基于客流量预测的公共建筑节能优化研究
发布时间：2021-08-02 14:02
随着智慧城市的进程加快,公共建筑在所有建筑中的能源消耗比不断增大。火车站候车厅作为客流量较大的一类特殊公共建筑,在实际运行过程中,由于候车厅人员具有密集性且变化较大的特点,使得空调系统在兼顾人员舒适性标准与建筑节能时较为困难。因此,对这类公共建筑展开节能优化具有很大的意义。另外,随着节能减排冰蓄冷技术的兴起,其更广泛地被应用到火车站建筑空调领域。在动态客流量的基础上,合理、准确地对火车站候车厅冷负荷进行模拟是优化该建筑冰蓄冷空调运行方式的前提。本课题以客流量变化的动态逐时冷负荷值为基础,能源利用率最高、运营成本最低为目标,对该类建筑的冰蓄冷空调优化展开研究,研究内容如下:首先,基于火车站候车厅的历史逐时数据,确定本课题采用的短期客流量预测算法—BP神经网络、ARIMA时间序列以及组合预测算法,经过对历史数据的预处理,设计出上述算法的各自参数值,并分别应用三种算法对历史客流数据展开预测。最终将三种算法预测结果与实际值对比分析,得出组合预测算法具有较高精准度的结论。其次,以预测出来的客流量数据为原型,对影响火车站候车厅空调负荷的不同因素展开定性、定量分析。采用基于Energy Plus软件...
【文章来源】：西安建筑科技大学陕西省
【文章页数】：86 页
【学位级别】：硕士
【部分图文】：
BP网络结构图
西安建筑科技大学硕士学位论文16如下图2.5（a）、（b）所示，分别为二阶差分和三阶差分后的时序图，可以观察得出二阶差分和三阶差分后的时序图大致走向一样，均在某个稳定值附近上下波动。（a）二阶差分时序图（b）三阶差分时序图图2.5差分时序图通过看图法观察，猜测二阶差分后时序应该为平稳性序列，为了验证猜测的准确性，继续采用ADF根检验方法，得出了在1%、5%、10%不同程度拒绝原假设的统计值均大于该测试值。因此，证实了经过二阶差分后数据序列变为平稳序列这一猜测，ARIMA算法中参数d取值为2。2.2.3算法参数设计（1）BP网络参数设计将上述归一化处理后的数据，选取比较稳定、规律的18天8:00-22:00时段每小时的数值进行训练，即训练样本设为252；其余4天的数值作为测试样本。其他网络参数设计如下：①输入层与输出层节点数：将输入层节点数设计为3，即以连续三小时的客流量数值作为网络的输入；输出层节点数设计为1，表示未来某一天下个时刻的客流量。②隐含层层数与节点数：减小误差可以从增加隐含层层数和增加节点个数出发，本算法采用具有两个隐含层的网络结构，每层的单元个数设置为4，传递函数为tansing，训练函数为traingdx。③学习速率和学习动量的确定：学习速率在选择时，一般选取适中的学习速率，本算法取初始学习速率为0.001，动量为0.9。④期望误差：期望误差值是指在网络的训练过程中，通过设定期望的网络算法误差值与实际的误差值对比，帮助判断算法是否训练得当。此算法经过多次训练对比，选取期望误差值为0.002，如下图2.6所示，在迭代600次后可以看出在该期望误差值的设定下，此算法具有较高的实用性。
西安建筑科技大学硕士学位论文16如下图2.5（a）、（b）所示，分别为二阶差分和三阶差分后的时序图，可以观察得出二阶差分和三阶差分后的时序图大致走向一样，均在某个稳定值附近上下波动。（a）二阶差分时序图（b）三阶差分时序图图2.5差分时序图通过看图法观察，猜测二阶差分后时序应该为平稳性序列，为了验证猜测的准确性，继续采用ADF根检验方法，得出了在1%、5%、10%不同程度拒绝原假设的统计值均大于该测试值。因此，证实了经过二阶差分后数据序列变为平稳序列这一猜测，ARIMA算法中参数d取值为2。2.2.3算法参数设计（1）BP网络参数设计将上述归一化处理后的数据，选取比较稳定、规律的18天8:00-22:00时段每小时的数值进行训练，即训练样本设为252；其余4天的数值作为测试样本。其他网络参数设计如下：①输入层与输出层节点数：将输入层节点数设计为3，即以连续三小时的客流量数值作为网络的输入；输出层节点数设计为1，表示未来某一天下个时刻的客流量。②隐含层层数与节点数：减小误差可以从增加隐含层层数和增加节点个数出发，本算法采用具有两个隐含层的网络结构，每层的单元个数设置为4，传递函数为tansing，训练函数为traingdx。③学习速率和学习动量的确定：学习速率在选择时，一般选取适中的学习速率，本算法取初始学习速率为0.001，动量为0.9。④期望误差：期望误差值是指在网络的训练过程中，通过设定期望的网络算法误差值与实际的误差值对比，帮助判断算法是否训练得当。此算法经过多次训练对比，选取期望误差值为0.002，如下图2.6所示，在迭代600次后可以看出在该期望误差值的设定下，此算法具有较高的实用性。
