BP-Adaboost算法的建筑能耗預(yù)測

為克服傳統(tǒng)bp神經(jīng)網(wǎng)絡(luò)方法在建筑能耗預(yù)測的不足,提出了一種基于時間序列自相關(guān)分析的人工魚群神經(jīng)網(wǎng)絡(luò)預(yù)測模型。對建筑標準能耗進行自相關(guān)分析,確定輸入變量的維數(shù),結(jié)合人工魚群算法尋優(yōu)速度快、易跳出極值等優(yōu)點,對bp神經(jīng)網(wǎng)絡(luò)的初值權(quán)值和閾值進行優(yōu)化,建立能耗預(yù)測模型,并用模型對西安某高校建筑一個月的能耗值進行預(yù)測。結(jié)果表明,較傳統(tǒng)的bp神經(jīng)網(wǎng)絡(luò)模型,人工魚群神經(jīng)網(wǎng)絡(luò)預(yù)測模型具有更快的收斂速度,預(yù)測精度在±1%左右,預(yù)測誤差隨著迭代次數(shù)的增加而降低。

能源與環(huán)境是當今世界的兩大熱點問題,越來越受到人們的關(guān)注。在我國,城市的能耗大部分來自于建筑,建筑節(jié)能是我國可持續(xù)發(fā)展戰(zhàn)略的一個重要組成部分。對建筑進行能耗預(yù)測能夠?qū)δ茉催M行科學(xué)的管理并有效地節(jié)約能源,實現(xiàn)低碳。通過將神經(jīng)網(wǎng)絡(luò)算法與建筑能耗預(yù)測系統(tǒng)相結(jié)合,開展建筑能耗預(yù)測模型的研究,能夠有效地幫助管理人員合理安排建筑系統(tǒng)的運行方式,評估能耗水平是否合理,從而實現(xiàn)建筑節(jié)能。

財務(wù)狀況是一個企業(yè)經(jīng)營狀況最現(xiàn)實的反映,\"十二五\"規(guī)劃中明確指出提升我國制造業(yè)整體的轉(zhuǎn)化與升級,實現(xiàn)由制造業(yè)大國向制造業(yè)強國的轉(zhuǎn)變,而機汽車、電子產(chǎn)品、輪船等制造業(yè)在我國經(jīng)濟發(fā)展中占據(jù)重要的地位。本文通過bp-adaboost模型構(gòu)建針對制造業(yè)企業(yè)的財務(wù)預(yù)警體系,通過對評價指標的選擇、評價體系的構(gòu)建與優(yōu)化,來實現(xiàn)財務(wù)預(yù)警體系的預(yù)期目的,為企業(yè)的管理、投資者的決策、國家的規(guī)劃提供有效的參考。

辦公建筑在民用建筑中占很大的比例,影響辦公建筑能耗的因子種類多,變量之間相關(guān)性強。利用pca算法,對影響辦公建筑能耗的主要影響因子進行了主成分提取分析,以主成分累計貢獻率達85%為確定標準,最終達到矢量降維的目的,便于后期構(gòu)建影響因子與建筑能耗的關(guān)聯(lián)性。這對于降低辦公建筑的能耗有一定參考價值。

利用matlab建立bp神經(jīng)網(wǎng)絡(luò),將影響建筑能耗的18個因素作為網(wǎng)絡(luò)的輸入,進行學(xué)習(xí)訓(xùn)練,最后通過測試樣本點數(shù)據(jù)預(yù)測建筑能耗,與dest-h模擬計算得到的結(jié)果比較,發(fā)現(xiàn)相對誤差在3.5%以內(nèi),并通過實例驗證了該網(wǎng)絡(luò)模型的準確性。該方法使建筑人員在設(shè)計階段就能快速且準確地獲得設(shè)計建筑的能耗。

針對傳統(tǒng)bp神經(jīng)網(wǎng)絡(luò)存在的收斂速度慢和極易陷入局部極小值導(dǎo)致網(wǎng)絡(luò)\"震蕩\"影響建筑能耗預(yù)測準確性的缺點,本文提出一種基于隨機dropout和foa-bp的建筑能耗預(yù)測方法。該方法利用果蠅優(yōu)化算法(foa)對bp神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值進行優(yōu)化,再利用隨機dropout算法改進foa-bp網(wǎng)絡(luò)的隱層神經(jīng)單元,獲得較快的運算速度。案例仿真結(jié)果表明:與傳統(tǒng)方法比較,經(jīng)過foa-bp和隨機dropout改善后的網(wǎng)絡(luò)預(yù)測速度更快、預(yù)測精度更高,其預(yù)測結(jié)果可為建筑節(jié)能管理運行提供參考。

