面向高铁站的热舒适度和能耗综合预测

针对高铁站这类半封闭建筑的热舒适度影响因素众多,影响机制复杂以及热舒适度与能耗存在背反等问题,提出了基于机器学习的高铁站热舒适度与能耗综合预测方法。首先采用传感器数据捕获及Energy Plus仿真两种方式对高铁站室内外状态、多联机及热交换机等控制单元及热能传导环境进行建模;其次提出影响高铁站热舒适度的八类因素——多联机开启台数、多联机设置温度、热交换机开启台数、客流密度、室外温度、室内温度、室内湿度和室内二氧化碳浓度,并设计424种模型运行工况以及3714240个实例;最后设计6种机器学习模型——深度神经网络、支持向量回归、决策树回归、线性回归、岭回归和贝叶斯岭回归,来对高铁站室内热舒适度和空调能耗进行有效预测。实验结果表明,6种机器学习模型中决策树回归预测模型能够在较短的时间内获得最优的预测性能,其平均均方误差低至0.0022。所得研究成果可直接为下一阶段的温控策略提供主动预判的环境状态参数并实现实时决策。

基于深度神经网络的高铁站空调系统智能控制策略

高铁站是公共设施中高能源消耗的大型半封闭建筑。针对高铁站如何在满足乘客舒适度的同时,尽可能降低空调能耗这一问题,本文设计了一种基于深度神经网络算法的空调控制策略。首先,设计了基于Energy Plus平台的仿真模型;然后,结合多种传感器获取高铁站的室内外环境参数,并提取出室外温度、客流密度、室内温度、室内湿度、室内二氧化碳浓度、室内环境热舒适度、能耗七个影响空调系统控制状态的因素;最后,构建了深度神经网络分类模型以及深度神经网络回归模型两类空调控制模型,以获取包含空调的设置温度、空调和热回收机的开启台数等参数的控制策略。同时使用Weighted-F1、Accuracy、Mean Squared Error和R-Squared四个评价指标分别对两个模型控制性能进行评价。研究结果表明,本研究提出的控制策略预测准确率最高能达到0.99,能有效实现高铁站空调系统的智能控制。