太阳辐射预测神经网络泛化性能研究
发布时间：2023-02-21 10:00
在建筑能耗占整个能源消耗的比例不断增加的现状下,尤其是当前世界“能源危机”日益紧迫的关头,空调建筑节能已成为节能领域中的一个非常重要的问题。空调节能的关键之一是精确确定空调系统的负荷,实现负荷预测是空气调节系统优化运行的基础,而一个具有较好泛化性能的太阳辐射预测模型,是获得空调负荷精确预测的关键性前提。本文拟就对建议的太阳辐射预测小波神经网络模型的泛化性能改善进行深入的探索与研究。 由于太阳辐射具有高度非线性的特点,而小波神经网络处理非线性问题有其特殊的能力,因此本文利用小波神经网络的非线性函数逼近及自学习、自适应的特性,将小波神经网络预测方法作为太阳辐射预测的基础。 近年来,受生物系统启发而设计出来的智能算法越来越受到人们重视。免疫算法、神经网络、遗传算法并称为当今三大仿生算法。在各学科相互交叉相互渗透的今天,将遗传算法、免疫原理与神经网络技术结合,既能利用遗传算法、免疫算法的全局搜索性能,以较大的概率找到搜索问题的最优解,又能利用小波神经网络具有大规模的并行处理能力、很强的容错性和自学习、自适应能力以及异域联想功能、能够精确映射任意高度非线性的输入输出关系等优点,两者相得益彰,能够...
【文章页数】：154 页
【学位级别】：硕士
【文章目录】：
摘要
ABSTRACT
目录
第一章 绪论
1.1 课题研究背景和意义
1.1.1 空调负荷预测对建筑节能的重要作用及其现状
1.1.2 太阳辐射预测是空调负荷精确预测的前提条件
1.1.3 太阳辐射预测神经网络的泛化性能和过拟合问题
1.2 太阳辐射与大气层的影响
1.2.1 大气层外的太阳辐射
1.2.2 太阳辐射在大气中的衰减
1.2.3 到达地球表面的太阳辐射
1.3 本文的研究内容和方法
1.4 本章小结
第二章 人工神经网络及其它智能算法简介
2.1 人工神经网络简介
2.1.1 人工神经网络的产生与发展
2.1.2 人工神经元模型
2.1.2.1 人工神经元模型
2.1.2.2 激励函数
2.1.3 人工神经网络模型的拓扑结构
2.1.4 人工神经网络的学习方法
2.1.4.1 人工神经网络的学习方式
2.1.4.2 人工神经网络的学习算法(规则)
2.1.5 BP人工神经网络
2.1.6 小波神经网络的建立
2.1.6.1 小波神经网络的定义
2.1.6.2 小波神经网络的结构
2.2 基本遗传算法简介及遗传神经网络简介
2.2.1 基本遗传算法简介及遗传神经网络简介
2.2.1.1 遗传算法的发展历史
2.2.1.2 遗传算法的基本原理与方法
2.2.1.3 人工神经网络(ANN)与遗传算法(GA)的结合
2.2.2 模拟退火算法简介及遗传模拟退火神经网络简介
2.2.2.1 模拟退火算法简介
2.2.2.2 模拟退火算法的基本思想和步骤
2.2.2.3 遗传模拟退火神经网络简介
2.2.3 自适应遗传算法简介及自适应遗传神经网络简介
2.2.3.1 自适应遗传算法简介
2.2.3.2 自适应遗传神经网络简介
2.2.4 多种群遗传算法简介及多种群遗传神经网络简介
2.3 蚁群算法简介及蚁群神经网络简介
2.3.1 基本蚁群算法简介及蚁群神经网络简介
2.3.2 基本蚁群算法的数学模型
2.3.3 基本蚁群算法的实现步骤
2.3.4 基于蚁群算法的人工神经网络训练
2.3.5 遗传蚁群神经网络简介
2.4 微粒子算法简介及微粒子神经网络简介
2.4.1 微粒子算法简介
2.4.2 微粒子神经网络的简介
2.5 人工免疫算法简介及人工免疫神经网络简介
2.5.1 人工免疫算法简介
2.5.2 人工免疫神经网络简介
2.6 本章小结
第三章 太阳辐射预测小波网络模型的建立
3.1 太阳辐射建模用各因素分析
3.1.1 太阳总辐射建模用各因素分析
3.1.2 太阳散射辐射建模用各因素分析
3.2 建模用资料数据
3.3 神经网络输入数据处理
