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。

基于子空间辨识方法的建筑群热负荷预测研究

根据建筑热力模型和热负荷计算模型建立了状态空间模型,分别利用未指定状态变量和指定状态变量的子空间辨识方法构建了建筑群热负荷预测模型,并以哈尔滨市某小区换热站为例,验证和比较了2种方法的热负荷预测结果及训练策略和预测时长对预测精度的影响。结果表明:指定状态变量比未指定状态变量的子空间辨识方法的热负荷预测平均绝对百分比误差降低了10.00%;未指定状态变量的子空间辨识方法的中期预测效果优于短期预测,平均绝对百分比误差降低了13.34%。

基于EMD与机器学习算法的近零能耗建筑负荷预测方法

采用皮尔逊相关系数法分析了不同特征变量与冷热负荷的相关性,确定了预测模型的输入特征变量。采用经验模态分解(EMD)对逐日冷热负荷按频分解,然后采用机器学习算法,即反向传播神经网络(BPNN)、随机森林(RF)和支持向量机(SVM),分别对不同频率的负荷量进行了训练、验证,最后重构得到了近零能耗建筑预测负荷。基于上述方法,以北京市某近零能耗居住建筑为研究对象,比较了不同算法预测结果的精确度。结果表明:采用EMD与RF算法相结合对近零能耗建筑冷热负荷的预测精确度较高。进一步采用穷举搜索法对模型初设参数进行了优化,冷热负荷预测结果精确度提高,冷负荷预测结果的决定系数R2、平均绝对百分比误差MAPE分别为0.996、1.32%,热负荷预测结果的R2、MAPE分别为0.997、0.79%。

计及区域建筑群生长特性的动态冷热负荷预测

考虑区域建筑群的动态生长特性,结合负荷计算理论、灰色Verhulst模型及等维新息灰色理论,采用MATLAB构建完整的区域动态冷热负荷预测方法,以常州高铁新城2017—2022年的建筑面积为历史数据,对区域未来10年的冷热负荷进行预测.结果表明,采用基于等维新息灰色理论的Verhulst灰色模型建立的3种业态面积预测方程拟合精度均达到一级.高铁新城未来10年冷热负荷先快速增长后缓慢增长直至饱和,达到饱和的时间约为2030年,冷、热负荷饱和规模分别为436、228 MW,与采用面积指标法的计算结果(冷负荷为472 MW、热负荷为285 MW)相比,分别降低了约7.52%、19.86%.

计及用电行为模式的区域商业建筑负荷预测方法

为充分利用智能电表采集的细粒负荷数据并提高区域商业建筑负荷预测的精确度,提出一种基于用电行为模式的区域商业建筑负荷预测方法。首先,基于均值方差归一化方法对采集到的负荷数据进行标准化处理,通过肘方法确定聚类数目后进行k-Shape聚类,实现区域商业建筑负荷不同用电行为模式的提取;其次,针对大规模商业建筑负荷预测问题,考虑区域内大量商业建筑负荷预测时耗费大量内存资源却难以实现较准确预测问题,提出一种改进的Informer模型,该模型通过聚类算法识别具有相似用电行为模式的商业建筑,并充分考虑智能电表采集的异常负荷数据对模型训练结果的影响,能够良好的解决大规模商业建筑负荷预测精度不高问题;最后,采用加利福尼亚州商业建筑负荷进行实验,实验结果表明所提方法能够有效提高区域商业建筑负荷预测精度。

低碳住宅建筑日用电负荷多指标自适应预测

考虑负荷数据具有差异性、周期性、波动性、多变性,极易受到周期性负荷、节假日效应与气象因素3个指标对负荷的影响,设计低碳住宅建筑日用电负荷多指标自适应预测模型。利用模糊C-均值聚类算法,聚类处理周期性负荷、节假日效应、气象因素3个指标的历史数据;通过结合长短期记忆与门控循环单元,组建多层双向递归神经网络模型;利用灰狼算法优化网络模型参数,建立成熟的日用电负荷多指标自适应预测模型;在成熟的模型内输入3个指标的特征数据,输出日用电负荷预测结果。实验证明:该模型可有效聚类历史数据,获取多指标特征数据;该模型可精准自适应预测低碳住宅建筑日用电负荷;应用该模型后,可提升负荷率与碳减排效益。

