聚類和神經(jīng)網(wǎng)絡(luò)對建筑節(jié)能氣候數(shù)據(jù)清洗的算法

基于青島某辦公建筑2015年全年逐時總用電能耗及空調(diào)用電能耗數(shù)據(jù),利用kmeans聚類算法對其進行聚類,將全年能耗水平分為四大類。利用求平均值法得到每一類典型設(shè)備使用率曲線。將典型曲線的數(shù)據(jù)、日前兩周數(shù)據(jù)以及氣象數(shù)據(jù)一同作為bp神經(jīng)網(wǎng)絡(luò)的輸入,預(yù)測未來24小時的建筑總用電和空調(diào)用電,該方法比單用日前兩周數(shù)據(jù)及氣象數(shù)據(jù)進行負荷預(yù)測能獲得更低的相對誤差、均方根誤差、平均絕對百分誤差。bp負荷預(yù)測相對誤差在5%以內(nèi),而kmeans-bp負荷預(yù)測算法控制在±2.5%以內(nèi);bp預(yù)測得到的均方根誤差和平均絕對百分誤差范圍分別在4.6～9.0之間、2.3%～4.4%之間,kmeans-bp將該誤差縮小到3.1、2.0%以內(nèi),對于負荷預(yù)測精度要求上是階躍性的突破。

為了有效解決網(wǎng)絡(luò)系統(tǒng)可能出現(xiàn)的故障,結(jié)合模糊神經(jīng)網(wǎng)絡(luò)提出了一種新的故障檢測算法fdd-fnn(failuredetectionalgorithmbasedonfuzzyneuralnetwork).該算法根據(jù)特征信息熵建立了故障檢測評價方法和最小偏差的優(yōu)化模型,設(shè)計了模糊神經(jīng)網(wǎng)絡(luò)中輸入層、模糊化層、模糊規(guī)則層和解模糊層,并且給出了具體的算法流程.通過建立網(wǎng)絡(luò)仿真平臺,深入分析了影響fdd-fnn算法的關(guān)鍵因素,同時對比研究了fdd-fnn算法與其他算法的性能情況,結(jié)果表明fdd-fnn算法具有較好的適應(yīng)性.

針對傳統(tǒng)方法單獨采用bp神經(jīng)網(wǎng)絡(luò)算法易陷入局部極值的問題,提出了遺傳算法優(yōu)化bp神經(jīng)網(wǎng)絡(luò),并將其應(yīng)用于mimo-ofdm系統(tǒng)信號檢測中。該方法將遺傳算法與神經(jīng)網(wǎng)絡(luò)相結(jié)合,用遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)初始值,使bp網(wǎng)絡(luò)快速收斂到最優(yōu)解,避免了由初始值的隨機選取而帶來的檢測誤碼。仿真結(jié)果表明所提出的方法在誤碼率方面有比較好的性能。

建立基于分布估計神經(jīng)網(wǎng)絡(luò)的公路工程造價估算模型,為實現(xiàn)快速、高效的估算公路工程造價提供了技術(shù)條件,是公路工程造價估算在實際應(yīng)用中的一次有意義的嘗試。

負荷預(yù)測是電力規(guī)劃的基礎(chǔ),傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)預(yù)測方法存在對初始網(wǎng)絡(luò)權(quán)值設(shè)置敏感、收斂的速度慢、容易陷入局部極小值等缺點。文中引入遺傳算法先對神經(jīng)網(wǎng)絡(luò)的初始值進行優(yōu)化,再通過神經(jīng)網(wǎng)絡(luò)進行學習和訓練,得出的結(jié)果再經(jīng)bagging方法集成,目的是提高其準確率。通過matlab仿真進行實驗,結(jié)果表明,基于bagging算法集成遺傳神經(jīng)網(wǎng)絡(luò),能夠克服傳統(tǒng)bp神經(jīng)網(wǎng)絡(luò)的缺點,可較快收斂又不易陷入到局部極值中,具有較強的泛化能力,同時也大大提高了網(wǎng)絡(luò)的預(yù)測精度。

在彎管前安裝擾流子，可以減小彎管處二次流強度，降低能量損失，并運用cfd軟件對不同參數(shù)下的擾流子節(jié)能效果數(shù)值計算。以l9（33）正交試驗以及4組補充試驗作為bp神經(jīng)網(wǎng)絡(luò)的訓練樣本，建立在5種雷諾數(shù)下擾流子節(jié)能效率與擾流子葉片轉(zhuǎn)角、葉片長度、安裝距離3個結(jié)構(gòu)參數(shù)的非線性映射關(guān)系；擾流子節(jié)能效率最大值作為目標函數(shù)，再結(jié)合遺傳算法進行結(jié)構(gòu)參數(shù)優(yōu)化。最終得到在不同雷諾數(shù)下擾流子葉片轉(zhuǎn)角、葉片長度、安裝距離的最佳組合形式，并利用有限元方法對結(jié)果驗證。結(jié)果表明，這種優(yōu)化方案具有可行性；合適的結(jié)構(gòu)參數(shù)的擾流子具有良好的節(jié)能效果。

