基于LSTM神经网络的办公建筑逐日能耗预测研究

基于LSTM神经网络建立了办公建筑能耗预测模型,通过引入Adam梯度优化算法自适应地调整学习率,使用2020年-2022年上海某办公建筑运营参数和气象参数和能耗数据进行办公建筑逐日能耗预测模型训练,模型的相对误差平均值仅为4.73%,与其他常用于建筑能耗预测的神经网络算法相比具有较好的准确度。为进一步验证模型的可靠性,避免预测结果断崖式下跌,采用了一段非训练集数据对模型的预测误差进行校核,通过输入2023年1月至7月的建筑运营参数和气象参数,对建筑长期能耗预测。实验结果表明,该模型在长期能耗预测中的误差仅为4.26%,可以较为准确地学习序列中的模式和趋势,为办公建筑能耗预测和运营管理提供了实际应用价值。

基于LSTM神经网络模拟的陇中黄土高原沟壑区保护性耕作下土壤贮水量变化

为分析陇中黄土高原沟壑区不同保护性耕作措施的贮水效果,本研究利用春小麦/豌豆(W/P)、豌豆/春小麦(P/W)轮作的长期定位试验,分别设置传统耕作(T)、免耕(NT)、传统耕作秸秆覆盖(TS)和免耕覆盖(NTS)4种耕作措施,以当地月平均气温、月降水量、月平均辐射量、月平均蒸发量、月作物耗水量为输入因子,以月土壤贮水量为输出,建立基于长短期记忆(Long Short-Term Memory,LSTM)神经网络的土壤贮水量预测模型,并对该模型的有效性进行评估。研究结果表明:1)基于LSTM神经网络建立的土壤贮水量模型对陇中黄土高原沟壑区保护性耕作下土壤贮水量预测具有较好的适用性,模型模拟结果的平均均方根误差为7.76mm,平均绝对误差为6.95mm,相对误差控制在5%^+5%的范围内。2)P/W轮作序列中各处理的土壤贮水量均比W/P轮作序列增加1.09%~1.43%。3)不同轮作序列,NTS处理的贮水效果均优于其他3种耕作措施,在W/P轮作序列中,NTS处理的年均土壤贮水量比T、NT和TS分别增加2.89%、1.70%和2.46%;在P/W轮作序列中,NTS处理的年均土壤贮水量比T、NT和TS分别增加3.03%、1.91%和2.57%。4)不同降水年型,NTS处理的土壤贮水量最高,且干旱年效果更加显著,其中丰水年NTS处理的土壤贮水量比T、NT和TS平均增加2.71%、1.48%和2.19%,而干旱年平均增加3.97%、2.54%和3.64%。5)保护性耕作措施的贮水效果随季节发生变化,作物生长前期(3—5月)保护性耕作措施的贮水优势较为明显,进入作物生长旺盛期(5—6月)保护性耕作措施与传统耕作的贮水效果差异不显著,而作物生长后期(7月)保护性耕作措施较传统耕作土壤贮水量明显增加。基于LSTM神经网络模拟环境下免耕覆盖的贮水保墒效果最好,为陇中黄土高原沟壑区最适宜的保护性耕作措施。