引入用能行为概率和群智能优化的数据驱动高精度小时尺度建筑能耗预测体系

提出了一种改进的用户用能行为概率模型,作为新输入集成入能耗预测中,引入麻雀搜索算法(SSA)用于优化长短期记忆神经网络(LSTM)的超参数选择,建立了高精度小时尺度建筑能耗预测体系。在某建筑中的实际应用显示,相比于传统预测体系,改进的能耗预测体系可以使决定系数R 2平均增大0.201,平均绝对百分比误差(MAPE)平均减小18.10%,均方根误差的变异系数(CV-RMSE)平均减小0.176。

玉米醇溶蛋白/壳聚糖复合功能化纺织品的制备与性能

利用生物基材料玉米醇溶蛋白和壳聚糖对棉织物进行涂层整理,赋予棉织物疏水性和抗菌性,探究不同涂层结构对棉织物疏水性的影响,并利用扫描电镜和红外光谱对棉织物表面涂层进行表征。结果表明,经壳聚糖和玉米醇溶蛋白混合涂层整理后的棉织物水接触角可以达到(132.98±1.03)°,功能化棉织物对大肠埃希菌和金黄葡萄球菌的抑菌率均在85%以上,并且织物保留了良好的透气性。

基于数据挖掘的公共建筑能耗监管平台异常数据修复研究

公共建筑用能设备多、建筑面积大、使用人数多,具有较大的节能潜力。但由于建设费用有限导致的数据分项计量异常及传感器或采集器故障导致的数据缺失和突变等问题,其配套的建筑能耗监管平台获取的电耗数据经常出现数据异常问题。本文研究以聚类算法为基础,提出了一种由KNN-Matrix算法与KNN-Slope算法共同构成的异常数据修复体系。KNN-Slope算法根据异常数据当日用电趋势线,寻找用电趋势一致的最近历史电耗数据,以加权计算后的电耗值作为插补值进行异常数据修复。KNN-Matrix算法引入以矩阵形式表征的用电强度量化等级,寻找量化等级与用电趋势均一致的最近历史数据或平均历史数据作为插补值进行异常数据修复。结果显示,在面向不同数据异常比例和不同公共建筑类型时,上述修复体系可使99%的异常数据在修复后与真实数据的相对误差在30%以下,且相对误差最大值、平均值均大幅下降。

基于能耗监测数据的校园建筑贝叶斯能耗预测模型

对于建筑类型众多、用能规律复杂的校园建筑群,建立区域能耗模型是分析其能源使用情况的高效途径。自下而上的区域能耗模型不仅可以实现对区域内建筑能耗的预测,还可以评估新技术与新能源的节能情况,其建模方法目前普遍基于面积扩展的方式。提出了一种基于能耗监测数据的贝叶斯能耗预测方法,对寒冷地区某高校建筑群分别建立了简单面积扩展预测模型和贝叶斯能耗预测模型。以混合类科研建筑为例,面积扩展模型月误差在-30%~-7%之间,而贝叶斯模型月误差在-5%~15%之间,月误差绝对值明显降低。贝叶斯能耗预测模型对校园建筑群总能耗的预测月误差在-2%~6%之间,年误差仅为1.07%。

基于电开水器能耗监测数据的高校教学楼用能规律模型研究

随着物联网与建筑节能减排相结合,节约型校园建设蓬勃发展,以及高校能耗监测平台的广泛建立,基于能源物联网获取的校园建筑能耗数据研究,监测并分析校园建筑能耗具有重要意义。选取寒冷地区某高校教学楼为研究对象,首先通过对校园能耗监测系统的数据支持与大量的实地调研,分析教学楼各种能耗关系,通过对电开水器用能数据的分析,结合现场调研建立教学楼能耗与建筑人数、课程设置方案等因素的联系,进而得出了教学楼用能规律模型,最后基于该模型分析了教学楼运行中存在的问题,并给出了相应的节能建议。

基于能耗监测系统与实地调研的寒冷地区高校教学楼用能特性分析

选取寒冷地区某高校教学楼为研究对象,首先通过对校园能耗监测系统的数据支持与实地调研,对影响教学楼能耗的因素进行了系统地分析;其次主要从教学楼使用规律方面探讨了教学楼能耗的变化规律;最后对校园教学楼节能的措施提出了几点建议。