数模联动的多特征工件加工能耗预测方法研究

在实际切削加工过程中材料去除率是不断变化的,现有将其视为恒量的能耗建模方法难以实现能耗准确预测。为了提高切削过程能耗预测精度,提出了一种基于材料去除率的数模联动加工能耗预测方法。首先,基于切削过程刀具与工件的接触关系分析了切入、完全切入和切出阶段材料去除率变化规律,并对相应的加工能耗特性进行了分析;其次,提出了数据驱动的刀具切入,切出阶段加工能耗预测方法,以及模型驱动的完全切入阶段加工能耗预测方法,实现加工过程能耗准确预测;最后,利用实验案例验证了所提模型及方法的有效性,为今后研究能耗预测精度奠定了基础。

数据驱动的新能源公交车能耗预测

鉴于现有电动车能耗预测多基于实验室条件,存在结果过于理想化或预测准确度不足的问题。本文基于北京市51路公交车的实车运行数据,分析能耗影响因素,通过时钟循环编码优化时间信息、使用箱线图设置阈值以构造行驶工况、建立基于熵权法的驾驶行为评价体系对驾驶行为与工况状态进行辅助分析,最后,对聚类后的4类典型工况片段分别建立引入注意力机制的LSTM能耗预测模型,并将其与传统LSTM及LGBM等多种预测模型进行对比分析,验证结果表明引入注意力机制的LSTM预测模型性能显著高于其他模型。

基于SARIMA-LSTM组合模型的油气集输系统能耗预测

油气集输是油田开发生产过程的重要阶段,准确预测油气集输系统能耗能够为生产调度和能源管控提供支持。为提高油气集输系统能耗预测的准确性,针对其线性和非线性特征,综合考虑数理统计和机器学习预测方法的优缺点,提出一种基于季节性差分自回归积分滑动平均(SARIMA)和长短期记忆(LSTM)神经网络的组合预测模型。根据S油田M环状掺水油气集输系统6年的运行数据,设计组合模型的网络结构,训练组合模型的网络参数。研究结果表明:与传统的SARIMA模型和LSTM神经网络相比,组合模型对三个能耗指标的预测准确性显著提高,可为企业调整生产运行方案和优化能源管控方案提供指导和数据支持。

数控铣削能耗预测及切削参数多目标优化研究

为了研究数控铣床节能优化问题,首先以316L不锈钢为加工对象,设计了数控铣削实验方案,并进行了实验数据分析;然后以实验数据为样本,运用BP神经网络建立了数控机床能耗预测模型,并利用蜣螂优化算法(DBO)对BP神经网络结构进行优化,建立基于DBO-BP神经网络的数控机床能耗预测模型。通过对比优化前后两模型,选择具有更高的预测精度和稳定性的DBO-BP神经网络模型与以加工成本为目标而建立的铣削参数多目标优化模型,并运用NSGA-Ⅱ对模型求解,得到最优解集,最后运用熵权TOPSIS法对最优解集进行决策,得到最优解。通过对比优化前后比能耗和加工成本,优化后的切削参数使比能耗和加工成本分别下降了33.84%和5%。研究结果表明,优化后的切削参数更加节能和节约加工成本。

基于随机森林回归的船舶特涂维修的日能耗预测

特殊涂装(简称特涂)维修是修船工作的核心内容,能耗的预测是船舶智能能效优化中的一项重要任务。使用随机森林回归(RFR)模型对船舶特涂维修日能耗进行分析,去除异常值、随机化和标准化数据集,然后使用RFR模型对船舶日能耗历史数据进行训练拟和,利用带交叉验证的网格搜索优化RFR模型,使用优化后的RFR模型对船舶特涂维修日能耗数据进行分析,并与其他模型进行对比实验。结果表明,优化后的RFR模型预测效果优于多种其他模型,R2值达93.25%,均方误差明显更低。

