基于运行数据人工神经网络的空调系统逐时负荷预测_李帆

合集下载

基于神经网络的空调系统负荷预测研究

空调负荷受多种因素的影响，与诸多影响因素之间是一
较不规律的建筑物预测效果如何尚需验证。
种多变量、强耦合、严重非线性的关系，且这种关系具有动态性，因而传统方法的预测精度不高。由于神经网络具有并行处
考虑到空调系统具有动态性的特点，而ＥＬＭＡＮ回归神
王雷
（北京中环世纪工程设计有限责任公司，北京１０００９７）ｎａ－ＵｎｉｏｎＤｅｓｉｇｎａｎｄＳｕｐｅｒｖｉｓｉｏｎＣｏ．Ｌｔｄ．，Ｂｅ￣ｉｎｇ１０００９７，Ｃｈｉｎａ）
经网络是一种典型的动态神经元网络，具有适应时变特性的理、联想记忆、分布式知识存储、鲁棒性强等特点，尤其是它的
自组织、自适应、自学习功能，从而在复杂非线性对象的辨识
ｐｒｅｄｉｃｔｉｏｎａｂｏｕｔｄａｉｌｙｃｏｏｌｉｎｇｌｏａｄｓｂｓｅａｄｏｎｔｈｅＥＬＭＡＮｎｅｒａｕｌｎｅｔｗｏｒｋｗａｓｍａｉｎｌｙｄｉｓｃｕｓｓｅｄ．ＴｈｅｉｎｆｌｕｅｎｃｅｄｅｇｒｅｅｏｆｈｅｉｔｎｐｕｔａｒｇｕｍｅｎｔｓｔｏｏｕｔｐｕｔｒｅｓｕｌｔｓｆｏｒｔｈｅｄａｉｌｙｃｏｏｌｉｎｇｌｏａｄｎｅｕｒａｌｐｒｅｄｉｃｔｉｏｎｍｏｄａｌｗａｓｎａａｌｙｚｅｄｂｙＭｕｌｉ－ｔｌｉｎｅｒａｒｅｇｒｅｓｓｉｏｎｍｅｔｈｏｄ．Ｆｉｎａｌｌｙ，ｔｈｒｏｕｇｈｅｘｐｅｒｉｍｅｎｔａｌｖｅｒｉｉｃｆａｔｉｏｎ，ｔａｋｉｎｇｔｈｅａｖｅｒａｇｅｖｌｕａｅａＲｅｒｍｕｌｔｉｐｌｅｆｏｒｅｃａｓｔｉｎｇｂａｓｄｏｅｎｍｏｒｅｔｈｎｔａｈｒｅｅｗｅｅｋｓ ’ ｉｓｈｔｏｒｉｃａｌａｔｄａａｓｔｈｅｔｒａｉｎｉｎｇｓｅｔ．Ｉｔｃｎｇａｉｖｅｏｕｔｈｅｔ

一种基于深度学习的空调系统负荷预测方法[发明专利]

专利名称：一种基于深度学习的空调系统负荷预测方法专利类型：发明专利
发明人：李栋,陈红伟,沈雷虎,商雨禾,王佳勇,艾凡彪,吴九龙申请号：CN202111367047.8
申请日：20211118
公开号：CN114202106A
公开日：
20220318
专利内容由知识产权出版社提供
摘要：本发明公开了一种基于深度学习的空调系统负荷预测方法，包括步骤1、选择影响空调系统负荷的特征元素；步骤2、收集空调系统负荷原始数据；步骤3、负荷数据处理；步骤4、搭建基于神经网络的深度学习模型；步骤5、确定深度学习最优模型；步骤6、空调系统负荷预测。

本发明充分利用了影响空调系统能耗的多源特征信息，通过选择不同的神经元数及隐藏层个数，比较预测结果来确定深度学习最优模型。

同时，通过引入高斯函数对反向传播的学习率进行优化，能解决计算过程中易出现的梯度消失问题，提高负荷预测精度，进而能提供能耗波动信息，提前调整制冷系统中各设备运行策略，避免由于反馈信号传输的迟滞所带来的空调系统能耗损失。

申请人：南京师范大学
地址：210023 江苏省南京市栖霞区文苑路1号
国籍：CN
代理机构：南京经纬专利商标代理有限公司
代理人：石艳红
更多信息请下载全文后查看。

