基于Elman網(wǎng)絡(luò)的空調(diào)預(yù)冷時(shí)間的預(yù)測(cè)

為了更準(zhǔn)確地進(jìn)行空調(diào)系統(tǒng)負(fù)荷的預(yù)測(cè),應(yīng)用了在處理序列輸入輸出數(shù)據(jù)具有優(yōu)越性的el-man回歸神經(jīng)網(wǎng)絡(luò)建立負(fù)荷預(yù)測(cè)模型,并用2003年7月份的統(tǒng)計(jì)數(shù)據(jù)進(jìn)行檢測(cè)。同時(shí)也應(yīng)用了基于bp算法的靜態(tài)前饋神經(jīng)網(wǎng)絡(luò)進(jìn)行建模和檢測(cè),比較兩種檢測(cè)結(jié)果,證明了elman網(wǎng)絡(luò)在動(dòng)態(tài)預(yù)測(cè)實(shí)驗(yàn)中與bp網(wǎng)絡(luò)相比較的優(yōu)勢(shì)。

從空調(diào)負(fù)荷預(yù)測(cè)的目的出發(fā),詳細(xì)介紹了一種基于神經(jīng)網(wǎng)絡(luò)的混沌優(yōu)化方法,對(duì)誤差函數(shù)及搜索方法作了適當(dāng)?shù)母倪M(jìn),建立了一個(gè)混沌神經(jīng)網(wǎng)絡(luò)模型。并用此改進(jìn)的模型對(duì)一實(shí)例進(jìn)行了空調(diào)負(fù)荷預(yù)測(cè),結(jié)果表明該方法簡(jiǎn)便、足夠準(zhǔn)確可靠。

電力系統(tǒng)負(fù)荷預(yù)測(cè)是電力生產(chǎn)部門的重要工作之一,其負(fù)荷變化具有明顯的周期性,文章采用elman神經(jīng)網(wǎng)絡(luò)與bp神經(jīng)網(wǎng)絡(luò)建立模型,提出了一種基于神經(jīng)網(wǎng)絡(luò)的負(fù)荷預(yù)測(cè)方法。對(duì)某電網(wǎng)實(shí)際歷史數(shù)據(jù)進(jìn)行仿真預(yù)測(cè),經(jīng)研究發(fā)現(xiàn),elman模型具有收斂速度快、預(yù)測(cè)精度高的特點(diǎn),同時(shí)表明利用elman回歸神經(jīng)網(wǎng)絡(luò)建模對(duì)某電網(wǎng)負(fù)荷進(jìn)行預(yù)測(cè)是完全可行的,在負(fù)荷預(yù)測(cè)領(lǐng)域有著較好的應(yīng)用前景。

基于神經(jīng)網(wǎng)絡(luò)的時(shí)間序列預(yù)測(cè)方法,需要正確確定網(wǎng)絡(luò)結(jié)構(gòu),它關(guān)系到所建模型的合理性以及預(yù)測(cè)的準(zhǔn)確性。目前確定網(wǎng)絡(luò)結(jié)構(gòu)的絕大多數(shù)方法,其網(wǎng)絡(luò)結(jié)構(gòu)一經(jīng)訓(xùn)練確定便保持不變。然而現(xiàn)實(shí)中許多時(shí)間序列呈現(xiàn)非平穩(wěn)性,其結(jié)構(gòu)經(jīng)常發(fā)生變化,這就要求網(wǎng)絡(luò)結(jié)構(gòu)能夠動(dòng)態(tài)可調(diào),因此本文提出結(jié)構(gòu)可變的徑向基函數(shù)(rbf)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型。并采用序列蒙特卡羅(smc)方法實(shí)現(xiàn)基于結(jié)構(gòu)可變r(jià)bf網(wǎng)絡(luò)的時(shí)間序列在線預(yù)測(cè);最后采用cru鋼鐵價(jià)格指數(shù)月數(shù)據(jù)進(jìn)行實(shí)證研究,結(jié)果表明該模型的有效性。

為了解決bp神經(jīng)網(wǎng)絡(luò)在短期電力負(fù)荷預(yù)測(cè)中存在局部極小、收斂速度慢等問題，本文采用粒子群算法（particleswarmoptimization，pso）優(yōu)化elman動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)進(jìn)行精準(zhǔn)預(yù)測(cè)。根據(jù)輸入輸出參數(shù)個(gè)數(shù)確定elman神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，利用pso算法優(yōu)化網(wǎng)絡(luò)的權(quán)值和閾值，并將優(yōu)化后的最優(yōu)個(gè)體賦給elman動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)作為初始權(quán)值、閾值進(jìn)行網(wǎng)絡(luò)訓(xùn)練，從而建立基于pso-elman的電力負(fù)荷預(yù)測(cè)模型。采用某鋼廠實(shí)測(cè)電力數(shù)據(jù)對(duì)該方法和模型進(jìn)行驗(yàn)證，并與傳統(tǒng)的bp、elman網(wǎng)絡(luò)模型預(yù)測(cè)方法進(jìn)行對(duì)比，結(jié)果表明該方法和模型在有效縮短網(wǎng)絡(luò)收斂時(shí)間的同時(shí)，具備更高的負(fù)荷預(yù)測(cè)精度和穩(wěn)定性。

