基于粒子群优化算法和BP神经网络的变频压缩机功率预测

本文针对变频压缩机的功率测量困难,测量误差大等问题,提出了一种仿真测量模型。利用粒子群算法寻找全局最优粒子,用它初始化BP神经网络的阈值和权值,测量变频压缩机的功率。本文共建立了3种仿真模进行对比,分别为BP神经网络模型、GA-BP神经网络模型和PSO-BP神经网络模型,然后分别通过3种模型的内插、蒸发温度外推和冷凝温度外推的测试方法对变频压缩机进行功率测量,对比分析其预测结果的平均相对误差和拟合程度。结果表明:基于粒子群算法优化的BP神经网络模型明显优于其他两个模型,特别是在冷凝温度外推测试中,较其他两个神经网络相对误差降低了1. 11%、2. 64%,3种测试方法下的平均相对误差均小于1%,拟合程度在0. 9以上,表明基于粒子群算法优化的BP神经网络模型对变频压缩机功率有较好的测量能力,而且有较强的泛化能力。

基于区块链技术的空调产品电子病历共享方案

随着空调领域大数据和智能化的飞速发展,良好的数据管理模式变得十分重要。本文首次提出一种将区块链作为底层技术的空调产品电子病历共享方案,旨在构建一个去中心化和第三方信任的空调病历信息共享平台。通过运用哈希计算、非对称加密和全网共识等技术,达到对空调故障病历数据的全网可信,突破个人、企业之间的信任壁垒。研究表明:基于区块链技术的空调产品电子病历平台能赋予存储于其中的数据不可篡改、相对透明和可回溯的特性,从而保证平台数据的完全可信。同时其存储成本相对较低,平均每例存储成本仅为2 kB。

基于支持向量机的建筑能耗预测研究

建筑能耗预测对建筑节能工作具有重要意义,本文采用支持向量机算法对建筑进行能耗预测,并对建立的能耗模型进行了优化。通过相关性分析选取特征向量,然后对变量重要性进行排序,选取最优变量,采用十折交叉验证和网格搜索法进行参数寻优。结果表明,优化后的支持向量机模型的均方根误差由之前的12.61 降为6.09,优化结果显著,能较好地进行建筑能耗预测工作。

基于改进贝叶斯神经网络的多联机故障诊断策略

针对传统神经网络模型过拟合等问题,本文提出了一种基于改进贝叶斯神经网络的多联机故障诊断策略,该策略使用LOF(local outlier factor)法剔除原始数据中的异常值,并构建了BR(Bayesian-regularization)神经网络以提高模型的泛化能力。实验通过多联机系统制冷剂充注量故障验证该策略的可行性。结果表明:较BP(back-propagation)神经网络,LOF-BR神经网络模型诊断性能增强,整体检测率提高至97%。充注过量误诊为充注不足的比率显著降低,LOF法能有效剔除多联机系统异常值。

大数据加密与共享的区块链在制冷空调领域的应用研究

本文针对制冷空调领域数据加密共享问题,提出了一种基于区块链的大数据加密与共享方案。使用类型与身份的代理重加密技术实现对数据的加密,构建私有链用于存储各个空调厂商的加密的数据,联盟链用于存储各厂商数据的索引记录和加密数据并作为数据共享中介。对所提方案的安全性和可用性进行分析与评估表明,该方案能有效地实现对空调厂商大数据的加密与共享。