人工神经网络算法在电力系统负荷预测中的应用研究

人工神经网络算法在电力系统负荷预测中的应用研究引言：电力系统负荷预测是电力行业的重要任务之一。

精确的负荷预测可以帮助电力公司合理调度发电设备，优化能源利用，降低运营成本。

随着人工智能技术的发展，人工神经网络算法逐渐应用于电力系统负荷预测中，并取得了显著的研究成果。

本文将探讨人工神经网络算法在电力系统负荷预测中的应用，并分析其中的优势和挑战。

一、人工神经网络算法概述人工神经网络算法是一种模仿人脑神经网络结构和功能的计算模型。

它由大量神经元单元组成，通过模拟神经元间的连接和信息传递，实现学习和推理的功能。

人工神经网络算法可以分为前馈神经网络、循环神经网络和深度神经网络等不同类型，每种类型都有其特定的结构和应用领域。

在电力系统负荷预测中，常用的人工神经网络算法包括BP神经网络、RBF神经网络和LSTM等。

二、人工神经网络算法在电力系统负荷预测中的应用1. BP神经网络算法BP神经网络算法是目前应用最广泛的人工神经网络算法之一。

它通过反向传播算法，根据输入样本与预测结果之间的误差，调整网络的权值和阈值，从而实现负荷预测。

BP神经网络算法具有训练速度快、预测精度高等优点，在电力系统负荷预测中应用广泛。

2. RBF神经网络算法RBF神经网络算法是一种基于径向基函数的神经网络模型。

它通过将输入样本映射到高维特征空间，并使用径向基函数对输入样本进行分类和预测。

RBF神经网络算法具有训练速度快、适应能力强等优点，在电力系统负荷预测中可以提供更准确的预测结果。

3. LSTM算法LSTM算法是一种特殊的循环神经网络，适用于处理时间序列数据。

它通过长短期记忆单元的结构，可以捕捉时间序列数据中的长期依赖关系，从而提高负荷预测的准确性。

LSTM算法在电力系统负荷预测中的应用逐渐增多，取得了较好的研究成果。

三、人工神经网络算法在电力系统负荷预测中的优势1. 高精度：人工神经网络算法具有强大的非线性映射能力，可以更准确地捕捉电力系统负荷预测中的复杂规律和趋势。

基于改进BP神经网络的中央空调冷负荷预测研究_王蕾

（，Ｎ，Ｎ；ＡｕｔｏｍａｔｉｏｎａｎｄＥｌｅｃｔｒｉｃａｌＥｎｉｎｅｅｒｉｎＩｎｓｔｉｔｕｔｅａｎｉｎＵｎｉｖｅｒｓｉｔｏｆＴｅｃｈｎｏｌｏａｎｉｎ１１８１６，Ｃｈｉｎａ２ｇｇｊｇｙｇｙｊｇ）ＪｉａｎｓｕＰｒｏｖｉｎｃｉａｌＡｒｃｈｉｔｅｃｔｕｒａｌＤ＆ＲＩｎｓｔｉｔｕｔｅＬＴＤ，Ｎａｎｉｎ１００１９，Ｃｈｉｎａ２ｇｊｇ
（）文章编号：１６７１４５９８２０１４０６１６９００３ＴＰ７５１－－－中图分类号：
基于改进ＢＰ神经网络的中央空调冷负荷预测研究
王蕾，张九根，李腾，陈实
（）南京工业大学自动化与电气工程学院，南京２１１８１６；江苏省建筑设计研究院有限公司，南京２１００１９
对它的影响。在本文中，预测系统是与控制紧密相关，控制过程中产生的误差对预测有重要的训练意义，它应该作为一个反馈参数进入到神经网络的输入参数中，因此，输入参数应加入。控制误差（ＥＣ）本文所描述的建筑冷负荷预测的ＢＰ神经网络结构如图１所示：
０引言
对于空调节能，如何使空调系统能耗和运行费用最小化，提高空调系统经济效益，是一个棘手又必须解决的问题。精确的冷负荷预测是空调系统运行管理的有效依据，提高控制调节的可预见性及系统的稳定性。目前负荷预测包括静态预测和动态预测，这些预测方法都需要建立数学模型，且预测结果的准确性与所建立模型的精度有着密切的关系。对于空调系统而言，各房间热传递过程和众多因素有关。由于这些因素的多样性和不确定性，用静态预测或动态预测所建立的过程模型和对象模型一般比较复杂，并要处理大量数据。基于这些原因，人工神经网络（ＡＮＮ）越来越受到人们的关注。目前。然而通用的Ｂ神经网络是其中应用最广泛的神经网络ＢＰＰ模型会存在收敛慢，易陷入局部最优，精度相对低的缺点

神经网络法及其在暖通空调负荷预测中的应用

于联想记忆和优化计算的新途径，动了神经网络推
的发展；１８年，Ｄ．．ｕｌａｔＪ．Ｃｅｌｄ６９ＥＲｍｅｈｒ．Ｍｃｌｌｎ和Ｌａ合著的ＰｒｌｓｉｕｅｒｃｓｉｇＥｐｏａｉｎｉａａｅＤｉｒｔｄＰｏｅｓ：ｘｌｒｔｌｌｔｂｎｏｎ
能的一条重要途径，映了人脑功能的许多基本特反
ＳＡ．ａｐｒ写了影响很大的《知器》一书，得．Ｐｔｅｔ编感出了悲观结论，当时与感知器有关的研究及其发对
展产生了恶劣的影响。国在此后十几年里从未资美
Ｍ．ＨｏＥ．每提出了自适应线性单元网络和Ｗｉｄｏｎｒｗ．Ｈｏｒ习规则。ｆ学ｌ６年，著名的人工智能学者Ｍ．．ｎｓｙ９９ＬＭｉｋ和
为ＡＮ）是由众多的神经元经可调的连接权值广Ｎ泛地互相连接而形成的复杂网络系统，是从微观它结构和功能上对人脑的抽象、简化，是模拟人类智
征，如并行信息处理、学习、联想、模式分类、记
忆等。
助神经网络研究课题，使神经网络的研究进人了一
个缓慢发展的低潮。
ＡＮＮ主要应用领域有：语音识别、图象识别与理解、计算机视觉、智能机器人、智能控制、系统辩识、负荷预测、故障检测、实时语言翻译、企业管理、市场分析、决策优化、物资调运、自适应控制、专家系统、智能接口、神经生理学、心理学