徽派建筑是我國四大古建筑流派之一,木構(gòu)件是徽派建筑的核心.準(zhǔn)確預(yù)測(cè)徽派木構(gòu)件的壽命,對(duì)于古建筑的保護(hù)具有重要的意義.目前系統(tǒng)考慮多種因素對(duì)木構(gòu)件壽命共同影響的研究較少,elman神經(jīng)網(wǎng)絡(luò)是一種典型的多層動(dòng)態(tài)遞歸神經(jīng)網(wǎng)絡(luò),通過存儲(chǔ)內(nèi)部狀態(tài)使其具備映射動(dòng)態(tài)特性的功能,從而使系統(tǒng)具有適應(yīng)時(shí)變特性的能力,可用于預(yù)測(cè)木構(gòu)件復(fù)雜的非線性時(shí)變系統(tǒng)的建模.針對(duì)基本的elman神經(jīng)網(wǎng)絡(luò)存在訓(xùn)練速度慢、容易陷入局部極小值的特點(diǎn),使用帶有自適應(yīng)變異算子的粒子群優(yōu)化算法對(duì)基本的elman神經(jīng)網(wǎng)絡(luò)進(jìn)行改進(jìn),優(yōu)化網(wǎng)絡(luò)中各層之間的連接權(quán)值,提高學(xué)習(xí)速度,并在全局范圍內(nèi)尋找最優(yōu)解.仿真結(jié)果表明,改進(jìn)后的網(wǎng)絡(luò)能較準(zhǔn)確地?cái)M合訓(xùn)練值,并進(jìn)行有效預(yù)測(cè),能夠較好應(yīng)用于徽派古建筑壽命預(yù)測(cè).

為提高空調(diào)冷負(fù)荷預(yù)測(cè)精度,本文提出了基于pso-bp算法的神經(jīng)網(wǎng)絡(luò)模型。將pso算法與bp神經(jīng)網(wǎng)絡(luò)相結(jié)合,對(duì)大型商場(chǎng)的空調(diào)樣本數(shù)據(jù)進(jìn)行冷負(fù)荷預(yù)測(cè)實(shí)驗(yàn)。結(jié)果表明,與bp神經(jīng)預(yù)測(cè)算法相比,該算法的預(yù)測(cè)精度更高,運(yùn)行速度更快。

基于神經(jīng)網(wǎng)絡(luò)的空調(diào)負(fù)荷實(shí)時(shí)預(yù)測(cè)模型——文章針對(duì)暖通空調(diào)系統(tǒng)優(yōu)化和預(yù)測(cè)控制，研究了利用神經(jīng)網(wǎng)絡(luò)進(jìn)行空調(diào)負(fù)荷預(yù)測(cè)的方法。

基于小波變換的思想建立了遞歸bp網(wǎng)絡(luò)模型來預(yù)測(cè)空調(diào)負(fù)荷,改進(jìn)了網(wǎng)絡(luò)權(quán)值、閾值的修改算法,引入了折扣系數(shù)法以提高近期預(yù)測(cè)精度,結(jié)合一實(shí)例進(jìn)行了空調(diào)逐時(shí)冷負(fù)荷預(yù)測(cè),結(jié)果表明該方法預(yù)測(cè)精度高,適用于空調(diào)負(fù)荷預(yù)測(cè)。

文章以中央空調(diào)系統(tǒng)為對(duì)象,采用神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)控制算法來實(shí)現(xiàn)溫度控制,在單片機(jī)控制器上實(shí)現(xiàn)編程,并通過實(shí)時(shí)仿真驗(yàn)證控制算法的實(shí)用性,得到接近實(shí)際情況的仿真結(jié)果。

變風(fēng)量(vav)空調(diào)系統(tǒng)具有節(jié)能、空氣品質(zhì)高的特點(diǎn),應(yīng)用前景廣闊,本文介紹了變風(fēng)量空調(diào)系統(tǒng)的基本原理。結(jié)合變風(fēng)量空調(diào)系統(tǒng)的特點(diǎn),在基于被控房間數(shù)學(xué)模型的基礎(chǔ)上,將小波神經(jīng)網(wǎng)絡(luò)應(yīng)用于變風(fēng)量空調(diào)室溫控制中。研究vav空調(diào)的控制技術(shù)以提高其系統(tǒng)性能。

