基于人工神经网络的建筑负荷预测与空调系统运行优化研究

准确预测建筑负荷并合理优化空调系统运行,对于提升空调系统经济性能和能源利用效率具有重要意义。运用人工神经网络建立建筑负荷预测模型,并且考虑不同热区内人员的热舒适需求对建筑负荷预测精度的影响,然后以空调系统运行成本最低为目标,运用遗传算法建立地源热泵和蓄能水箱联供系统的运行优化模型。结果表明,负荷预测模型的CV-RMSE指标降低了15.26%;在负荷预测结果的基础上,运用优化模型实现系统的运行调度可以分别在冬季典型日和夏季典型日节约22.53%和33.69%的运行成本。

基于加权残差聚类的建筑负荷预测区间估计

提出基于加权残差聚类的建筑负荷预测区间估计方法,旨在对建筑负荷预测模型的不确定性进行定量评估.使用Shapley additive explanations方法量化负荷预测模型的每个输入对输出的贡献程度.基于得到的贡献程度对模型输入进行加权聚类,获得不同聚类簇中的模型历史残差分布.根据不同聚类簇中的残差分布估计模型的预测区间.在深圳某办公建筑1 a的冷负荷数据集上进行验证.结果表明,与传统不对输入进行加权的方法相比,该方法可以显著提高预测区间的估计精度.期望得到的预测区间与该方法得到的预测区间的平均覆盖误差为1.87%,而传统方法的平均覆盖误差为2.27%.该方法可以用于估计任何数据驱动的建筑负荷预测模型的不确定性,从而为优化控制和故障诊断提供更可靠的负荷预测模型.

基于灰箱模型的设计阶段建筑负荷预测方法

本文以能耗模拟软件EnergyPlus为计算工具,对不同情境下的建筑进行模拟,形成基于正演模型的数据库,该数据库包含大量建筑情景,能较好地涵盖实际工程设计情况。在此数据库基础上,采用深度学习方法,实现快速预测建筑全年逐时负荷,测试结果表明,该方法表现出了良好的快速性和准确性。该灰箱方法简单方便,为设计阶段建筑负荷预测提供了一种新的解决思路。

基于最近邻搜索的区域建筑负荷预测方法

区域建筑负荷预测是区域能源系统进行设备容量配置的基础,决定了系统实际运行效果,如何快速准确地实现区域建筑负荷逐时预测,是目前面对的一个难题.本文以能耗模拟软件EnergyPlus为计算工具,建立了基于软件模拟的"模型参数变量-负荷"数据库.在此基础上,提出了最近邻搜索方法对区域建筑负荷进行预测,并通过度量选择筛选得到了预测性能最优的度量--cityblock,其有效小时率中位数达95.36%.应用上海某地块区域对该方法进行了验证.结果表明,该方法的预测误差较小,预测时间较短,可以满足工程对预测精度与便利性的需要,为区域建筑负荷高分辨率下的预测提供了一种新的解决思路.

公共建筑短期负荷预测仿真研究

对公共建筑进行短期负荷预测可以让运行人员及时制定供能系统的最佳调度策略,达到节能的目的。传统的公共建筑短期负荷预测方法存在运算速度慢的弊端。为了在保证负荷预测精度的同时提高运算速度,提出了一种基于改进熵权法的公共建筑短期负荷预测方法,将改进熵权法分别用于特征点权重和相似日权重的选取,充分挖掘熵权法中评价指标信息熵所包含的信息,得到更恰当的权重系数,从而选出相似度高的相似日,用以提高负荷预测精度。以北京市某写字楼负荷为例进行验证分析,结果表明上述方法相比于传统的预测方法具有更高的预测精度和运算速度。

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.

基于遗传算法优化神经网络的建筑物电力负荷预测

对建筑物电力负荷进行准确有效的预测,是进行电气设计和节能改造的基础和前提,也能为电力部门制定电力规划提供依据。本文通过建立BP神经网络模型,解决了建筑物电力负荷预测由于强耦合性、滞后性和非线性而难于建立模型的问题,并利用遗传算法强大的全局搜索能力对所建网络模型进行权值优化,解决了传统BP神经网络易陷入局部最优的困扰,使得预测更为精准。最后通过MATLAB进行仿真实验,验证了此法的可行性。

基于大数据的我国公共建筑空调负荷预测的研究进展

公共机构能耗监测平台为大型公共建筑空调节能运行和管理提供了大量数据。冷(热)负荷预测是建筑节能运行的关键环节,是实现建筑空调系统的优化控制的基础。文章从公共机构建筑大数据预处理、负荷预测算法及在空调系统节能运行应用等方面,综述了基于数据的公共机构办公建筑空调负荷预测进展,并进行展望。

热网供热中断后建筑物室内温度预测分析

近年来,城市供暖管道泄漏事故发生率逐渐上升,影响正常供暖供热,对居民生产生活造成极大危害.选用某典型建筑作为研究对象,运用DeST软件对典型居民住宅进行仿真模拟,得到其供暖期的建筑热负荷数据,运用最小二乘拟合法得到建筑热负荷的预测模型,在供暖期停止供暖时,结合天气预报数据进行建筑物热负荷的计算,结合室内热平衡方程对建筑物室内温度的变化进行预测,计算供暖停止后建筑物室内温度随着时间的变化,为事故发生时保证居民供暖基本温度所需的抢修时间提供依据.

基于Attention机制的CNN-LSTM时序预测方法研究与应用

在“双碳”背景下,我国建筑碳排放占总碳排放比例35%~50%,建筑碳减排迫在眉睫,通过建筑负荷预测提高用能效率是一种有效的建筑碳减排手段。针对建筑冷热负荷数据的非线性、时序性的特点以及多步预测误差大的问题,设计并实现了一种基于Attention机制的CNN-LSTM时序预测方法。首先采用LSTM提取非线性数据的时序性变化信息;其次提出在LSTM前加入CNN,解决了LSTM无法获取多个特征空间联系的问题;进而提出在LSTM层后添加注意力机制,从而提高LSTM中重要时间步的影响,进一步降低多步预测误差。最后将本文方法应用到某大型园区八个组团的建筑热负荷多步预测中,并采用均方根误差(RMSE)和平均绝对误差(MAE)作为评估指标。实验结果表明,本文所提方法预测结果在八个组团上平均RMSE和平均MAE最小,较文中其他方法平均分别降低了19.2%和18.7%。