基于GIHCMAC神经网络的建筑电负荷预测方法

随着能源供应与经济快速发展的矛盾日益加剧,建筑节能成为可持续发展战略的一个关键环节,研究一种快速、精准的建筑用电量预测方法是实现建筑节能优化控制的重要前提.本文将遗传算法与蚁群聚类算法相融合,对基于聚类的IHCMAC (Improvement Hyperball CMAC)神经网络的网络节点进行改进,将GIHCMAC (Genetic Algorithm Ant Colony Clustering Algorithm based on IHCMAC)作为建筑电力负荷预测模型,对潍坊某一办公建筑用电负荷进行预测.研究结果表明,该预测模型迭代次数最小、准确度较高,其迭代次数、训练误差、泛化误差分别为9、0.0045、0.0014,较IHCMAC、KHCMAC (K-means Hyperball CMAC)、IKHCMAC (Improvement K-means Hyperball CMAC)模型的收敛速度更快,精度更高,泛化能力更强.

一种压缩式制冷机组变频控制的模糊建模方法

文章以压缩式制冷机组为研究对象,提出了一种变频控制的模糊建模法。该建模方法以压缩式制冷机组的工况条件(室外温度、冷却水的温度和热负荷)为模型的输入量,以压缩机的工作频率为模型的输出量,采用模糊理论的方法建立输入输出之间的模糊规则。仿真与实验的比较结果表明,在相同的工况条件下所建立的模糊模型能够精确的预测制冷量与压缩机频率之间的关系,其预测误差在0.1%-5.3%之内。