以凸輪式高速形變?cè)囼?yàn)機(jī)得到的實(shí)驗(yàn)數(shù)據(jù)為基礎(chǔ),利用matlab人工神經(jīng)網(wǎng)絡(luò)工具箱,建立了合金工具鋼的變形抗力與其化學(xué)成分、變形溫度、變形程度及變形速度對(duì)應(yīng)關(guān)系的elman神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型。與bp網(wǎng)絡(luò)模型相比,elman神經(jīng)網(wǎng)絡(luò)模型有較好的預(yù)測(cè)精度。

本文針對(duì)bp模型收斂速度慢、易陷入局部極小點(diǎn)等缺點(diǎn),基于遺傳算法的思想,對(duì)訓(xùn)練算法進(jìn)行了改進(jìn),提高了收斂速度和預(yù)測(cè)精度。應(yīng)用表明這種改進(jìn)模型在空調(diào)系統(tǒng)的負(fù)荷預(yù)測(cè)方面是有效的、可行的。

對(duì)比分析了壓力相關(guān)型和壓力無關(guān)型變風(fēng)量空調(diào)末端室溫控制原理,闡述了壓力相關(guān)型末端室溫預(yù)測(cè)控制的研究意義。描述了時(shí)滯系統(tǒng)周期性預(yù)測(cè)控制基本原理,提出了基于elman網(wǎng)絡(luò)多步預(yù)測(cè)模型的室溫預(yù)測(cè)控制方法。試驗(yàn)研究結(jié)果顯示:在滿足末端負(fù)荷需求的前提下,提出的基于壓力相關(guān)型末端的室溫預(yù)測(cè)控制方法改變了變風(fēng)量末端的調(diào)節(jié)方式,有利于提高變風(fēng)量空調(diào)系統(tǒng)室溫控制回路的穩(wěn)定性。

基于elman經(jīng)網(wǎng)絡(luò)的深基坑變形智能監(jiān)測(cè)——elman神經(jīng)網(wǎng)絡(luò)是一種典型的動(dòng)態(tài)遞歸神經(jīng)網(wǎng)絡(luò)，它既可以學(xué)習(xí)空域模式，又可以學(xué)習(xí)時(shí)域模式，能使訓(xùn)練好的網(wǎng)絡(luò)具有非線性和動(dòng)態(tài)特性。文章采用11輸入單元和1個(gè)輸出單元的elman神經(jīng)網(wǎng)絡(luò)。利用matlab提供的神經(jīng)網(wǎng)絡(luò)工具箱編...

變風(fēng)量空調(diào)控制系統(tǒng)具有非線性和動(dòng)態(tài)特性。目前,在vav空調(diào)控制領(lǐng)域應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)是靜態(tài)前饋bp神經(jīng)網(wǎng)絡(luò),而在多層前向bp網(wǎng)絡(luò)中引入特殊關(guān)聯(lián)層,形成有"記憶"能力的elman神經(jīng)網(wǎng)絡(luò),可以映射系統(tǒng)的非線性和動(dòng)態(tài)特性。其在網(wǎng)絡(luò)訓(xùn)練算法中,采用自適應(yīng)學(xué)習(xí)速率梯度下降反向傳播算法,顯著提高了網(wǎng)絡(luò)的訓(xùn)練速率,有效抑制了網(wǎng)絡(luò)陷入局部最小點(diǎn)。文中分別采用bp神經(jīng)網(wǎng)絡(luò)與elman神經(jīng)網(wǎng)絡(luò)建立模型,對(duì)vav空調(diào)系統(tǒng)的少量參數(shù)的數(shù)據(jù)進(jìn)行仿真預(yù)測(cè),經(jīng)比較分析,證明后者具有收斂速度快、預(yù)測(cè)精度高的特點(diǎn)。

針對(duì)一些大型場(chǎng)所空調(diào)離散安裝,且使用無規(guī)律的電能浪費(fèi)問題,提出組態(tài)基于網(wǎng)絡(luò)的空調(diào)程控系統(tǒng)。其中包括空調(diào)程控系統(tǒng)構(gòu)架方案和控制終端成型設(shè)計(jì),采用了實(shí)地建模多處取點(diǎn)試驗(yàn)的方法進(jìn)行反復(fù)測(cè)試。結(jié)果表明實(shí)現(xiàn)了穩(wěn)定可靠的系統(tǒng)控制和實(shí)時(shí)高效的系統(tǒng)管理,具有實(shí)用價(jià)值和推廣價(jià)值。