公共建筑空调负荷的自适应滑窗LSTM预测方法

针对空调负荷受天气条件和日历信息等多维因素影响,难以充分挖掘空调负荷数据的时间序列特征,导致预测精度低的问题,提出一种基于自适应滑窗的长短期记忆递归神经网络(LSTM)的公共建筑空调负荷预测模型。首先分析了公共建筑空调负荷的影响因素;同时针对传统的时间序列预测模型在处理非平稳数据时效果不佳的问题,创新性地引入了自适应滑动窗口机制,能够动态调整滑窗大小,更好地捕捉温度和历史空调负荷数据的变化特征,提高了数据预处理的有效性;进一步根据空调负荷变化的复杂性和长短期依赖性原因,设计多层LSTM网络架构,实现公共建筑空调负荷准确预测。以某区域负荷数据为例,验证了所提模型在选择合适的滑动窗口数量时,拟合能力更高,预测效果更好。

人工神经元网络和径向基网络模型预测建筑冷热负荷的研究

采用人工神经元网络(ANN)和径向基网络(RBF)模型预测了建筑冷热负荷,判断了影响建筑能耗的显著因素。通过对ANN和RBF模型隐含层神经元数量进行优化,发现8-65-1和8-97-1结构的ANN模型预测建筑热、冷负荷与数据集中的结果比较吻合,相关系数(R^(2))分别为0.962、0.953;8-28-1和8-6-1结构的RBF模型预测的结果更加吻合,R^(2)达到了0.985、0.997。RBF模型的预测精度要优于ANN模型,RBF模型预测热、冷负荷与数据集结果的R^(2)分别为0.989、0.992,而ANN的R^(2)分别为0.972、0.967。采用敏感性分析发现,影响建筑冷热负荷的8个参数中表面积的影响最显著,其次是墙面积、屋顶面积和玻璃面积,而玻璃面积分布及相对密实度的影响最不显著。

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。

基于人工智能的建筑电力负荷预测与优化控制方法研究

随着全球对能源需求的不断增长以及对环境保护的日益重视,有效管理建筑电力系统已经成为当前科研工作的焦点之一,在这一背景下人工智能技术,尤其是机器学习和深度学习,被视为开发精确预测建筑电力负荷和实施能源优化控制的先进手段,这些技术不仅能够提升电力使用的效率还有助于减少整体的能源消耗,从而为实现社会的可持续发展目标做出贡献,详细探讨了利用人工智能构建的建筑电力负荷预测模型及其优化控制策略,展示了这些方法在提高能源利用效率和降低运营成本方面的潜力,通过这些先进的技术手段旨在为建筑电力系统的高效管理提供科学的解决策略,推动能源行业向更加环保、经济的方向发展。

基于LS-SVM的建筑工程设计阶段造价预测研究

建筑工程设计阶段的概预算对工程全生命周期造价的影响是至关重要的,有必要对其进行单独的研究分析。针对传统方法预测精度低和样本需求量大等缺陷,根据工程项目造价构成的特点,提取出13个典型特征指标作为输入集建造基于最小二乘支持向量机的预测模型。最后,通过实际工程案例进行验证,采用Matlab工具箱对工程造价进行仿真实验,并将结果与其他造价预测方法相对比,证实了其有效性。

基于多阶段注意力机制的建筑空调负荷预测方法

建筑空调负荷预测对于提升建筑用电负荷和区域配电网电力负荷预测的准确性具有重要意义。为了提高建筑空调负荷预测的准确性,提出一种基于多阶段注意力机制的建筑空调负荷预测方法。首先,构建影响因素注意力模块,以充分考虑不同影响因素对于建筑空调负荷预测的重要性差异;然后,采用长短期记忆神经网络模型提取各个时刻影响因素的隐含特征;最后,构建时间注意力模块,将不同时刻的影响因素隐含特征根据建筑空调负荷预测的重要性加以区分,以求得最终的空调负荷预测结果。算例结果表明,影响因素注意力模块和时间注意力模块的构建,都有利于提高模型对建筑空调负荷的拟合能力,从而有效提升建筑空调负荷预测的准确性。

基于ARIMA-GM改进算法的建筑负荷预测

为降低空调能耗,实现2035年的双碳目标,应对建筑负荷的线性和非线性组合特性,提出了一种包含残差修正的ARIMA-GM组合模型对建筑负荷进行预测。利用Designbuilder在南京典型气象年下输出全年负荷结果,对数据进行筛选,进而用ARIMA模型对数据进行识别和拟合,对其残差子序列运用新陈代谢GM(1,1)改进模型进行修正。通过对南京市某楼宇的预测效果分析验证,所提方法能够提高楼宇负荷预测精度。