基于改进人工神经网络的空调负荷预测

基于改进人工神经网络的空调负荷预测
陈文成;陈楚夫;陈玉凌
【期刊名称】《建筑节能(中英文)》
【年(卷),期】2022(50)11
【摘要】建筑空调负荷预测对于节约建筑能耗、维持设备稳定负荷运转有着重要的意义,故研究建筑空调负荷预测具有较高的现实意义与社会价值。

建立建筑模型,利用EnergyPlus负荷模拟软件得到建筑空调负荷数据,采用MATLAB建立BP人工神经网络模型。

将遗传算法(GA)引入BP神经网络,建立改进的GA-BP神经网络模型。

使用两种不同的神经网络对建筑的空调负荷数据进行训练和验证,得出两种网络模型预测数据的平均误差皆低于20%。

其中,BP神经网络负荷预测的决定系数R~2为0.714,GA-BP神经网络负荷预测的决定系数R~2为0.948,故后者的负荷预测性能更好。

由此可见,改进人工神经网络对建筑物空调负荷的预测具有更高的准确性以及一定的应用价值。

【总页数】5页(P98-102)
【作者】陈文成;陈楚夫;陈玉凌
【作者单位】湖南省工业设备安装有限公司;中国电建集团中南勘测设计研究院有限公司
【正文语种】中文
【中图分类】TU83
【相关文献】
1.基于改进BP人工神经网络的电力负荷预测
2.人工神经网络在空调系统负荷预测中的应用
3.基于BP人工神经网络的空调降温负荷预测
4.基于BP人工神经网络的改进广义预测控制的电网负荷预测
5.基于改进聚类算法的人工神经网络短期负荷预测研究
因版权原因，仅展示原文概要，查看原文内容请购买。

基于RBF神经网络的建筑逐时空调负荷预测模型

输人层节点只传递输入信号到隐层，隐层节点一般由辐射状的作用函数构成，通常采用高斯函数．输入层实现从Ｘ（的非线性映射；ｉ） — 而输出层节点
通常选取线性函数，从而使输出层实现从（ — 墨）的线性映射．
足）
时，权值调节采用负梯度下降法，这种调节权值的方法存在收敛慢和局部极小等缺点．向基函数径（Ｂ）经网络是一种在逼近能力、类能力和学ＲＦ神分
（ｔｒｌｃｎｅＥｉｏ）ＮａａＳｉｃｄｔｎｕｅｉ
文章编号：００５５２０）００２ —６１０－６Ｘ（０８１—０５０
基于ＲＦ神经网络的建筑逐时空调负荷预测模型木Ｂ
李琼孟庆林
（华南理工大学亚热带建筑科学国家重点实验室，广东广州５０４）１６０
华南理工大学学报（自然科学版）
第３６卷第１０期
２００８年ｌＯ月ＪｕｎｌｏｏｔｈｎｉｅｓｙｏｅｈｏｏｙｏｒａｆＳｕｈＣｉａＵｎｖｒｉｆＴｃｎｌｇｔ
Ｖｏ．６Ｎｏ１１３．０Ｏｃｏｅ２ｏｔｂｒ０８
建筑物空调负荷受到诸多参数的影响，关系较为复杂．一般而言，建筑物空调负荷是由建筑物外扰和内扰引起的，室外气象参数（温度、湿度、阳辐太射和风速等）和室内人员变动与设备启停是引起建筑物负荷波动的主要原因．于某些人员变动和设对备启停较为规律的建筑，办公楼、书馆等，如图内扰
输

人工神经网络在空调系统负荷预测中的应用

出了利用人工神经网络（Ｎ具有的高度的并行处理和可完成复杂的输入输出的非线性映射能力，ＡＮ）进行空调系统负荷预测精度高、准确度好。ＡＮ是一种有效的空调负荷预测手段。Ｎ
关键词：人工神经网络；空调负荷；预测
中图分类号：Ｕ３Ｔ８１文献标识码：Ａ文章编号：０８—１３（０７００１０１０９３２０）６— ２１— ３
ＡｂｔａｔＣｎｅｔｄｓｍｅｔｅｒｂｕｒｉｃａｅｔｅｗｒ，ｎｒｄｃｓｔｅａｐｃｔｎｏｉ－ｏｄｔｎｎｏｌｇｌａｏｅａｔｇｓｒｃ：ｏｎｃｅｏｈｏｙａｏｔｔｉｎｕｒｎｔｏｋｉｔｏｕｅｐｈａｏｆａｒｃｎｉｏｉｇｃｏｉｏｄｆｒｃｓｉａｆｌｉｌａｈｉｉｎｎｂｓｎａｔｃａｅｔｅｗｏｋｏｈａｉｆｔｅｒ，ａｄｓｏｈｅｅｒｈｃｎｉｏｂｕｏｌｇｌａｒｄｃｉｎｉｅｗｒｄａｅｏｒｆｉｎｕｒｎｔｒｎｔｅｂｓｏｏｄｉｌｉｌａｓｈｙｎｈｗｔｅｒｓａｃｏｄｔｎａｏｔｃｉｏｄｐｅｉｔｎｔｏｌ．ｉｎｏｈ
１１神经元及其特性．