針對傳統(tǒng)bp神經(jīng)網(wǎng)絡(luò)的建筑能耗預(yù)測中不變的預(yù)測影響因素難以保證預(yù)測的準確性和人工確定網(wǎng)絡(luò)結(jié)構(gòu)耗時長的問題,本文提出一種基于ga-bp的自優(yōu)化的建筑能耗預(yù)測方法。該方法利用遺傳算法對建筑能耗bp神經(jīng)網(wǎng)絡(luò)預(yù)測模型的輸入因素和網(wǎng)絡(luò)結(jié)構(gòu)進行自動尋優(yōu)確定,有效地減少了最佳預(yù)測模型的設(shè)計時間,節(jié)省了人工實驗成本。利用該方法建設(shè)的建筑能耗預(yù)測系統(tǒng)已應(yīng)用在某建筑群的能耗預(yù)測中,有效地減少了建筑能源浪費。

建筑能耗數(shù)據(jù)具有非平穩(wěn)和非線性特征；單一預(yù)測模型很難對其進行精準預(yù)測；提出一種用于建筑能耗短期預(yù)測的新型混合模型；利用互補集合經(jīng)驗?zāi)B(tài)分解方法(ceemd)將波動性較大的能耗數(shù)據(jù)分解為一組本征模態(tài)函數(shù)和一個殘差序列；基于反向?qū)W習(xí)、差分進化算法并引入控制參數(shù)λ對鯨魚優(yōu)化算法(woa)進行改進；有效解決算法早熟收斂與陷入局部最優(yōu)等的問題；提出改進算法uwoa(upgradedwhaleoptimizationalgorithm)；利用uwoa優(yōu)化elman神經(jīng)網(wǎng)絡(luò)的權(quán)值與閾值；優(yōu)化后的elman神經(jīng)網(wǎng)絡(luò)對本征模態(tài)函數(shù)和殘差序列進行預(yù)測并集成；得到能耗預(yù)測值；應(yīng)用ceemd-uwoa-elman混合模型對上海某大型公共建筑能耗進行短期預(yù)測；結(jié)果顯示混合模型獲得很好的預(yù)測效果；

針對傳統(tǒng)bp神經(jīng)網(wǎng)絡(luò)存在的收斂速度慢和極易陷入局部極小值導(dǎo)致網(wǎng)絡(luò)\"震蕩\"的缺點,影響建筑能耗預(yù)測準確性的問題,本文提出一種基于隨機dropout和pso-bp的建筑能耗預(yù)測方法.該方法利用粒子群算法(pso)對bp神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值進行優(yōu)化,再利用隨機dropout算法改進pso-bp網(wǎng)絡(luò)的隱層單元,獲得較快的運算速度.案例仿真結(jié)果表明:與傳統(tǒng)bp神經(jīng)網(wǎng)絡(luò)和pso-bp神經(jīng)網(wǎng)絡(luò)預(yù)測比較,經(jīng)過pso-bp和隨機dropout改善后的網(wǎng)絡(luò)預(yù)測速度更快、預(yù)測精度更高,其預(yù)測結(jié)果可為建筑節(jié)能管理運行提供參考.

針對大型公共建筑高能耗問題,提出了主成分分析(pca)與bp神經(jīng)網(wǎng)絡(luò)相結(jié)合的大型公共建筑能耗預(yù)測模型。基于時間序列對歷史逐日耗電量進行相關(guān)性分析,提取預(yù)測點前三天的逐日耗電量,并與前一天日照、溫度、相對濕度、風(fēng)速的平均值進行主成分的濃縮,然后將其作為bp神經(jīng)網(wǎng)絡(luò)的輸入,從而降低輸入變量的維數(shù),簡化網(wǎng)絡(luò)結(jié)構(gòu)。結(jié)果表明,較傳統(tǒng)的bp網(wǎng)絡(luò),大型公共建筑能耗預(yù)測模型具有較高的精度和更短的學(xué)習(xí)時間,但當預(yù)測樣品數(shù)增加時預(yù)測誤差逐漸增大。