3.3.1 太阳辐射逐日数据序列的小波预分解
3.3.2 太阳辐射数据序列的相关性分析
3.3.2.1 相关性分析原理
3.3.2.2 相关性数据分析
3.3.3 天气状况的模糊化,反模糊化与修正处理
3.3.3.1 模糊化分析原理
3.3.3.2 模糊化数据分析
3.4 神经网络训练算法的确定
3.4.1 小波网络学习算法
3.4.2 附加动量法
3.4.3 自适应变步长法
3.5 本章小结
第四章 网络结构、样本及训练精度对太阳辐射神经网络模型的影响
4.1 固定输入样本情况下隐含层节点个数对太阳辐射神经网络模型的泛化能力的影响及最佳隐节点的确定办法
4.2 变化输入样本情况下隐含层节点个数对太阳辐射神经网络模型的泛化能力的影响及最佳隐节点的确定办法
4.3 网络训练集样本的学习训练精度(训练次数)对太阳辐射神经网络模型的泛化能力的影响的研究
4.4 本章小结
第五章 初始化对太阳辐射神经网络模型的泛化能力影响的研究
5.1 网络初始化对太阳辐射神经网络模型的泛化能力的影响
5.2 基于遗传算法初始化对太阳辐射神经网络模型泛化能力的影响
5.2.1 基于遗传算法初始化对太阳辐射神经网络模型的泛化能力的影响
5.2.1.1 基于遗传算法初始化太阳日总辐射预测小波网络模型
5.2.1.2 太阳散射辐射逐日复合预测模型
5.2.2 基于遗传模拟退火算法初始化对太阳辐射神经网络模型泛化能力的影响
5.2.2.1 基于遗传模拟退火算法初始化太阳日总辐射预测小波网络模型
5.2.2.2 太阳散射辐射逐日复合预测模型
5.2.3 基于自适应遗传算法初始化对太阳辐射神经网络模型泛化能力的影响
5.2.3.1 基于自适应遗传算法初始化太阳日总辐射预测小波网络模型
5.2.3.2 基于自适应遗传算法初始化太阳散射辐射逐日复合预测模型
5.2.4 基于多种群遗传算法初始化对太阳辐射神经网络模型的泛化能力的影响
5.2.4.1 基于多种群遗传算法初始化太阳日总辐射预测小波网络模型
5.2.4.2 基于多种群遗传算法初始化太阳散射辐射逐日复合预测模型
5.3 基于蚁群算法初始化对太阳辐射神经网络模型泛化能力的影响
5.3.1 基于蚁群算法初始化对太阳辐射神经网络模型的泛化能力的影响
5.3.1.1 基于蚁群算法初始化太阳日总辐射预测小波网络模型
5.3.1.2 基于蚁群算法初始化太阳散射辐射逐日复合预测模型
5.3.2 基于遗传蚁群算法初始化对太阳辐射神经网络模型的泛化能力的影响
5.3.2.1 基于遗传蚁群算法初始化太阳日总辐射预测小波网络
5.3.2.2 基于遗传蚁群算法初始化太阳日散射辐射预测小波网络
5.4 基于微粒子算法始化对太阳辐射小波网络模型泛化能力的影响
5.4.1 基于PSO算法初始化太阳日总辐射预测小波网络模型
5.4.1.1 基于PSO算法初始化太阳日总辐射预测小波网络拓扑结构
5.4.1.2 基于PSO算法初始化太阳日总辐射预测小波网络的实验仿真
5.4.2 太阳散射辐射逐日复合预测模型
5.4.2.1 太阳散射辐射逐日预测网络拓扑结构
5.4.2.2 基于PSO算法初始化太阳日散射辐射预测小波网络的实验仿真
5.5 基于人工免疫算法初始化对太阳辐射小波网络模型的泛化能力的影响
5.5.1 基于人工免疫算法初始化太阳日总辐射预测小波网络模型
5.5.1.1 基于人工免疫算法初始化太阳日总辐射预测小波网络拓扑结构
5.5.1.2 基于人工免疫算法初始化太阳日总辐射预测小波网络的实验仿真
5.5.2 太阳散射辐射逐日复合预测模型
5.5.2.1 太阳散射辐射逐日预测网络拓扑结构
5.5.2.2 基于人工免疫算法初始化太阳日散射辐射预测小波网络的实验仿真
5.6 本章小结
第六章 论文结论及研究展望
6.1 本文的初步结论和研究成果
6.1.1 引入多种智能算法对网络进行初始化并比较了改善网络泛化能力的效果
6.1.2 引入遗传算法来解决确定最佳隐含层中的神经元数
