数据驱动的建筑电能耗预测方法研究

发布时间：2017-09-03 08:22

  本文关键词：数据驱动的建筑电能耗预测方法研究

  更多相关文章： 建筑电能耗预测 群智能 微粒群算法 遗传算法 人工神经网络 主成分分析

【摘要】：建筑能量系统是一类多变量、分布式参数的复杂系统。准确预测建筑能量消耗水平是分析建筑物的节能潜力、指导未来能源使用的重要基础和前提。同时,对于提高建筑能耗设备的使用效率、减少能源浪费具有重要现实意义。目前,应用先进优化算法实现建筑能量预测引起了诸多关注。本文针对既有建筑,运用多种群智能优化算法,围绕数据驱动的建筑电能耗预测方法展开研究。具体研究内容包括:(1)作为典型的数据驱动建模方法,人工神经网络(ANN)在过去20多年间被广泛应用于建筑能量预测领域。本文验证了基于BP神经网络的建筑能耗预测模型,在数据预处理过程中,采用基于主成分分析法(PCA)的变量选择方法对ASHRAE提供的建筑能耗原始数据进行变量筛选。仿真实验结果表明该模型能够准确的预测建筑能耗,且建模时间较短。(2)为了克服BP神经网络在学习过程中易陷入局部极值、收敛速度慢的缺陷,引入群智能算法中应用较多的微粒群算法(PSO)和遗传算法(GA)优化BP神经网络各处理层之间的连接权值和阈值,构建了PSO-ANN和GA-ANN两种建筑电能耗预测模型。利用ASHRAE公布的建筑能耗数据进行验证实验,并做对比分析研究。结果表明PSO-ANN在预测精度、建模时间及算法复杂度上均优于GA-ANN模型,体现了该模型的优越性。(3)针对基本PSO算法易早熟收敛和寻优速度慢的问题,本文提出了一种改进的PSO算法,该算法结合了生物界繁殖和遗传变异机制。繁殖机制可以有效的保证种群微粒更好地搜索解空间,并且能加快种群收敛速度;遗传变异机制用来扰乱种群微粒的寻优轨迹,从而在可行解空间中克服易陷入局部最优解的现象。基准测试函数计算结果表明iPSO具有较强的全局搜索能力和较快的收敛速度。本文运用该算法优化BP神经网络的连接权值和阈值,构建了iPSO-ANN建筑电能耗预测模型。仿真实验结果证明了该模型的有效性:平均建模时间不超过10秒钟,预测精度比单一BP神经网络提高了22.7%。(4)利用所提出的iPSO-ANN模型预测某高校图书馆建筑的逐时电力能耗。建筑电力能耗数据来源于校园能耗监测系统的WEB平台,相关的气象数据来源于当地气象局的官方信息。仿真实验结果表明iPSO-ANN模型的预测精度和建模时间均满足建筑短期能耗在线预测的要求,可以替代PSO-ANN、GA-ANN及ANN模型实现建筑能耗的在线预测。
【关键词】：建筑电能耗预测 群智能 微粒群算法 遗传算法 人工神经网络 主成分分析
【学位授予单位】：江苏大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TU85;TU111.195
【目录】：