间负荷计算，经历了稳定传热计算、利用周期性不稳定传热法进行计算和动态负荷计算时期Ｊ。近年
来，随着计算机技术的飞速发展，种计算机技术也各

人工神经网络在空调系统中的应用

人工神经网络在空调系统中的应用摘要简要介绍了人工神经网络的结构及特点，并且详细论述了神经网络在中央空调水系统、风系统、制冷系统、负荷预测、系统的仿真设计和建筑运行能耗评价等方面的应用概况，指出了神经网络在空调领域今后的发展方向。

关键词神经网络；空调；应用中图分类号TP387 文献标识码 A 文章编号1673-9671-(2012)071-0184-02中央空调系统是一个庞大复杂的系统，主要包括：空调冷热源系统、水或空气系统、控制系统等，空调系统能耗与影响因素之间是一种多变量、强耦合、严重非线性的关系，具有很强的动态性。

而人工神经网络可以实现从输入到输出的任意非线性映射，能够模拟高度非线性系统，具有较强的学习能力、自适应能力、容错能力和联想能力，已成为复杂的非线性系统建模、仿真、预测的新型工具，人工神经网络自20世纪40年代初被首度提出来以后，经过几十年的发展，广泛运用于模式识别和图像处理、控制与优化、人工智能等方面。

随着我国空调事业的快速发展及节能减排新形下，人工神经网络在空调系统中的运用越来越受到广大暖通空调研究者的关注。

1 神经网络神经网络是对人脑或生物神经网络的抽象和建模，具有从环境学习的能力，以类似生物的交互方式适应环境。

人工神经网络是一个由大量简单的神经元广泛联接组成的复合系统，当系统被训练达到平衡后，由各个神经元的权值组成的整个网络的分布状态，就是所求的结果。

网络学习的过程也就是各神经元权值的调整过程。

人工神经网络根据连接方式不同可以分为两大类：无反馈的前向神经网络和相互连接型网络（包括反馈网络），图1为BP神经网络系统结构简图，BP 网络就是一种误差反向传播的前向网络，神经网络的学习算法总体来讲可分为有监督学习和无监督学习。

人工神经网络的具有强容错性、冗余性、鲁棒性和信息分布式并行处理及快速进行大量计算能力特点，能适应复杂环境和进行多目标控制。

图1 BP网络系统结构2 人工神经网络在空调系统中的应用2.1 空调风系统方面的应用变风量系统（V A V系统）的基本思想是：当室内负荷发生变化时，改变送入室内风量，以满足室内人员的舒适性或工艺性要求，实现送风量的自动调节，最大限度地减少风机动力，节约运行能耗。

基于人工神经网络和互信息理论的电力系统短期负荷预测

基于人工神经网络和互信息理论的电力系统短期负荷预测摘要：长期以来，短期负荷预测（short-term load forecasting，STLF）一直是电力运行关注的问题，对制定经济、可靠、安全的电力系统运行策略起关键作用。

由于负荷时间序列具有非线性、非平稳性和非季节性等特点，准确预测负荷趋势具有很大的挑战性.关键词：人工神经网络;电力系统;短期负荷预测;引言电力系统负荷预测一般分为超短期、短期、中期、长期四类负荷预测，随着市场化改革的逐步推进，短期负荷预测的重要性日益提升。

近年来，国内外学者对于短期负荷预测进行了广泛的研究，围绕具体预测思路的差异，可将预测方法分为两类，其一是传统的时间序列分析方法，包括回归分析法、指数平滑法、多元线性回归法、卡尔曼滤波法等；其二是机器学习算法，由于其可以较好的解决负荷非线性的问题，受到了广泛的应用和研究。

目前已有较多机器学习算法在负荷预测领域应用，在这些方法上又存在着很多的改进算法，目前使用较多的方法有基于极限学习机（Extreme Learning Machine, ELM）的预测方法、基于支持向量机（Support Vector Machine，SVM）的预测方法、基于BP神经网络的预测方法等。

1基本理论通过对原始数据进行分析，可以得到一些影响负荷趋势的特征和因素。

为了收集最关键的影响因素，采用互信息法分析多个因素与电力负荷的相关性。

然后将分析结果大于阈值的因素数据作为预测变量输入到神经网络中。

下面将详细介绍MI算法和神经网络的结构。

1）互信息法.互信息（MI）主要用于描述两个变量之间的相关程度。

在本研究中，使用多元智能来测量不同因素变量与负荷之间的相关程度。

2）自组织特征映射神经网络.为避免传统聚类方法存在的求解复杂、收敛速度慢、易陷入局部最优的问题，采用改进后的SOFM神经网络3)对原始负荷数据进行特征挖掘、聚类。

SOFM神经网络由Kohonen提出，是一种无监督的学习网络，通过神经元之间的竞争实现大脑神经系统中的“近兴奋远抑制”功能。

空调系统负荷分段预测与研究

空调系统负荷分段预测与研究施丹许必熙南京工业大学电气工程与控制科学学院摘要：为了改善空调系统的能源消耗，根据空调系统实际运行时的环境数据和负荷数据，采用神经网络的方式建立空调系统的负荷预测模型，通过负荷预测得到博物馆所需的空调负荷，以此作为空调系统节能优化的基础。

