办公建筑运行能耗的混沌时间序列复合预测

针对办公建筑已有的能耗预测方法中未能考虑到能耗数据的混沌变化特性,提出了一种基于混沌时间序列的办公建筑运行能耗预测方法。对研究对象的时间序列进行相空间重构,判断其具备混沌特性,建立混沌理论和支持向量回归的组合模型进行训练,采用Markov链消除组合模型由于参数传递产生的累积误差,得到最终预测结果。为了验证算法的有效性,以西安某办公建筑的能耗监测数据为例进行实例分析,并与非线性自回归神经网络、支持向量回归等其他预测方法进行对比。实验结果表明,经过Markov修正后的混沌时间序列组合模型预测精度显著提高,预测效果优于其他方法,且更符合办公建筑能耗的变化规律,为节能优化提供有效的数据支撑。

基于改进PSO-BP算法的冷负荷预测模型

针对PSO-BP(Particle Swarm Optimization-Back Propagation)神经网络预测模型在冰蓄冷空调冷负荷预测中存在输入输出数据关联度低和预测模型存在误差的情况,提出了一种基于JMP数据处理软件、PSO-BP神经网络和马尔可夫链的组合预测方法。利用JMP处理输入数据,剔除耦合度低的样本,进行PSO-BP神经网络训练,得到冷负荷预测结果,利用马尔可夫链消除系统产生的随机误差得到最终预测结果。结果表明:该组合预测方法对比传统PSO-BP算法其预测精度更高,预测结果符合商场冷负荷的变化规律,满足实际的应用需求。

基于改进GWO-BP的办公建筑能耗预测模型

建筑能耗数据分析是智慧城市发展研究的一个重要分支。传统的建筑能耗预测神经网络模型存在拟合精度低、预测结果不精确等问题。因此,提出了基于改进GWO-BP神经网络的建筑能耗综合预测模型。首先对GWO算法的原始收敛因子进行降低,使优化保持较快的收敛速度,在后期对其增加,以扩大优化范围,完成GWO算法的改进;其次利用改进GWO算法对BP算法的权重和阈值进行优化完成改进GWO-BP算法的计算过程。实验结果表明,所提改进GWO-BP算法与BP算法相比,样本预测精度指标均方根误差(RMSPE)降低了27%,与传统GWO-BP算法相比降低了7%。该模型具有较强的泛化能力和较好的预测精度和可靠性,完全可以满足实际工程的需要。

西安户外运动人群夏季生理参数及热舒适的关联性研究

不同人群对热条件的偏好可能会有所不同,这取决于本地的气候特点。当人群从一个气候区迁移到另一个气候区时,因迁移形成的气候地域变化被作为影响人体生理参数和热舒适的重要因素。通过招募大一学生(n=61)于2021年5月16日至5月28日在西安校园里进行户外运动。研究期间对热舒适和心率、氧饱和度等生理参数进行了调查。结果表明,非本地人的心率高于本地人,但本地人的血氧饱和度高于非本地人。本地人与非本地人在热舒适和热感觉方面存在明显差异,非本地人和本地人相比对环境的忍受力更低,在夏季更加不耐热。对于了解已适应人群(本地人)和未适应人群(非本地人)的生理参数和热舒适都是必要的。尤其是未来在运动状态中解决热不适,预防更严重的热相关疾病提供参考。

分布式PSODE算法的冰蓄冷空调系统优化控制研究

文章针对集中式控制架构在暖通空调方面应用存在的问题,提出了1种基于分散控制结构的分布式多目标差分进化改进的粒子群(D-MOPSODE,Decentralized Multi-objective Particle Swarm Optimization Improved by Differential Evolution)优化算法,以冰蓄冷空调系统能耗、运行费用和能耗损失为目标,求解冷机逐时部分负荷率和冰槽供冷比例。提高冷机运行效率科学规划蓄冰量和冷机-冰槽负荷分配,达到冰蓄冷空调系统经济节能的运行效益。西安某大型商场为实验环境进行实例验证,结果表明文章提出的D-MOPSODE算法是1种高效的分布式优化算法,在冰蓄冷空调系统负荷分配问题的求解中能够取得显著的节能效果。相比于传统控制策略和PSO算法,D-MOPSODE算法具有收敛性好,稳定性高,鲁棒性强、求解精度高等优点。