【参考文献】：
期刊论文
[1]2019中国建筑能耗研究报告[J]. 建筑. 2020(07)
[2]基于多目标遗传算法的LoRa参数匹配优化[J]. 王硕禾,刘旭,李苏晨,张国驹. 计算机工程与科学. 2020(03)
[3]冰蓄冷空调负荷预测的预估校正模型[J]. 李壮举,柴帅,栾茹. 计算机工程与设计. 2020(02)
[4]桂林某火车站候车室夏季热舒适研究[J]. 刘赛可,郑文亨. 制冷与空调(四川). 2019(06)
[5]面向配电网风电消纳的冰蓄冷空调系统多目标优化策略研究[J]. 何后裕,郭健翔,王永利. 电力系统保护与控制. 2019(23)
[6]某商场建筑空调系统的全工况模拟设计研究[J]. 简毅文,冯姗,李炎锋,张亚男. 暖通空调. 2019(11)
[7]基于EnergyPlus与CFD耦合的大空间建筑能耗分析[J]. 李展,卢纪富,李杨,曹守平,李志彬. 建筑节能. 2019(08)
[8]基于气象因子及机器学习回归算法的夏季空调负荷预测[J]. 田心如,蔡凝昊,张志薇. 气象科学. 2019(04)
[9]改进非支配排序精英遗传算法的篦冷机参数优化[J]. 赵志彪,刘浩然,刘彬,闻言. 控制与决策. 2020(05)
[10]基于NSGA-Ⅱ算法的高速铁路声屏障高度多目标优化[J]. 吴小萍,段贤伟,杜鹏程,戴圣兰,章智勇. 铁道科学与工程学报. 2019(06)
博士论文
[1]次日负荷模拟及其在地埋管热泵热补偿系统中的应用研究[D]. 王宽.湖南大学 2017
硕士论文
[1]基于深度学习的空气质量预测方法研究与实现[D]. 郭豪.北京邮电大学 2019
[2]面向风电低电压穿越的SMES-FCL控制策略与容量优化[D]. 谭逸雪.山西大学 2018
[3]西安某商城冰蓄冷空调负荷预测与多目标优化运行研究[D]. 郭晨露.西安建筑科技大学 2018
[4]候车厅大空间内环境的数值研究[D]. 顾瑞娜.山东科技大学 2018
[5]西安市某商场冬季室内热分层与空调热负荷的研究[D]. 李秋实.西安建筑科技大学 2017
[6]高炉热风炉空燃比优化研究[D]. 孙天涵.内蒙古科技大学 2015
[7]城市轨道交通客流统计特征分析及组合预测方法实证研究[D]. 何九冉.北京交通大学 2013
[8]遗传算法和BP神经网络在煤矿突水预测中的应用研究[D]. 乔育锋.西安建筑科技大学 2011
[9]基于动态规划的冰蓄冷空调系统的优化控制[D]. 罗启军.华中科技大学 2004
本文编号：3317691
【文章来源】：西安建筑科技大学陕西省
【文章页数】：86 页
【学位级别】：硕士
【部分图文】：
BP网络结构图
西安建筑科技大学硕士学位论文16如下图2.5（a）、（b）所示，分别为二阶差分和三阶差分后的时序图，可以观察得出二阶差分和三阶差分后的时序图大致走向一样，均在某个稳定值附近上下波动。（a）二阶差分时序图（b）三阶差分时序图图2.5差分时序图通过看图法观察，猜测二阶差分后时序应该为平稳性序列，为了验证猜测的准确性，继续采用ADF根检验方法，得出了在1%、5%、10%不同程度拒绝原假设的统计值均大于该测试值。因此，证实了经过二阶差分后数据序列变为平稳序列这一猜测，ARIMA算法中参数d取值为2。2.2.3算法参数设计（1）BP网络参数设计将上述归一化处理后的数据，选取比较稳定、规律的18天8:00-22:00时段每小时的数值进行训练，即训练样本设为252；其余4天的数值作为测试样本。其他网络参数设计如下：①输入层与输出层节点数：将输入层节点数设计为3，即以连续三小时的客流量数值作为网络的输入；输出层节点数设计为1，表示未来某一天下个时刻的客流量。②隐含层层数与节点数：减小误差可以从增加隐含层层数和增加节点个数出发，本算法采用具有两个隐含层的网络结构，每层的单元个数设置为4，传递函数为tansing，训练函数为traingdx。③学习速率和学习动量的确定：学习速率在选择时，一般选取适中的学习速率，本算法取初始学习速率为0.001，动量为0.9。④期望误差：期望误差值是指在网络的训练过程中，通过设定期望的网络算法误差值与实际的误差值对比，帮助判断算法是否训练得当。此算法经过多次训练对比，选取期望误差值为0.002，如下图2.6所示，在迭代600次后可以看出在该期望误差值的设定下，此算法具有较高的实用性。