根据BP 神经网络具有的非线性特性以及强大的自学习自适应能力，对博物馆的空调负荷进行预测，建立基于 BP 神经网络的负荷预测模型，分析研究仿真得到结果，发现其不足之处主要体现在准确性上，之后对神经网络后改进进行分段预测，将通过仿真实验预测的结果与实际运行的负荷进行对比，结果表明改进后预测的结果具有较好的准确性。

关键词：空调系统负荷预测 BP 神经网络遗传算法Load Subsection Prediction and Research of Air Conditioning SystemSHI Dan,XU BixiSchool of Electrical Engineering and Control Science,Nanjing University of TechnologyAbstract: In order to improve the energy consumption of air conditioning system,this paper established the load forecasting model of air conditioning system by using neural network,according to the environmental data and load data of the actual operation of the air conditioning system.The air conditioning load of the museum is obtained by the load forecasting,which is the basis of the energy saving optimization of the air conditioning system.According to the nonlinear characteristics and strong self learning and adaptive ability of the BP neural network,the air conditioning load of the museum is forecasted.Then the load forecasting model based on BP neural network is established,and the simulation results are also obtained,we can find that the deficiency is mainly reflected in the accuracy.Finally,the neural network is improved by subsection prediction,and the results of simulation experiment are compared with the actual load.It shows that the improved prediction results have good accuracy.Keywords:air conditioning system,load forecasting,BP neural network,genetic algorithm收稿日期： 2017515 作者简介：施丹（1992~），女，硕士研究生；江苏省南京市浦口区浦珠南路 30号南京工业大学（211800）； Email:2276596470@0 引言负荷预测的原理是通过收集历史数据来建立科学有效的预测模型，采用有效的算法进行大量试验，并根据某些准则不断修正模型和算法，得到近似真实的负荷变化规律[1]。

《2024年基于LSTNet-Skip的综合能源系统多元负荷超短期预测》范文

《基于LSTNet-Skip的综合能源系统多元负荷超短期预测》篇一一、引言随着能源需求的不断增长和能源结构的日益复杂化，综合能源系统的运行和管理变得越来越重要。

其中，负荷预测作为综合能源系统的重要组成部分，对于提高系统运行效率、保障能源供应安全具有重要意义。

近年来，随着人工智能技术的快速发展，基于深度学习的负荷预测方法得到了广泛关注。

本文提出了一种基于LSTNet-Skip的综合能源系统多元负荷超短期预测方法，旨在提高预测精度和稳定性。

二、背景与相关技术在综合能源系统中，多元负荷预测是指对电力系统、供热系统、制冷系统等多种能源负荷进行预测。

传统的负荷预测方法主要基于统计方法和线性模型，但在处理非线性、时变和复杂的能源负荷数据时，往往存在精度不足的问题。

近年来，深度学习技术在负荷预测领域得到了广泛应用，如循环神经网络（RNN）、长短期记忆网络（LSTM）等。

然而，这些方法在处理超短期、高频率的负荷数据时仍存在一定挑战。

LSTNet-Skip是一种结合了卷积神经网络（CNN）和LSTM 的深度学习模型，具有较好的特征提取和时序建模能力。

该模型通过引入跳跃连接（Skip Connection）机制，有效缓解了梯度消失和模型退化问题，提高了模型的训练效率和预测精度。

因此，本文选择LSTNet-Skip作为综合能源系统多元负荷超短期预测的方法。

三、方法与模型本文提出的基于LSTNet-Skip的综合能源系统多元负荷超短期预测方法主要包括以下步骤：1. 数据预处理：对多元负荷数据进行清洗、归一化等预处理操作，以便于模型训练。

2. 特征提取：利用CNN部分提取负荷数据的空间特征，如季节性、周期性等。

3. 时序建模：通过LSTM部分对时序数据进行建模，捕捉负荷数据的时序依赖关系。

4. 引入跳跃连接：在CNN和LSTM之间引入跳跃连接，以提高模型的训练效率和预测精度。

5. 模型训练与优化：采用合适的损失函数和优化算法对模型进行训练和优化，以提高模型的泛化能力。

基于BP神经网络的空调负荷预测

基于BP神经网络的空调负荷预测陈文鼎;赵哲身【摘要】本文以城建国际大厦冷源系统的检测数据为依据,利用BP神经网络,建立了空调负荷预测模型,并取得了较好的结果.文章进一步分析了可能存在的误差及提高预测精度的方法.【期刊名称】《节能技术》【年(卷),期】2010(028)001【总页数】4页(P15-17,24)【关键词】冷源系统;BP神经网络;负荷预测【作者】陈文鼎;赵哲身【作者单位】上海大学机电工程与自动化学院,上海,200072;上海大学机电工程与自动化学院,上海,200072【正文语种】中文【中图分类】TU831.20引言智能建筑的迅速发展使建筑物能耗在能源消耗中的比重急剧上升。