針對季節(jié)更迭、教學(xué)活動等因素對校園公共建筑能耗的影響，通過建立gm-bp神經(jīng)網(wǎng)絡(luò)組合預(yù)測模型，借助matlab軟件完成建模和仿真環(huán)節(jié)，對建筑能耗開展預(yù)測分析研究。同時，引入最大相對誤差絕對值emax、平均相對誤差eave和均方根誤差rmse3個性能指標對各預(yù)測模型性能進行評價。結(jié)果表明，組合模型較單一的gm(1，1)模型和bp神經(jīng)網(wǎng)絡(luò)模型預(yù)測精度更高，擬合性能更好。研究成果對能源管理部門制定用能政策及科研院校從事建筑節(jié)能研究具有一定的借鑒意義。

為滿足車輛檢測實時性和準確性需求,將基于c4.5的決策樹算法作為adaboost算法的弱分類器,產(chǎn)生一種速度快、識別率高的強分類器,稱之為adaboost-dt算法。算法訓(xùn)練多個決策樹并將之作為弱分類器,之后通過改進級聯(lián)架構(gòu)的adaboost算法將若干弱分類器組合成一個強分類器。該算法特點在于:相對于廣泛使用的以svm作為弱分類器的算法,其以決策樹作為分類器,速度提高了29%;通過在adaboost算法進行強分類器的形成階段加入再判決函數(shù),準確率提高了14.1%。

建筑的能耗受到如季節(jié)、建筑的構(gòu)造結(jié)構(gòu)等多種因素的影響,目前對一棟建筑樓實現(xiàn)能耗預(yù)測往往采用單一模型,往往無法得到相對準確的結(jié)果.為了更好地描述建筑能耗規(guī)律,以南方某地為研究區(qū)域提出一種基于arima和bp神經(jīng)網(wǎng)絡(luò)的復(fù)合模型,模型的實例數(shù)據(jù)來源為南方某地某市政辦公樓近兩年的能耗月數(shù)據(jù).首先,通過arima建模得到能耗值的擬合誤差序列,再用bp模型修正誤差值得到最終預(yù)測值.結(jié)果表明:復(fù)合預(yù)測模型的平均相對誤差為0.2783%,而單一模型則高達2.6578%,復(fù)合模型的預(yù)測效果遠優(yōu)于單一模型,為準確實現(xiàn)建筑節(jié)能提出了一種新思路.

針對商品住宅價格預(yù)測問題,分析整理了與房價相關(guān)的經(jīng)濟因素,首次提出將bp-boosting回歸算法運用到商品住宅價格的預(yù)測中.以鄭州市房地產(chǎn)相關(guān)數(shù)據(jù)為實例,進行學(xué)習(xí)預(yù)測.模型結(jié)果表明,該方法簡單有效,較為準確地預(yù)測出下一個季度的房價,與bp神經(jīng)網(wǎng)絡(luò)及灰色-馬爾柯夫模型相比具有較為理想的預(yù)測精度.

針對建筑能耗的預(yù)測問題,提出一種基于深度條件受限玻爾茲曼機(crbm)的預(yù)測方法.首先,將傳統(tǒng)受限玻爾茲曼機進行擴展,融入一個歷史條件輸入層,使其能夠根據(jù)歷史時間序列來預(yù)測未來序列.然后,在crbm基礎(chǔ)上構(gòu)建深度crbm模型,用來執(zhí)行建筑能耗的預(yù)測.在一個\"個體家庭電力消耗\"數(shù)據(jù)集上的實驗結(jié)果表明,提出的方法能夠準確預(yù)測出預(yù)定時間段內(nèi)的建筑能耗,能夠為電力調(diào)度提供一定的依據(jù).

根據(jù)空調(diào)負荷的非線性特點,提出了一種基于粒子群算法優(yōu)化誤差反向傳播(bp)神經(jīng)網(wǎng)絡(luò)的空調(diào)負荷預(yù)測方法,針對bp網(wǎng)絡(luò)訓(xùn)練容易出現(xiàn)麻痹和易陷入局部極值,以及其預(yù)測空調(diào)負荷時精度不夠理想等現(xiàn)象,將粒子群算法的隨機全局優(yōu)化和梯度下降局部優(yōu)化結(jié)合,達到改善神經(jīng)網(wǎng)絡(luò)泛化能力和提高空調(diào)負荷預(yù)測精度的目的。用該方法對的空調(diào)系統(tǒng)冷負荷與室外空氣的干球溫度、含濕量和太陽輻射照度的關(guān)系進行建模和預(yù)測,通過實例驗證了該優(yōu)化算法優(yōu)于bp網(wǎng)絡(luò),能更加有效地處理動態(tài)空調(diào)負荷中的非線性問題,獲得更可靠的預(yù)測結(jié)果。

bp神經(jīng)網(wǎng)絡(luò)是當前比較常用的人工神經(jīng)網(wǎng)絡(luò),針對bp神經(jīng)網(wǎng)絡(luò)存在易陷入局部極小值、收斂速度慢等缺陷,將lm算法引入到bp神經(jīng)網(wǎng)絡(luò)中,以改進bp神經(jīng)網(wǎng)絡(luò)在預(yù)測時的訓(xùn)練過程,并利用軌道交通客流的時間序列對其有效性進行驗證,結(jié)果證明該方法對軌道交通客流的短時預(yù)測有著更高的準確度和精度。