6.1.3 研究了样本、网络结构以及训练精度对网络泛化能力的影响
6.1.4 对本文提出的预测模型进行了实际验证
6.2 本文的创新点
6.2.1 引入相互融合的混合智能技术来初始化小波网络
6.2.2 建立了网络结构(隐含层节点个数)和样本数同时变化情况下预测误差变化的三维图
6.3 本文的不足与下一步的工作
6.3.1 基于神经网络的太阳辐射预测模型的工程验证
6.3.2 实时预测模型集成软件的设计开发
参考文献
攻读硕士学位期间发表论文
致谢
本文编号：3747532
【文章页数】：154 页
【学位级别】：硕士
【文章目录】：
摘要
ABSTRACT
目录
第一章 绪论
1.1 课题研究背景和意义
1.1.1 空调负荷预测对建筑节能的重要作用及其现状
1.1.2 太阳辐射预测是空调负荷精确预测的前提条件
1.1.3 太阳辐射预测神经网络的泛化性能和过拟合问题
1.2 太阳辐射与大气层的影响
1.2.1 大气层外的太阳辐射
1.2.2 太阳辐射在大气中的衰减
1.2.3 到达地球表面的太阳辐射
1.3 本文的研究内容和方法
1.4 本章小结
第二章 人工神经网络及其它智能算法简介
2.1 人工神经网络简介
2.1.1 人工神经网络的产生与发展
2.1.2 人工神经元模型
2.1.2.1 人工神经元模型
2.1.2.2 激励函数
2.1.3 人工神经网络模型的拓扑结构
2.1.4 人工神经网络的学习方法
2.1.4.1 人工神经网络的学习方式
2.1.4.2 人工神经网络的学习算法(规则)
2.1.5 BP人工神经网络
2.1.6 小波神经网络的建立
2.1.6.1 小波神经网络的定义
2.1.6.2 小波神经网络的结构
2.2 基本遗传算法简介及遗传神经网络简介
2.2.1 基本遗传算法简介及遗传神经网络简介
2.2.1.1 遗传算法的发展历史
2.2.1.2 遗传算法的基本原理与方法
2.2.1.3 人工神经网络(ANN)与遗传算法(GA)的结合
2.2.2 模拟退火算法简介及遗传模拟退火神经网络简介
2.2.2.1 模拟退火算法简介
2.2.2.2 模拟退火算法的基本思想和步骤
2.2.2.3 遗传模拟退火神经网络简介
2.2.3 自适应遗传算法简介及自适应遗传神经网络简介
2.2.3.1 自适应遗传算法简介
2.2.3.2 自适应遗传神经网络简介
2.2.4 多种群遗传算法简介及多种群遗传神经网络简介
2.3 蚁群算法简介及蚁群神经网络简介
2.3.1 基本蚁群算法简介及蚁群神经网络简介
2.3.2 基本蚁群算法的数学模型
2.3.3 基本蚁群算法的实现步骤
2.3.4 基于蚁群算法的人工神经网络训练
2.3.5 遗传蚁群神经网络简介
2.4 微粒子算法简介及微粒子神经网络简介
2.4.1 微粒子算法简介
2.4.2 微粒子神经网络的简介
2.5 人工免疫算法简介及人工免疫神经网络简介
2.5.1 人工免疫算法简介
2.5.2 人工免疫神经网络简介
2.6 本章小结
第三章 太阳辐射预测小波网络模型的建立
3.1 太阳辐射建模用各因素分析
3.1.1 太阳总辐射建模用各因素分析
3.1.2 太阳散射辐射建模用各因素分析
3.2 建模用资料数据
3.3 神经网络输入数据处理
3.3.1 太阳辐射逐日数据序列的小波预分解
3.3.2 太阳辐射数据序列的相关性分析
3.3.2.1 相关性分析原理
3.3.2.2 相关性数据分析
3.3.3 天气状况的模糊化,反模糊化与修正处理
3.3.3.1 模糊化分析原理
3.3.3.2 模糊化数据分析
3.4 神经网络训练算法的确定
3.4.1 小波网络学习算法
3.4.2 附加动量法
3.4.3 自适应变步长法
3.5 本章小结
第四章 网络结构、样本及训练精度对太阳辐射神经网络模型的影响
4.1 固定输入样本情况下隐含层节点个数对太阳辐射神经网络模型的泛化能力的影响及最佳隐节点的确定办法