基于空調(diào)負(fù)荷預(yù)測(cè)的優(yōu)化控制是解決冰蓄冷控制問題的理想途徑。本文在分析國際建筑物空調(diào)負(fù)荷預(yù)測(cè)競(jìng)賽研究成果的基礎(chǔ)上指出,利用季節(jié)性時(shí)間序列模型建模預(yù)測(cè)精度較高,且工程實(shí)施簡(jiǎn)便,特別適合于空調(diào)系統(tǒng)連續(xù)運(yùn)行、負(fù)荷波動(dòng)規(guī)律性較強(qiáng)的建筑物負(fù)荷預(yù)測(cè)。本文概要介紹利用季節(jié)性時(shí)間序列模型進(jìn)行建模預(yù)測(cè)的理論和方法,并通過工程實(shí)例驗(yàn)證了建模方法的有效性。

在hcmac神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上提出一種新的基于聚類的hcmac神經(jīng)網(wǎng)絡(luò)算法用于空調(diào)系統(tǒng)最優(yōu)啟停時(shí)間預(yù)測(cè)模型的建立,以室外環(huán)境溫度和室內(nèi)環(huán)境溫度為輸入?yún)?shù),通過基于聚類的hcmac神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型得到空調(diào)系統(tǒng)的最優(yōu)啟停時(shí)間,用于指導(dǎo)空調(diào)系統(tǒng)的運(yùn)行,以期實(shí)現(xiàn)在滿足用戶熱舒適的條件下,實(shí)現(xiàn)最大限度的節(jié)能。與hcmac算法比較,本文的算法可以大大降低神經(jīng)網(wǎng)絡(luò)節(jié)點(diǎn)數(shù),并提高預(yù)測(cè)精度。實(shí)驗(yàn)結(jié)果證明了該算法的有效性。

在分析比較各種負(fù)荷預(yù)測(cè)方法的基礎(chǔ)上,給出了一個(gè)基于互聯(lián)網(wǎng)的應(yīng)用神經(jīng)網(wǎng)絡(luò)方法進(jìn)行負(fù)荷預(yù)測(cè)的方案。該方法通過互聯(lián)網(wǎng)以“準(zhǔn)在線”的方式可同時(shí)滿足較高的逐時(shí)負(fù)荷預(yù)測(cè)精度和模型調(diào)整的要求,并已在實(shí)際工程中使用,取得了一定的效果。

本文提出一種人工神經(jīng)網(wǎng)絡(luò)（ａｎｎ）方法，確定暖通空調(diào)（ｈｖａｃ）系統(tǒng)對(duì)控制信號(hào)響應(yīng)的時(shí)間遲延，在研究中選用了四層網(wǎng)絡(luò)。在網(wǎng)絡(luò)學(xué)習(xí)過程中采用了一種加速方法，以改善梯度下降法。對(duì)制熱和制冷兩種工作方式的實(shí)驗(yàn)數(shù)據(jù)，采用ａｎｎ和傳統(tǒng)算法兩種方法確定時(shí)間遲延，并進(jìn)行比較。結(jié)果表明ａｎｎ可以有效地用于確定ｈｖａｃ系統(tǒng)的時(shí)間遲延。

準(zhǔn)確預(yù)測(cè)空調(diào)負(fù)荷不僅對(duì)蓄能空調(diào)高效運(yùn)行意義重大,而且也是冷熱電三聯(lián)產(chǎn)技術(shù)發(fā)揮優(yōu)勢(shì)的關(guān)鍵所在。本文提出一種小波網(wǎng)絡(luò)應(yīng)用于空調(diào)負(fù)荷的預(yù)測(cè)模型,通過小波分解,把空調(diào)負(fù)荷序列分解為不同頻段的小波系數(shù)序列,再將各層的小波系數(shù)子序列重構(gòu)到原尺度上,然后對(duì)小波系數(shù)序列采用相匹配的bp神經(jīng)網(wǎng)絡(luò)模型進(jìn)行預(yù)測(cè),最后合成空調(diào)負(fù)荷序列的最終預(yù)測(cè)結(jié)果。該預(yù)測(cè)模型中的低頻小波系數(shù)a3和中頻小波系數(shù)d3的神經(jīng)網(wǎng)絡(luò)輸入變量為前1天小波系數(shù)值和對(duì)應(yīng)時(shí)刻的溫度、相對(duì)濕度、風(fēng)速、總輻射量、天氣狀況和星期幾編碼共7個(gè)因子,并采用主成分分析法進(jìn)行輸入變量的降維;高頻小波系數(shù)d2和d1以前幾日的小波系數(shù)為輸入因子。經(jīng)過對(duì)西安市某綜合樓的空調(diào)負(fù)荷進(jìn)行預(yù)測(cè),證明了預(yù)測(cè)值和實(shí)際運(yùn)行值擬和很好,相對(duì)誤差為-10%~8%。該預(yù)測(cè)模型具有預(yù)測(cè)精度較高、推廣能力較強(qiáng)及計(jì)算速度較快的優(yōu)點(diǎn)。