基于累积灰色径向基函数模型的建筑能耗预测

针对公共建筑逐月能耗呈现周期性震荡的特点,本文提出了基于函数组合变换的累积灰色径向基函数(TGM-RBF)神经网络预测模型,以实现对公共建筑能耗的预测。采用西安地区某公共建筑逐月能耗模拟数据及2010年—2017年中国建筑业能耗实测数据,分别构建累积TGM-RBF模型、累积TGM(1,1)模型和GM(1,1)模型对建筑能耗进行预测,并对预测结果进行了对比。结果表明,组合模型较单一模型的预测精度更高,预测精度分别提高了7.31%、6.46%以及0.95%、0.83%。

基于动态温度调控的空调系统能耗预测

针对动态温度调控的空调系统能耗预测问题,设计了动态温度调控策略并通过EnergyPlus仿真得到空调系统逐时能耗数据集。在采用集成方法分析能耗的基础上,建立改进PSO算法优化BP神经网络(improved particle swarm optimization-back propagation neural network,IPSO-BPNN)预测模型。集成聚类、分类和关联度分析方法挖掘空调系统能耗模式、确定预测模型的输入变量;设计非线性变化策略调整PSO算法的惯性权重和加速度因子,提高训练速度和优化效果;建立IPSO-BPNN模型对空调系统逐时能耗进行预测。结果表明,收敛速度明显提高,且平均预测精度提高了3.4%。