• 摘要4-6
• ABSTRACT6-10
• 第一章 绪论10-25
• 1.1 课题研究背景及意义10-12
• 1.1.1 国际能源现状10-11
• 1.1.2 我国建筑能耗现状11-12
• 1.2 国内外建筑能耗预测方法研究现状12-17
• 1.2.1 前向法12-15
• 1.2.2 逆向法15-17
• 1.3 基于数据驱动的建筑能耗预测模型研究现状17-20
• 1.3.1 基于人工神经网络的建筑能耗预测模型18
• 1.3.2 基于支持向量机的建筑能耗预测模型18-19
• 1.3.3 混合建筑能耗预测模型19-20
• 1.4 群智能优化算法简介20-23
• 1.5 本文主要研究内容及章节安排23-25
• 第二章 基于人工神经网络的建筑电能耗预测方法25-35
• 2.1 引言25
• 2.2 神经网络方法25-27
• 2.3 建筑电能耗预测仿真实验27-34
• 2.3.1 建筑能耗数据28-29
• 2.3.2 数据预处理29-31
• 2.3.3 神经网络预测结果31-34
• 2.4 本章小结34-35
• 第三章 基于群智能优化算法的建筑电能耗预测方法35-48
• 3.1 引言35
• 3.2 微粒群算法35-38
• 3.3 遗传算法38-39
• 3.4 混合建筑电能耗预测模型39-42
• 3.4.1 PSO-ANN能耗预测模型39-41
• 3.4.2 GA-ANN能耗预测模型41-42
• 3.5 建筑电能耗预测结果42-46
• 3.5.1 PSO-ANN模型预测结果42-44
• 3.5.2 GA-ANN模型预测结果44-46
• 3.6 能耗预测结果比较46-47
• 3.7 本章小结47-48
• 第四章 基于改进型微粒群算法和神经网络的建筑电能耗预测方法48-63
• 4.1 引言48-49
• 4.2 基于繁殖和遗传思想的微粒群算法49-51
• 4.3 基准测试函数51-54
• 4.4 算法测试实验54-59
• 4.5 iPSO-ANN能耗预测模型59
• 4.6 iPSO-ANN建筑电能耗预测结果59-62
• 4.7 能耗预测结果比较62
• 4.8 本章小结62-63
• 第五章 建筑电能耗预测案例63-70
• 5.1 引言63
• 5.2 数据采集63-65
• 5.3 数据预处理65-66
• 5.4 能耗预测仿真66-69
• 5.5 本章小结69-70
• 第六章 总结与展望70-72
• 6.1 总结70-71
• 6.2 研究展望71-72
• 参考文献72-78
• 致谢78-79
• 攻读硕士期间取得的成果及参与的科研项目79