在建筑能耗里，中央空调能耗占总能耗的60%左右，而冷热源系统的能耗又占空调能耗的55%[1]。

因此，如能较准确地预测建筑物的空调负荷，使冷热源按建筑物负荷需求供应，对空调系统节能有非常重要的意义。

目前，常用的空调负荷预测方法主要有指数平滑法，多元线性回归法和神经网络法。

人工神经网络所具有的自学习、自组织能力和容错性等优点，使它能够从所学习的大量空调负荷的有关数据中自动抽取共同的特征，通过调整网络的连接权重来反映出这种特征。

从而通过网络的学习就能掌握影响空调负荷的各个要素及其内在联系，从而预测要优于传统的统计预测的方法[2]。

中央空调冷冻水系统是具有大滞后和非线性特性的系统，难以确立室外气象参数与空调负荷的数学模型。

神经网络通过学习能够掌握数据间复杂的依从关系，具有较好的样本非线性映射能力，因此，可以利用人工神经网络的方法模拟室外气象参数与空调负荷的非线性模型。

本文采用BP神经网络建立空调负荷预测模型，将其应用于上海城建国际大厦的空调负荷预测。

1 影响空调负荷的因素1.1 建筑物空调负荷的计算本课题的研究对象是上海城建国际大厦，其地下3层，地上25层，总建筑面积约60 000 m2，其中商业建筑面积约5 500 m2，办公层建筑面积39 500 m2。

基于PCA-SOA-ELM的空调系统负荷预测

基于PCA-SOA-ELM的空调系统负荷预测闫秀英;李忆言;杜伊帆;闫秀联【期刊名称】《分布式能源》【年(卷),期】2022(7)2【摘要】针对参与需求响应的空调系统负荷预测方法存在预测精度低、预测时间长等问题,提出一种基于主成分分析(principal component analysis,PCA)与海鸥优化算法(seagull optimization algorithm,SOA)优化极限学习机(extreme learning machine,ELM)空调负荷预测模型。

通过PCA提取影响空调系统负荷数据的主要特征,建立空调系统ELM负荷预测模型,并采用SOA对模型参数进行迭代寻优。

为了验证算法的有效性,以某办公建筑的空调负荷数据为例进行实例分析,实验结果表明:经PCA特征提取后得到包含98.00%原信息的6项主成分,SOA-ELM 模型的预测结果与实际值基本吻合,其均方根误差为0.0137,平均绝对百分比误差为0.8392%,决定系数高达0.9910,训练时长为3.482s,相较于其他3种对比模型性能更优。

证明了所建模型泛化性能强、预测精度高,能够有效预测空调系统需求响应时段负荷的变化情况。

【总页数】8页(P56-63)【作者】闫秀英;李忆言;杜伊帆;闫秀联【作者单位】西安建筑科技大学建筑设备科学与工程学院【正文语种】中文【中图分类】TK01;TP302.7【相关文献】1.基于负荷预测的地铁通风空调系统节能方案2.基于遗传算法的写字楼中央空调工程系统冷负荷预测研究3.基于负荷预测的冰蓄冷空调系统的优化运行策略4.基于全年负荷模拟和空调日负荷预测控制策略的冰蓄冷系统可行性研究5.基于小波神经网络的暖通空调系统短期热负荷预测因版权原因，仅展示原文概要，查看原文内容请购买。

暖通空调节能技术优化及工程管理研究_6

暖通空调节能技术优化及工程管理研究发布时间：2022-06-01T07:03:09.395Z 来源：《工程建设标准化》2022年2月第3期作者：韦相朋[导读] 社会经济快速发展，人们越来越重视生活质量韦相朋广西桂荣空调工程有限公司广西南宁 530200摘要：社会经济快速发展，人们越来越重视生活质量，对生活环境的热舒适性也提出了更高要求为了能够强化环境保护，节约能源，打造节能减排型社会，在暖通空调设计的过程当中，一定要不断优化完善其节能设计以及降噪处理环节，暖通空调在目前人们的发展当中具有极为重要的作用，能够为人们的生活提供助力，然而由于其自身系统不够完善，以至于在能源消耗方面不断提升，对我国的能源产生了一定程度的压力，我国在电力能源方面较为紧张，为了能够节省能源，在设计暖通空调系统的过程当中，要将节能降噪放在首位。

关键词：暖通空调；节能技术；工程管理引言空调用制冷剂CFCs破坏臭氧层，全球变暖问题成为人们关注的环保问题。

暖通空调系统是建筑业中的重要系统，要采取科学的节能措施，处理好建筑节能与室内环境品质的关系。

节能减排是减少能源浪费的有效举措，是我国发展的重要战略任务，当前中央空调系统设计节能存在许多问题，需要加强中央空调系统节能环保技术研究。

现代空调技术发展中出现许多先进节能型产品，在满足成本控制的前提下中央空调系统应优先选择节能型产品。

1暖通空调设计原则分析经过实际调查发现，暖通空调在应用的过程当中具备着较高的能耗，尤其是在居民建筑当中，其能源消耗占据了极大的比例，因此相关设计人员在设计的过程当中，一定要格外注重节能的要求。

在实际工作开展的过程当中，要将冷热源选型以及最终能达到的节能效果进行全面分析，要充分落实好节能减排的设计原则，再制定相应的设计方案。

对于暖通空调内部的控风系统以及水输配系统也要格外细致的设计，使其能够正常运转，保证每一个环节的设计都要做到节能控制，进而最大程度降低暖通空调的能源消耗，使其最终的节能效果得以显著提升。

基于计量数据分析的楼宇报停户和边户对供热特性的影响研究

基于计量数据分析的楼宇报停户和边户对供热特性的影响研究发布时间：2021-10-09T02:44:00.423Z 来源：《中国电业》2021年第15期作者：邵鹏勇夏青[导读] 城市供热系统中，由于存在报停户、边户等因素影响邵鹏勇夏青天津能源物联网科技股份有限公司摘要：城市供热系统中，由于存在报停户、边户等因素影响，用户实际室温的预测和调控存在一定程度的偏差。

