期刊文献+

基于遗传算法的冷水机组运行参数优化

下载PDF
导出
摘要 本文以中国中部某城市的地下综合体内的冷水机组为研究对象,使用参数辨识和人工神经网络两种方法基于机组运行数据建立了能耗模型。参数辨识模型和神经网络模型的决定系数分别为0.94和0.91,模型准确度较高。以机组能耗最小为优化目标,机组运行参数中的冷冻水供水温度、冷却水回水温度为优化控制变量,基于遗传算法提出机组的运行优化控制策略。将优化控制策略置于神经网络建立的能耗模型中进行仿真,与机组原有控制策略相比,优化控制策略在典型日节能百分比为2.38%,具有较好的节能效果。
作者 陈文成
出处 《安装》 2022年第8期69-72,共4页 INSTALLATION
  • 相关文献

参考文献6

二级参考文献46

  • 1汪小旵,丁为民,罗卫红,戴剑锋.南方现代化温室能耗预测模型的建立与分析[J].南京农业大学学报,2006,29(1):116-120. 被引量:11
  • 2孟华,龙惟定,王盛卫.基于遗传算法的空调水系统优化控制研究[J].建筑节能,2007,35(1):39-42. 被引量:12
  • 3朱明,王俊普,李欣荣.BP网络在复杂系统建模中的应用[J].计算机仿真,1997,14(2):19-21. 被引量:3
  • 4Kelesoglu O, Flrat A. Determination of loss of heat in brick wall and installation with artificial neural network[J]. Sci Eng J Flrat Univ 2006, 18(1): 133-141.
  • 5Yang J, Rivard H, Zmeureanu R. On-line building energy prediction using adaptive artificial neural networks[J]. Energyand Buildings, 2005, 37(12): 1250-1259.
  • 6Kalogirou S A, Bojic M. Artificial neural networks for the prediction of the energy consumption of a passive solar building[J]. Energy, 2000, 25(5): 479-491.
  • 7Gonzalez P A, Zamarreno J M. Prediction of hourly energy consumption in buildings based on a feedback artificial neural network[J]. Energy and Buildings, 2005, 37(6): 595-601.
  • 8Olofson T, Andersson S. Long-term energy demand predictions based on short-term measured data[J]. Energy and Buildings, 2001, 33(2): 85-91.
  • 9Karatasou S, Santamouris M, Geros V. Modeling and predicting building's energy use with artificial neural networks: Methods and results[J]. Energy and Buildings, 2006, 38(8): 949-958.
  • 10Azadeh A, Ghaderi S F, Tarverdian S, et al. Integration of artificial neural networks and genetic algorithm to predict electrical energy consumption[J]. Applied Mathematics and Computation, 2007, 186(2): 1731-1741.

共引文献79

相关作者

内容加载中请稍等...

相关机构

内容加载中请稍等...

相关主题

内容加载中请稍等...

浏览历史

内容加载中请稍等...
;
使用帮助 返回顶部