西安建筑科技大学硕士学位论文16如下图2.5（a）、（b）所示，分别为二阶差分和三阶差分后的时序图，可以观察得出二阶差分和三阶差分后的时序图大致走向一样，均在某个稳定值附近上下波动。（a）二阶差分时序图（b）三阶差分时序图图2.5差分时序图通过看图法观察，猜测二阶差分后时序应该为平稳性序列，为了验证猜测的准确性，继续采用ADF根检验方法，得出了在1%、5%、10%不同程度拒绝原假设的统计值均大于该测试值。因此，证实了经过二阶差分后数据序列变为平稳序列这一猜测，ARIMA算法中参数d取值为2。2.2.3算法参数设计（1）BP网络参数设计将上述归一化处理后的数据，选取比较稳定、规律的18天8:00-22:00时段每小时的数值进行训练，即训练样本设为252；其余4天的数值作为测试样本。其他网络参数设计如下：①输入层与输出层节点数：将输入层节点数设计为3，即以连续三小时的客流量数值作为网络的输入；输出层节点数设计为1，表示未来某一天下个时刻的客流量。②隐含层层数与节点数：减小误差可以从增加隐含层层数和增加节点个数出发，本算法采用具有两个隐含层的网络结构，每层的单元个数设置为4，传递函数为tansing，训练函数为traingdx。③学习速率和学习动量的确定：学习速率在选择时，一般选取适中的学习速率，本算法取初始学习速率为0.001，动量为0.9。④期望误差：期望误差值是指在网络的训练过程中，通过设定期望的网络算法误差值与实际的误差值对比，帮助判断算法是否训练得当。此算法经过多次训练对比，选取期望误差值为0.002，如下图2.6所示，在迭代600次后可以看出在该期望误差值的设定下，此算法具有较高的实用性。
【参考文献】：
期刊论文
[1]2019中国建筑能耗研究报告[J]. 建筑. 2020(07)
[2]基于多目标遗传算法的LoRa参数匹配优化[J]. 王硕禾,刘旭,李苏晨,张国驹. 计算机工程与科学. 2020(03)
[3]冰蓄冷空调负荷预测的预估校正模型[J]. 李壮举,柴帅,栾茹. 计算机工程与设计. 2020(02)
[4]桂林某火车站候车室夏季热舒适研究[J]. 刘赛可,郑文亨. 制冷与空调(四川). 2019(06)
[5]面向配电网风电消纳的冰蓄冷空调系统多目标优化策略研究[J]. 何后裕,郭健翔,王永利. 电力系统保护与控制. 2019(23)
[6]某商场建筑空调系统的全工况模拟设计研究[J]. 简毅文,冯姗,李炎锋,张亚男. 暖通空调. 2019(11)
[7]基于EnergyPlus与CFD耦合的大空间建筑能耗分析[J]. 李展,卢纪富,李杨,曹守平,李志彬. 建筑节能. 2019(08)
[8]基于气象因子及机器学习回归算法的夏季空调负荷预测[J]. 田心如,蔡凝昊,张志薇. 气象科学. 2019(04)
[9]改进非支配排序精英遗传算法的篦冷机参数优化[J]. 赵志彪,刘浩然,刘彬,闻言. 控制与决策. 2020(05)
[10]基于NSGA-Ⅱ算法的高速铁路声屏障高度多目标优化[J]. 吴小萍,段贤伟,杜鹏程,戴圣兰,章智勇. 铁道科学与工程学报. 2019(06)
博士论文
[1]次日负荷模拟及其在地埋管热泵热补偿系统中的应用研究[D]. 王宽.湖南大学 2017
硕士论文
[1]基于深度学习的空气质量预测方法研究与实现[D]. 郭豪.北京邮电大学 2019
[2]面向风电低电压穿越的SMES-FCL控制策略与容量优化[D]. 谭逸雪.山西大学 2018
[3]西安某商城冰蓄冷空调负荷预测与多目标优化运行研究[D]. 郭晨露.西安建筑科技大学 2018
[4]候车厅大空间内环境的数值研究[D]. 顾瑞娜.山东科技大学 2018
[5]西安市某商场冬季室内热分层与空调热负荷的研究[D]. 李秋实.西安建筑科技大学 2017
[6]高炉热风炉空燃比优化研究[D]. 孙天涵.内蒙古科技大学 2015
[7]城市轨道交通客流统计特征分析及组合预测方法实证研究[D]. 何九冉.北京交通大学 2013
[8]遗传算法和BP神经网络在煤矿突水预测中的应用研究[D]. 乔育锋.西安建筑科技大学 2011
[9]基于动态规划的冰蓄冷空调系统的优化控制[D]. 罗启军.华中科技大学 2004
本文编号：3317691
本文链接：https://www.wllwen.com/jianzhugongchenglunwen/3317691.html