本文采用数据分析技术，分析50户（含报停户、边户）参数对供热中实际室温的影响程度。

结果发现，报停户对周边热用户的室温影响甚至高于边户因外墙直接面对冷空气而带来的热损失影响，因此，在研究楼宇室温分布等供热特性时，必须充分考虑报停户带来的周边室温降低的影响。

关键词：供热计量，户间传热，室温1.概述1.1背景介绍由于邻户调整室温或关闭供暖系统，造成间墙或楼板传热过大而影响正常使用的房间室温和增加供暖费用。

[1]即使供热系统输出热量或热功率足够了，但热用户实际室温仍然与预测值存在一定程度的偏差，这就必须考虑户间传热负荷的问题。

本文以天津某小区为研究对象，选取50户左右典型热用户的供热计量数据和室温数据，确定报停户、边户的标准室温和周围热用户标准室温相互影响的关系系数进行分析。

1.2城市供热特性（报停户、边户）研究现状介绍关于供热计量的户间传热负荷分析与计算方法是当前暖通界研究的热门和重要课题之一，其共性是对户间传热的机理的认识基本相同，所得的定性传热规律基本也相同。

王随林[2]等在提出了一种非稳态传热的数值分析法，分析了现有钢筋混凝土住宅标准层的两类最普遍的典型房间，一面外墙停止供暖和两面外墙停止供暖的情况下，典型房间室温和与邻室的上下左右户间传热温差及围护结构温度分布的变化规律，得出了两类房间户间传热温差值。