本文在建立城市層面的建筑用電量預(yù)測模型時,針對常規(guī)bp神經(jīng)網(wǎng)絡(luò)模型存在的諸多缺陷,進行了多種優(yōu)化:組合模型預(yù)測取均值以克服隨機性;加入統(tǒng)計規(guī)則以剔除個別奇異預(yù)測值的影響;實時學(xué)習(xí)以提高長期預(yù)測的精度。此外,針對影響因素的未來趨勢難以準確預(yù)測的問題,增加了月份周期變量和月份序列變量這2個變量作為網(wǎng)絡(luò)的輸入,以提高模型的精度。結(jié)果顯示,該方法預(yù)測效果明顯優(yōu)于常規(guī)bp神經(jīng)網(wǎng)絡(luò)和時間序列等方法。

bp神經(jīng)網(wǎng)絡(luò)算法具有很好的非線性推理能力及優(yōu)越的自組織、自適應(yīng)、容錯性能。利用該方法對高層建筑地基沉降數(shù)據(jù)進行分析,可不考慮地基沉降影響因素與沉降之間的對應(yīng)關(guān)系,而直接根據(jù)已知時間內(nèi)實際沉降數(shù)據(jù)構(gòu)建模型對未知時間的沉降進行預(yù)測推理。將該方法應(yīng)用于西安市某高層建筑的地基沉降數(shù)據(jù)預(yù)測分析,并與多項式擬合方法的分析結(jié)果進行對比可知,bp神經(jīng)網(wǎng)絡(luò)的非線性預(yù)測推理能力更強,應(yīng)用前景廣闊。

為改進以往神經(jīng)網(wǎng)絡(luò)對建筑能耗預(yù)測的不足,提出應(yīng)用遺傳算法結(jié)合levenberg-marquardt算法(galm)改進神經(jīng)網(wǎng)絡(luò)對建筑能耗進行預(yù)測。首先,利用遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值;其次,利用levenberg-marquardt算法優(yōu)化神經(jīng)網(wǎng)絡(luò)訓(xùn)練,針對影響建筑能耗的主要因素建立galm神經(jīng)網(wǎng)絡(luò)的建筑能耗預(yù)測模型。通過建立建筑能耗監(jiān)測平臺采集某公共建筑1個月的能耗數(shù)據(jù),對該模型進行訓(xùn)練和測試。實驗結(jié)果表明,該模型可以準確且高效地對建筑能耗進行短期預(yù)測。

建立了基于energyplus的天津市cbd建筑能耗預(yù)測模型,對影響該市cbd建筑能耗的設(shè)計參數(shù)進行了靈敏性分析,選定其中9個關(guān)鍵設(shè)計參數(shù),建立了天津市小白樓cbd建筑年總能耗的預(yù)測回歸模型并進行了驗證。研究結(jié)果顯示,照明功率密度、設(shè)備功率密度、窗墻比等參數(shù)對cbd建筑總能耗影響較大,天津市cbd能耗預(yù)測回歸模型r~2為0.966,估計標準偏差為1.122w/m~2；能耗預(yù)測值與模擬值的最大偏差分別為-12.813%和-7.063%。

通過研究分析夏熱冬冷地區(qū)公共建筑能耗變化特點,建立了rbf神經(jīng)網(wǎng)絡(luò)建筑能耗預(yù)測模型。在此基礎(chǔ)上運用微粒群算法對模型優(yōu)化,建立了基于pso-rbf的建筑能耗預(yù)測模型。利用大量數(shù)據(jù)構(gòu)造樣本集,運用軟件分別對優(yōu)化前后的預(yù)測模型進行訓(xùn)練,并運用到典型公共建筑能耗值的預(yù)測實例中。結(jié)果表明基于pso-rbf的建筑能耗預(yù)測模型的學(xué)習(xí)能力和預(yù)測能力強,能較準確地實現(xiàn)公共建筑能耗預(yù)測。