寒冷地区公共建筑供暖空调负荷预测

分析公共建筑空调负荷的影响因素,利用DeST模拟软件对大连某公共建筑进行建筑负荷模拟,分析含湿量、干球温度、太阳散射辐射强度、太阳直射辐射强度与建筑空调热负荷之间的关系。利用SPSS软件对4个因素进行多元回归预测分析,建立供暖空调负荷预测回归方程,预测结果可以展现公共建筑在供暖季内的逐日负荷变化趋势,为建筑的空调负荷计算提供便捷的计算方法。

基于粗糙集和PSO-Elman的商业建筑空调冷负荷预测

为了精确预测商业建筑空调的冷负荷,建立基于粗糙集和PSO-Elman神经网络的预测模型。首先利用粗糙集对空调冷负荷的影响因子进行属性约简,然后应用粒子群算法优化Elman神经网络的权值和阈值,建立PSO-Elman商业建筑空调冷负荷的预测模型。采集桂林某商业建筑的空调数据和气象参数验证PSO-Elman预测模型的预测性能,并将该模型的预测结果与Elman预测模型的预测结果进行对比分析。研究结果表明,PSO-Elman预测模型的预测精度高于Elman预测模型,PSO-Elman预测模型预测结果的平均绝对相对误差、均方根相对误差、均方根误差和平均绝对误差分别为4.87%,6.15%,423.71和335.86,与Elman预测模型的预测结果相比,这些误差参数分别降低了2.46%,2.46%,169.65和156.57。由此可知,PSO-Elman预测模型能够精确有效地预测商业建筑空调的冷负荷。

大型公共建筑暖通空调系统设计探讨

本文探讨了大型公共建筑暖通空调系统设计要点,强调了建筑物负荷预测与分析、系统选型与配置、智能控制策略和维护管理优化的重要性。论述了各设计环节的专业技术内容和技术数据,阐述了通过楼宇自动化系统和能源管理系统的高效整合,实现暖通空调系统的高效运行和舒适度的提升。旨在为相关行业人士提供系统设计参考,推进行业发展和实现绿色建筑目标。

基于属性特征的区域建筑冷热电负荷需求预测

电力、供热和制冷负荷预测是区域建筑能源系统规划设计和运行管理的重要基础。基于热关联度(Storage)、可关停度(Response)、可交易度(Trading)三个维度描述冷、热、电负荷属性特征,则区域建筑的冷、热、电负荷可通过与其属性相匹配的尖值转移、时间转移以及空间转移等措施进行满足,可为区域建筑能源系统规划方案的制定和系统建成后的高效运行提供理论依据和分析计算基础,从而有效降低能源资源浪费。

规划阶段建筑群冷热负荷预测方法研究

为了准确地预测规划区域建筑时间和空间上负荷动态特性,本文回顾了区域冷热负荷预测方法研究进展,梳理了区域建筑负荷的典型影响因素,比较了各种负荷预测方法的优缺点,重点剖析了基于Bayesian理论回归统计负荷预测模型、负荷因子法模型和BP网络神经模型的构建过程。针对不同规划阶段能源规划方案,开展了区域负荷预测方法适用性分析。

应用人工神经网络预测建筑物空调负荷

用VB编制了人工神经网络的通用BP算法程序。根据西安参考年气象参数 ,采用动态模拟程序计算了某办公楼 4月至 9月逐时冷负荷 ,结果显示利用神经网络的预测值与计算值吻合。

基于蒙特卡罗模拟的区域建筑冷负荷预测模型

针对目前区域能源规划时单体建筑的参数不完备、无法用常规负荷计算软件对区域内各单体建筑进行负荷预测等难题,提出基于蒙特卡罗的区域建筑冷负荷预测方法。该方法首先建立适用于区域建筑群的冷负荷预测随机模型,并确定随机模型的风险变量分布特征,然后借助于蒙特卡罗随机模拟方法获得区域内各类建筑以及整个区域建筑群的峰值冷负荷概率分布和全年平均逐时冷负荷。同时利用实际应用场景相关参数模拟区域建筑群的冷负荷特性。仿真结果表明:区域建筑群冷负荷预测随机模型可以有效地计算区域内峰值冷负荷的频数分布和累积概率,在典型应用场景下,区域峰值冷负荷均值为60.9 MW,标准差为5.5。本研究有助于实现决策风险控制和成本控制,并将为区域能源规划提供一种可行的设计思路和方法。