张庚午[4]通过北京地区大型办公类建筑供热指标影响因素偏相关分析，确定了影响办公类建筑供热指标主要的显著因素为：建筑的围护结构传热系数、新风量及建筑内部的热量。

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

［收稿日期］ 2013-05-15
［项目］建筑安全与环境国家重点实验室开放课题“基于数据
挖掘技术的空调优化管理系统的研究 ”（ BSBE2011-
05）
［作者简介］李帆（ 1988-），男，在读硕士研究生
［联系方式］ jeckr@ 126． com
隐含层及其神经元数量的选取对构建神经网络有重要影响。有限数量的隐含层足以解决非线性和滞后问题。隐含层节点数应该为 2N + 1（ N 为输入层节点数）［11］。本文神经网络模型共有 3 层，根据所选择的输入参数，输入层共有 7 个节点。因此，隐含层设置为 15 个节点，输出层为 1 个节点。 1. 3 逐时负荷预测神经网络结构
（ 2）
式中： xi 为归一化后神经网络的输入值； xdi为原始输
入值； xdmin 、xdmax 为原始输入值中的最小值和最大值；
ti 为归一化后神经网络的目标值； ydi 为原始目标值；
ydmin 、ydmax 为原始目标值中的最小值和最大值。
神经网络经过学习训练后，得到预测值 oi，其值
范围为 0 ～ 1，因此，需要把预测值还原变成
第2 期
李帆，等：基于运行数据人工神经网络的空调系统逐时负荷预测
73
间实现全连接，而每层神经元之间无连接［5］。网络中的每 1 层都包含若干神经元，输入层和输出层的神经元个数由模型中变量数决定。图 1 为 3 层 BP 神经网络的结构图。
图 1 BP 神经网络空调负荷预测模型
本文采用 BP 神经网络建立了多输入-单输出的负荷预测模型，影响该模型的核心因素包括输入参数设置、隐含层设置和数据预处理 3 个过程。 1. 1 输入参数的选取
ypi = ydmin + oi （ ydmax － ydmin ）
（ 3）
式中： ypi为预测值的还原值； oi 为神经网络的预测输
出值。
2 实例预测分析
预测中所采用的基础数据来自某地源热泵空调监测系统所采集的运行数据。该工程建筑面积 9. 9 万 m2 ，空调面积 8. 7 万 m2 ，供暖面积 7. 4 万 m2 ，共 18 层，地上 17 层，地下 1 层。该工程于年 2009 年 12 月完工，该项目建立空调系统运行数据采集系统。太阳辐射照度数据采用 Dest 软件气象参数集标准年数据。其他数据采集使用了 TDS-100 超声波流量计、PT1000 温度传感器、M-7015P 温度采集模块等仪器。 2. 1 预测结果分析
一般输入信息越多，神经网络非线性映射能力越强，预测准确度越高，但这也将增加计算机的求解时间，同时也会由于测量点和传感器的增多，使控制系统难度增加和初投资提高，所以在实际工程应用中很多输入参数是不能获得的。在本文所建立模型中，我们将根据相关文献的研究和实际所获得的数据，通过重复试验，选择如下的输入参数。 1. 1. 1 室外温度
综上，本文建立 7 × 15 × 13 层结构的神经网络模型，其网络拓扑结构如表 1 所示。
表 1 逐时负荷预测神经网络拓扑结构
输入层神经元
说明
1 ～ 4 预测日 t 时刻、t 时刻前 1 h、前 2 h 和前 24 h 的室外温度
5 ～6
预测日 t 时刻和前 24 小时的太阳辐射强度
7
预测日前 1 天 t 时刻的即时负荷值
Abstract： Taking the heat pump system at a ground source in Nanjing as the measured object，this paper constructs a prediction model for artificial neural network load based on the measured hourly load data，and makes a prediction． The results show that this model can accurately predict the hourly loads of a unit in the future 24 hours，with the prediction error at about 5. 20% ． Keywords： artificial neural network，ground source heat pump，load prediction
图 2 是 2012 年 7 月份部分逐时负荷的预测值和实测值比较图。从图中可以看出，所建立的人工神经网络模型的预测值的数值和趋势走向基本上和
实测值相近，在逐时负荷突然变化时，负荷预测值的跟随性较好。因此该模型能够较好地为地源热泵空调系统优化控制服务。
图 2 2012 年 7 月部分逐时负荷预测值和实测值比较图
第 30 卷第 2 期 2014 年 2 月
［文章编号］1002-8528（ 2014） 02-0072-04
建筑科学
BUILDING SCIENCE
Vol. 30，No. 2 Feb． 2014
基于运行数据人工神经网络的空调系统逐时负荷预测
李帆1 ，曲世琳1 ，于丹2 ，曹勇3 ，毛晓峰3 （ 1．北京科技大学，北京 100083； 2．北京建筑大学环境与能源工程
Artificial Neural Network
LI Fan1 ，QU Shilin1 ，YU Dan2 ，CAO Yong3 ，MAO Xiaofeng3 （ 1． University of Science and Technology Beijing，Beijing
100083，China； 2． School of Environment and Energy Engineering，Beijing University of Civil Engineering and Architecture，Beijing 100044，China； 3． Institute of Building Environment and Energy Efficiency，China Academy of Building Ｒesearch，Beijing 100013， China）
［关键词］人工神经网络；地源热泵；负荷预测
［中图分类号］ TU111. 19 + 5
［文献标识码］ A
DOI:10.13614/ki.11-1962/tu.2014.02.014
Prediction on Hourly Load of Air Conditioning System based on Operating Data and
理论上，任何影响负荷的因素均可作为神经网络的输入参数。在文献中，Gibson 等于 1993 年根据中央冷站系统的运行数据预测建筑冷负荷、总电力需求及相应的系统运行数据，是较早在负荷预测中使用人工神经网络的研究工作，其输入参数为室外温度、湿度、室内设计温度、状态标志和居住用电［6］；吴杰等人在对杭州某大楼冷负荷预测中，建立了人工神经网络模型，其采用的输入变量主要有预测日的最高、最低和平均温度，基准日的负荷、平均温度和最高、最低温度等［7］；甚至有些文献还把空调系统的运行参数，如前一天同时刻的冷负荷、冷冻水供水温度、制冷机开启台数、运行模式等也作为预测输入参数。
指空调系统相近时刻的运行参数一般没有特别大突
变，具有平滑性；横向相似性是指在相邻的几天内类
型相同的日运行参数曲线的峰谷时刻基本相同，曲
线形状也比较相似。所以当某数据与其相邻 2 组数
据及前后 2 天同时刻数据相比，其相对误差超过工
程上的阈值（一般为 150% ），则视为异常数据。对
于异常数据，一般直接将原来数据剔除，用可靠数据
1 神经网络模型结构及数据预处理
从大量文献可以看出，在采用神经网络的预测技术中，使用最多的还是 BP （ Back Propagation）网络。通过比较 1 个隐含层和 2 个隐含层的模型拟合度，采用 1 层隐含层的 3 层网络已经能够满足预测要求，而采用 2 个隐含层并无益处。3 层 BP 神经网络结构主要包括输入层、隐含层和输出层，上下层之
隐含层神经元
说明
1 ～ 15
无明确意义
输出层神经元
说明
1
预测日 t 时刻的即时负荷值
1. 4 数据预处理由于实测数据容易受到采集仪表误差的影响，
并且监测平台的不稳定也可能导致数据错误或偏差，因此必须对实测数据进行预处理，剔除异常数
74
建筑科学
第 30 卷
据。本文利用空调系统运行参数的纵向相似性和横向相似性［12］来判断数据是否异常。纵向相似性是
0引言
随着预测研究的深入，各种预测方法已广泛应用到各领域，如经济预测分析、生态及环境系统分析、人口预测、生产预测等［1］。据文献［2］介绍，目前世界上有近千种预测方法，较成熟的有 150 多种。在暖通空调领域，采用合理的运行调节方法是提高空调系统的能源利用效率主要途径之一，而负荷预测是空调系统优化运行的基础。准确预测建筑物的运行调试起着至关重要的作用。操作人员可以根据预测的负荷决定系统的启停时间，发现系统故障，并对系统故障进行诊断、维修。预测方法可分成 2 大类［3］：一类是定性预测，也称为直观性预测；另一
类是定量预测，也称为统计预测。在暖通空调领域，常采用定量预测的方法，即采用数学、概率论和数理统计的方法对历史数据进行处理。这些方法在暖通空调领域已有应用［4］。近年来，一门新兴的边缘学科———人工神经网络，引起人们的广泛关注。由于它独特的结构和处理信息的方法，使其在许多实际应用领域中取得了显著的成效。在暖通空调领域已有研究中，人工神经网络多用于冰蓄冷空调系统的负荷预测，而本文将介绍人工神经网络在地源热泵空调系统负荷预测中的应用。