| 5.2.2 夏季典型周逐時冷負荷實際與模型對比 |
| 5.3 本章小結(jié) |
| 第6章 總結(jié)與展望 |
| 6.1 結(jié)論 |
| 6.2 展望 |
| 參考文獻 |
| 發(fā)表論文和參加科研情況說明 |
| 致謝 |
四、人工神經(jīng)網(wǎng)絡(luò)在商場建筑物冷負荷預(yù)測中的應(yīng)用（論文參考文獻）
- [1]某機場能源站冰蓄冷空調(diào)系統(tǒng)負荷預(yù)測與節(jié)能優(yōu)化研究[D]. 冉彤. 西安建筑科技大學(xué), 2021
- [2]基于GA-ELM方法的建筑能耗預(yù)測研究[D]. 雷磊. 西安建筑科技大學(xué), 2020(01)
- [3]基于客流量預(yù)測的公共建筑節(jié)能優(yōu)化研究[D]. 劉媛. 西安建筑科技大學(xué), 2020(01)
- [4]基于神經(jīng)網(wǎng)絡(luò)的大型公共建筑新風(fēng)負荷預(yù)測[D]. 李佳殷. 沈陽工業(yè)大學(xué), 2020(01)
- [5]西安某商場空調(diào)系統(tǒng)能耗預(yù)測模型與節(jié)能診斷研究[D]. 井文強. 西安建筑科技大學(xué), 2020
- [6]基于樹模型與神經(jīng)網(wǎng)絡(luò)模型的住宅建筑供暖負荷預(yù)測的研究[D]. 郭鍇. 天津大學(xué), 2019(01)
- [7]基于RC網(wǎng)絡(luò)和數(shù)據(jù)驅(qū)動的辦公建筑空調(diào)負荷預(yù)測模型研究[D]. 段瑤琪. 天津大學(xué), 2019(01)
- [8]基于機器學(xué)習(xí)方法的珠三角地區(qū)商場空調(diào)全年負荷預(yù)測研究[D]. 鄭林濤. 華南理工大學(xué), 2019(06)
- [9]基于近零能耗建筑能耗預(yù)測的能源系統(tǒng)控制策略研究[D]. 姜明超. 沈陽建筑大學(xué), 2019(05)
- [10]辦公建筑動態(tài)空調(diào)負荷預(yù)測方法研究[D]. 王少康. 天津大學(xué), 2018(06)
標簽：建筑論文; 負荷預(yù)測論文; 模型預(yù)測控制論文; 人工神經(jīng)網(wǎng)絡(luò)論文; 預(yù)測模型論文;