基于Transformer的空调能耗预测模型构建与参数优化

针对空调系统能耗预测建模过程中的数据质量、模型输入参数筛选等问题,研究基于Transformer神经网络的空调系统能耗预测模型构建和参数优化方法,结果表明:可以通过广义极端学生化偏差方法对数据中的离群值进行检测修正,从而提升数据质量;通过余弦相似度对输入参数进行两两相关性检验来消除各参数间的多重共线性,实现对输入参数的初步筛选;采用随机森林算法计算初选参数对空调能耗预测结果的影响来判断冗余参数,进而完成对输入特征参数的最终筛选;建立的空调能耗预测模型对数据测试集的预测结果均方根误差RMSE为38.831 kW,相关系数R^(2)为0.952,表现出了良好的预测性能。

基于自注意力的电力数据能耗预测算法Dual-channel LSTM

电力能源需求随不可预测事件波动性加剧,为实现准确预测建筑用电能耗,提出一种电力数据能耗预测算法Dual-channel LSTM。算法框架主要分为3个模块,首先通过T-LSTM模块对时序存在缺失值的电力数据预处理,使其时序排列规则,随后输入双通道注意力特征模块,该模块引入自注意力机制来引导权重分配,最后由LSTM和FCN结合的预测模块输出结果。在AEP和IHEPC公开电力数据集上评估了该算法,Dual-channel的损失函数MAE/MSE分别仅有0.12/0.06和0.06/0.04,通过消融实验发现,引入T-LSTM对算法性能起决定性影响,引入自注意力机制对算法起辅助性作用,所提方法提高了预测精度和鲁棒性。

基于卷积神经网络的医院建筑公共照明能耗预测研究

为提升医院建筑公共照明能耗预测准确性,研究一种基于卷积神经网络的医院建筑公共照明能耗预测方法。对历史公共照明能耗数据实施缺失数据填补、孤立值检测与处理,以此作为输出变量;通过计算灰色关联度选取医院建筑公共照明能耗影响因子,作为输入变量。基于卷积神经网络构建预测模型,以输入、输出变量为基础,完成模型训练,完成实际能耗的预测。结果表明:所研究预测方法的拟合优度值达到极大值,最高可达到0.92,说明该方法的预测结果更为准确,与真实情况更为贴近,具有一定应用价值。

融合数据驱动和充电行为的电动汽车能耗预测方法

电动汽车的能耗预测对于车辆路径规划与充电行为至关重要。提出一种考虑充电行为的多模型融合能耗预测方法,首先构建基于实车稀疏数据与有限参数的能耗计算模型,在此基础上构建充电行为模型,分析并提取能耗强相关的充电行为特征,最后基于长短期记忆循环神经网络(Long short-term memory neural network, LSTM)搭建能耗预测模型。使用实车数据对所提方法进行验证,结果表明,该方法可以精准预测相同车型不同起始电池荷电状态(State of charge, SOC)、不同温度、不同时间段下的汽车能耗,均方根误差(Root mean square error,RMSE)为1.27,与现有方法相比,RMSE至少降低4.5%。

基于改进CGWO-SVM算法的建筑能耗预测模型研究

建筑能耗预测能够反映建筑内部各分项能源消耗系统是否存在降耗空间,从而为节能减排工作提供指导。为了提高建筑能耗预测精度,提出了一种基于改进混沌灰狼优化-支持向量机(CGWO-SVM)算法的建筑能耗预测模型。针对传统灰狼优化(GWO)算法过早收敛和易于陷入局部最优解的问题,采用Tent混沌序列初始化种群、控制参数随机动态调整策略来平衡搜索能力。通过Cauchy变异操作降低算法陷入局部最优的概率,提出了改进CGWO。通过仿真测试,证明了CGWO算法在求解精度和稳定性方面优于GWO算法。利用该算法优化支持向量机(SVM),建立CGWO-SVM建筑能耗预测模型。采用实际建筑能耗数据进行测试。测试结果表明,CGWO-SVM算法的预测性能优于其他模型。CGWO-SVM算法可用于建筑能耗预测工作,具有较强的实际应用价值。