4.2 变化输入样本情况下隐含层节点个数对太阳辐射神经网络模型的泛化能力的影响及最佳隐节点的确定办法
4.3 网络训练集样本的学习训练精度(训练次数)对太阳辐射神经网络模型的泛化能力的影响的研究
4.4 本章小结
第五章 初始化对太阳辐射神经网络模型的泛化能力影响的研究
5.1 网络初始化对太阳辐射神经网络模型的泛化能力的影响
5.2 基于遗传算法初始化对太阳辐射神经网络模型泛化能力的影响
5.2.1 基于遗传算法初始化对太阳辐射神经网络模型的泛化能力的影响
5.2.1.1 基于遗传算法初始化太阳日总辐射预测小波网络模型
5.2.1.2 太阳散射辐射逐日复合预测模型
5.2.2 基于遗传模拟退火算法初始化对太阳辐射神经网络模型泛化能力的影响
5.2.2.1 基于遗传模拟退火算法初始化太阳日总辐射预测小波网络模型
5.2.2.2 太阳散射辐射逐日复合预测模型
5.2.3 基于自适应遗传算法初始化对太阳辐射神经网络模型泛化能力的影响
5.2.3.1 基于自适应遗传算法初始化太阳日总辐射预测小波网络模型
5.2.3.2 基于自适应遗传算法初始化太阳散射辐射逐日复合预测模型
5.2.4 基于多种群遗传算法初始化对太阳辐射神经网络模型的泛化能力的影响
5.2.4.1 基于多种群遗传算法初始化太阳日总辐射预测小波网络模型
5.2.4.2 基于多种群遗传算法初始化太阳散射辐射逐日复合预测模型
5.3 基于蚁群算法初始化对太阳辐射神经网络模型泛化能力的影响
5.3.1 基于蚁群算法初始化对太阳辐射神经网络模型的泛化能力的影响
5.3.1.1 基于蚁群算法初始化太阳日总辐射预测小波网络模型
5.3.1.2 基于蚁群算法初始化太阳散射辐射逐日复合预测模型
5.3.2 基于遗传蚁群算法初始化对太阳辐射神经网络模型的泛化能力的影响
5.3.2.1 基于遗传蚁群算法初始化太阳日总辐射预测小波网络
5.3.2.2 基于遗传蚁群算法初始化太阳日散射辐射预测小波网络
5.4 基于微粒子算法始化对太阳辐射小波网络模型泛化能力的影响
5.4.1 基于PSO算法初始化太阳日总辐射预测小波网络模型
5.4.1.1 基于PSO算法初始化太阳日总辐射预测小波网络拓扑结构
5.4.1.2 基于PSO算法初始化太阳日总辐射预测小波网络的实验仿真
5.4.2 太阳散射辐射逐日复合预测模型
5.4.2.1 太阳散射辐射逐日预测网络拓扑结构
5.4.2.2 基于PSO算法初始化太阳日散射辐射预测小波网络的实验仿真
5.5 基于人工免疫算法初始化对太阳辐射小波网络模型的泛化能力的影响
5.5.1 基于人工免疫算法初始化太阳日总辐射预测小波网络模型
5.5.1.1 基于人工免疫算法初始化太阳日总辐射预测小波网络拓扑结构
5.5.1.2 基于人工免疫算法初始化太阳日总辐射预测小波网络的实验仿真
5.5.2 太阳散射辐射逐日复合预测模型
5.5.2.1 太阳散射辐射逐日预测网络拓扑结构
5.5.2.2 基于人工免疫算法初始化太阳日散射辐射预测小波网络的实验仿真
5.6 本章小结
第六章 论文结论及研究展望
6.1 本文的初步结论和研究成果
6.1.1 引入多种智能算法对网络进行初始化并比较了改善网络泛化能力的效果
6.1.2 引入遗传算法来解决确定最佳隐含层中的神经元数
6.1.3 研究了样本、网络结构以及训练精度对网络泛化能力的影响
6.1.4 对本文提出的预测模型进行了实际验证
6.2 本文的创新点
6.2.1 引入相互融合的混合智能技术来初始化小波网络
6.2.2 建立了网络结构(隐含层节点个数)和样本数同时变化情况下预测误差变化的三维图
6.3 本文的不足与下一步的工作
6.3.1 基于神经网络的太阳辐射预测模型的工程验证
6.3.2 实时预测模型集成软件的设计开发
参考文献
攻读硕士学位期间发表论文
致谢
本文编号：3747532
本文链接：https://www.wllwen.com/projectlw/xnylw/3747532.html