【相似文献】

中国期刊全文数据库 前10条

1 王凡,孟立凡;关于使用神经网络推定操作者疲劳的研究[J];人类工效学;2004年03期

2 常国任;李仁松;沈医文;刘钢;;基于神经网络的直升机舰面系统效能评估[J];舰船电子工程;2007年03期

3 陈俊;;神经网络的应用与展望[J];佛山科学技术学院学报(自然科学版);2009年05期

4 许万增;;神经网络的研究及其应用[J];国际技术经济研究学报;1990年01期

5 张军华;神经网络技术及其在军用系统中的应用[J];现代防御技术;1992年04期

6 雷明,李作清,陈志祥,吴雅,杨叔子;神经网络在预报控制中的应用[J];机床;1993年11期

7 靳蕃;神经网络及其在铁道科技中应用的探讨[J];铁道学报;1993年02期

8 宋玉华，王启霞;神经网络诊断──神经网络在自动化领域里的应用[J];中国仪器仪表;1994年03期

9 魏铭炎;国内外神经网络技术的研究与应用概况[J];电机电器技术;1995年04期

10 王中贤，，钱颂迪;神经网络法在经济管理中的应用[J];航天工业管理;1995年04期

中国重要会议论文全文数据库 前10条

1 徐春玉;;基于泛集的神经网络的混沌性[A];1996中国控制与决策学术年会论文集[C];1996年

2 周树德;王岩;孙增圻;孙富春;;量子神经网络[A];2003年中国智能自动化会议论文集（上册）[C];2003年

3 罗山;张琳;范文新;;基于神经网络和简单规划的识别融合算法[A];2009系统仿真技术及其应用学术会议论文集[C];2009年

4 郭爱克;马尽文;丁康;;序言(二)[A];1999年中国神经网络与信号处理学术会议论文集[C];1999年

5 钟义信;;知识论:神经网络的新机遇——纪念中国神经网络10周年[A];1999年中国神经网络与信号处理学术会议论文集[C];1999年

6 许进;保铮;;神经网络与图论[A];1999年中国神经网络与信号处理学术会议论文集[C];1999年

7 金龙;朱诗武;赵成志;陈宁;;数值预报产品的神经网络释用预报应用[A];1999年中国神经网络与信号处理学术会议论文集[C];1999年

8 田金亭;;神经网络在中学生创造力评估中的应用[A];第十二届全国心理学学术大会论文摘要集[C];2009年

9 唐墨;王科俊;;自发展神经网络的混沌特性研究[A];2009年中国智能自动化会议论文集（第七分册）[南京理工大学学报（增刊）][C];2009年

10 张广远;万强;曹海源;田方涛;;基于遗传算法优化神经网络的故障诊断方法研究[A];第十二届全国设备故障诊断学术会议论文集[C];2010年

中国重要报纸全文数据库 前10条

1 美国明尼苏达大学社会学博士 密西西比州立大学国家战略规划与分析研究中心资深助理研究员 陈心想;维护好创新的“神经网络硬件”[N];中国教师报;2014年

2 卢业忠;脑控电脑 惊世骇俗[N];计算机世界;2001年

3 葛一鸣 路边文;人工神经网络将大显身手[N];中国纺织报;2003年

4 中国科技大学计算机系　邢方亮;神经网络挑战人类大脑[N];计算机世界;2003年

5 记者 孙刚;“神经网络”：打开复杂工艺“黑箱”[N];解放日报;2007年

6 本报记者 刘霞;美用DNA制造出首个人造神经网络[N];科技日报;2011年

7 健康时报特约记者　 张献怀;干细胞移植：修复受损的神经网络[N];健康时报;2006年

8 刘力;我半导体神经网络技术及应用研究达国际先进水平[N];中国电子报;2001年

9 ;神经网络和模糊逻辑[N];世界金属导报;2002年

10 邹丽梅 陈耀群;江苏科大神经网络应用研究通过鉴定[N];中国船舶报;2006年

中国博士学位论文全文数据库 前10条

1 杨旭华;神经网络及其在控制中的应用研究[D];浙江大学;2004年

2 李素芳;基于神经网络的无线通信算法研究[D];山东大学;2015年

3 石艳超;忆阻神经网络的混沌性及几类时滞神经网络的同步研究[D];电子科技大学;2014年

4 王新迎;基于随机映射神经网络的多元时间序列预测方法研究[D];大连理工大学;2015年

5 付爱民;极速学习机的训练残差、稳定性及泛化能力研究[D];中国农业大学;2015年

6 李辉;基于粒计算的神经网络及集成方法研究[D];中国矿业大学;2015年

7 王卫苹;复杂网络几类同步控制策略研究及稳定性分析[D];北京邮电大学;2015年

8 张海军;基于云计算的神经网络并行实现及其学习方法研究[D];华南理工大学;2015年

9 李艳晴;风速时间序列预测算法研究[D];北京科技大学;2016年

10 陈辉;多维超精密定位系统建模与控制关键技术研究[D];东南大学;2015年

中国硕士学位论文全文数据库 前10条

1 章颖;混合不确定性模块化神经网络与高校效益预测的研究[D];华南理工大学;2015年

2 贾文静;基于改进型神经网络的风力发电系统预测及控制研究[D];燕山大学;2015年

3 李慧芳;基于忆阻器的涡卷混沌系统及其电路仿真[D];西南大学;2015年

4 陈彦至;神经网络降维算法研究与应用[D];华南理工大学;2015年

5 董哲康;基于忆阻器的组合电路及神经网络研究[D];西南大学;2015年

6 武创举;基于神经网络的遥感图像分类研究[D];昆明理工大学;2015年

7 李志杰;基于神经网络的上证指数预测研究[D];华南理工大学;2015年

8 陈少吉;基于神经网络血压预测研究与系统实现[D];华南理工大学;2015年

9 张韬;几类时滞神经网络稳定性分析[D];渤海大学;2015年

10 邵雪莹;几类时滞不确定神经网络的稳定性分析[D];渤海大学;2015年

本文编号：783903