基于图神经网络的建筑能耗预测

在城市建筑管理中,准确预测建筑能耗对实现建筑节能和构建智慧城市具有重要意义.由于能耗数据的复杂性,长期并准确地预测建筑能耗是时间序列预测中极具有挑战性的难题之一.近年来,研究人员将神经网络模型应用于能耗预测任务,并取得了优秀的预测结果,然而建筑能耗会受到多维因素的影响,为了提高预测精度,提出了一种基于图神经网络的建筑能耗预测方法.该方法使用改进的图卷积网络来捕获时间序列的空间依赖关系,通过时间卷积模块来获取时间序列的时序依赖关系,并通过时空融合,更充分地挖掘多元时间序列中的时序特征,支持在端到端的框架中联合学习,在真实的能耗数据集上的实验结果证实了模型拥有更加优异的性能表现.

基于改进差分进化算法的步进式加热炉能耗预测方法

为了快速寻找到全局最优解,提高加热炉能耗的预测精度,提出基于改进差分进化算法的步进式加热炉能耗预测方法。首先,采用小波包原理对步进式加热炉的历史运行能耗数据展开去噪处理,提高能耗数据精度;其次,采用时间卷积网络建立步进式加热炉能耗预测模型;最后,采用差分进化算法对预测模型进行求解,采用禁忌搜索算法对适应度值排名前10%的优良个体进行进一步的搜索,使差分进化算法的全局最优解寻求能力得到改进提升。实验结果表明,所提出预测方法去噪效果较高,预测结果与实际能耗结果基本一致,并且最长预测耗时不超过2 min。

基于VMD-GWO-HKELM的企业能耗预测研究

能耗预测是企业关注的重点,对于企业保障用能安全稳定有重大作用,是企业建立能耗管控平台的重要任务之一。为完善企业能耗管控平台并且高效准确地进行企业能耗预测,提出一种基于变分模态分解(VMD)与灰狼算法(GWO)优化混合核极限学习机(HKELM)的能耗预测模型。首先利用VMD对能耗数据序列进行分解,获得具有不同特征规律的子序列,以降低能耗原始数据的随机性;然后,结合高斯核函数和多项式核函数构建更具有泛化能力的HKELM模型,同时针对HKELM模型中参数难以抉择的问题,采用GWO对其参数进行优化选择,并构建GWO-HKELM模型;最后,将分解后的数据输入到GWO-HKELM模型中,并将每个子序列的预测结果相加得到最终的预测结果。以浙江某厂房的实际电力能耗数据为例,验证该模型的有效性和可行性。

基于AutoML的船舶能耗预测模型

船舶能耗预测模型在航运领域中具有重要的应用价值。这些模型对于船舶航行路径优化和节能减排具有重要作用。然而,传统的船舶系统的复杂性给模型选择和优化带来了更大的挑战,而自动机器学习(AutoML)技术将这些过程可以自动化,提高预测模型的性能和开发效率。因此,本文提出一种基于AutoML的船舶能耗预测模型,进行了一系列实验,并将其与常用的基线模型(LightGBM)进行了比较。实验结果表明,基于AutoML的船舶能耗预测模型的预测的均方根误差相较于LightGBM减少了超过10%。基于AutoML的船舶能耗预测模型在预测准确性和效率方面取得了显著的提升。

基于Seq-GRU的建筑能耗预测方法研究

预测建筑能耗常用物理模型方法和机器学习方法,针对这两种方法存在数据获取难度大与大规模建筑能耗数据下预测精度不高的问题,提出了一种基于Seq-GRU的建筑能耗预测方法。通过构建Seq-GRU深度学习模型,使用历史建筑能耗数据对其进行训练,重点研究建筑能耗数据不同特征对预测结果的非线性关系。Seq-GRU使用GRU构建Seq2Seq模型,预测一段时间内的建筑能耗数据,并通过引入注意力机制等方法提高模型的预测精度和速率。实验结果表明,基于Seq-GRU的建筑能耗预测方法可以获取较好的建筑能耗数据。

基于麻雀搜索算法优化的BiLSTM建筑能耗预测模型

建筑能耗的准确预测对建筑能源的合理规划至关重要,为了在建筑能耗预测过程中选择重要的影响因子并提高建筑能耗预测模型的预测精度,提出基于熵加权K-means与随机森林相结合的特征选择方法和麻雀搜索算法,优化双向长短时记忆网络的预测模型(SSA-BiLSTM)进行建筑能耗预测。结果表明,能耗影响因子经过特征选择后,预测模型的计算精度显著提高,与单一的BiLSTM预测模型相比,SSA-BiLSTM预测模型在不同季节的能耗预测中均展现出良好的预测效果。

基于PLS模型的建筑电气能耗预测

本文针对传统建筑工程施工作业中电气设备能源消耗过大、能耗数据未能充分利用的情况,提出一种基于PLS模型的建筑电气能耗预测方法,通过在传统建筑电气设备中加入传感器,运用LoRa射频数据双向传输技术,有效整合能耗数据,引入PLS方法建立能耗异常预测模型,获取建筑电气设备的能耗时间比,分析能耗数据异常数据点,并采用评价指标验证预测结果的有效性。通过实验验证,该方法在建筑电气设备能耗管理及工业能源可持续发展方面具备较高的可行性。

数据驱动在数控铣削加工能耗预测中的应用

研究特征数据驱动方法在数控铣削加工能耗预测中的应用,选择与能耗预测目标相关性较高的特征,使用支持向量回归(SVR)算法进行模型训练研究,为特征数据驱动方法在工业生产中应用提供参考价值。

基于Trnsys能耗预测的村镇建筑不同供能方式碳-经济分析

在碳中和背景下,村镇生物质与太阳能资源具有广阔的应用前景。以河北迁安地区某农宅为基础,建立三维模型,采用Trnsys对农宅能耗进行预测,通过实测数据对模型进行验证。分析不同供能方式的碳排放和经济性,结果表明:该农宅以天然气为燃料的供暖方式具有较高的CO_(2)减排潜力,CO_(2)排放量为2 019.75 kg/年,以生物质+标准煤的供暖方式具有较好的经济性,花费1 034.42元/年;当安装太阳能光伏发电系统时,采用生物质+空调的采暖方式具有较好的经济性,花费464.62元/年,且CO_(2)排放量为3 060.56 kg/年,仅次于天然气。因此,合理利用天然气、生物质和太阳能成为减轻供暖经济负担,降低CO_(2)排放的有效方法。

基于庞大算例变量提取的办公建筑能耗预测方法及应用

模拟法应用专业软件,可准确计算动态能耗,但输入参数烦琐且建筑几何模型确定后往往无法更改;数据挖掘法计算速度快,适用条件多样,但是需要长时间历史数据进行训练,效果受样本数据限制.针对以上问题,提出一种基于庞大算例变量提取的办公建筑能耗预测模型,利用EnergyPlus建立批量典型建筑模型,调整建筑参数生成百万条数据作为训练数据集;采用LightGBM算法,筛选影响负荷的特征因素,构建负荷预测模型;结合EnergyPlus中空调设备能耗计算模型,应用python编译实现能耗预测,并在北京某办公建筑中进行应用和验证.结果表明,筛选的24维特征变量,可保证模型预测准确度在90%以上,逐日能耗的预测平均相对误差为8.27%.应用标准年气象参数计算全年建筑能耗,逐月平均相对误差为10.37%,建筑实际能耗指标为35.20 kW·h/(m2·a),预测能耗指标为36.25 kW·h/(m2·a),相对误差为2.98%.