在彎管前安裝擾流子,可以減小彎管處二次流強度,降低能量損失,并運用cfd軟件對不同參數(shù)下的擾流子節(jié)能效果數(shù)值計算.以l9(33)正交試驗以及4組補充試驗作為bp神經(jīng)網(wǎng)絡(luò)的訓練樣本,建立在5種雷諾數(shù)下擾流子節(jié)能效率與擾流子葉片轉(zhuǎn)角、葉片長度、安裝距離3個結(jié)構(gòu)參數(shù)的非線性映射關(guān)系;擾流子節(jié)能效率最大值作為目標函數(shù),再結(jié)合遺傳算法進行結(jié)構(gòu)參數(shù)優(yōu)化.最終得到在不同雷諾數(shù)下擾流子葉片轉(zhuǎn)角、葉片長度、安裝距離的最佳組合形式,并利用有限元方法對結(jié)果驗證.結(jié)果表明,這種優(yōu)化方案具有可行性;合適的結(jié)構(gòu)參數(shù)的擾流子具有良好的節(jié)能效果.

提出一種采用bp神經(jīng)網(wǎng)絡(luò)算法來預(yù)測深基坑沉降的方法,結(jié)合具體工程實例,構(gòu)建了預(yù)測深基坑周邊地表沉降具體bp神經(jīng)網(wǎng)絡(luò)模型,預(yù)測結(jié)果表明,該模型有較高的預(yù)測精度,可作為預(yù)測沉降的一種新方法。

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。

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。

采用遺傳算法對建筑設(shè)計進行優(yōu)化,是建筑設(shè)計領(lǐng)域一個全新的研究方向,然而,在日照分析下基于遺傳算法求解最優(yōu)值時,需要對每個進化個體進行適應(yīng)度函數(shù)的計算,將消耗大量的運行時間.為了降低算法的復(fù)雜性,提出一種神經(jīng)網(wǎng)絡(luò)結(jié)合遺傳算法的建筑優(yōu)化設(shè)計方法.研究結(jié)果表明：與傳統(tǒng)遺傳算法對比,該方法可以有效降低算法的迭代次數(shù)和運行時間,提高建筑優(yōu)化設(shè)計的效率.

采用遺傳算法對建筑設(shè)計進行優(yōu)化,是建筑設(shè)計領(lǐng)域一個全新的研究方向,然而,在日照分析下基于遺傳算法求解最優(yōu)值時,需要對每個進化個體進行適應(yīng)度函數(shù)的計算,將消耗大量的運行時間.為了降低算法的復(fù)雜性,提出一種神經(jīng)網(wǎng)絡(luò)結(jié)合遺傳算法的建筑優(yōu)化設(shè)計方法.研究結(jié)果表明:與傳統(tǒng)遺傳算法對比,該方法可以有效降低算法的迭代次數(shù)和運行時間,提高建筑優(yōu)化設(shè)計的效率.

根據(jù)某建筑中央空調(diào)系統(tǒng)的工作參數(shù),創(chuàng)建bp神經(jīng)網(wǎng)絡(luò)模型,得到輸入輸出的映射關(guān)系.利用遺傳算法尋找中央空調(diào)系統(tǒng)的最佳工作參數(shù),對遺傳算法的優(yōu)化結(jié)果進行分析.利用圖形分析法驗證遺傳算法得到的結(jié)果是全局最優(yōu)解.當冷卻水進口溫度為室外溫度、冷水出口溫度為設(shè)置范圍內(nèi)的最大值時,空調(diào)功耗最小.

針對bp神經(jīng)網(wǎng)絡(luò)訓練過程中的訓練時間較長、完全不能訓練或容易陷入局部極小值等問題,提出基于遺傳克隆選擇算法(cloga)優(yōu)化bp神經(jīng)網(wǎng)絡(luò)的流程,克服bp算法的一些缺陷。并通過湖北省人口預(yù)測問題進行效果檢驗,得到滿意的結(jié)果。

神經(jīng)網(wǎng)絡(luò)模型是一種非常有效的數(shù)據(jù)處理工具,但是存在結(jié)構(gòu)確定困難的缺點.針對神經(jīng)網(wǎng)絡(luò)算法的這種缺點,提出了變結(jié)構(gòu)神經(jīng)網(wǎng)絡(luò)模型.此模型增加了神經(jīng)網(wǎng)絡(luò)隱節(jié)點的決策變量,并對此決策變量進行松弛.在采用bp梯度算法確定神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的同時,確定網(wǎng)絡(luò)參數(shù).由于電纜的狀態(tài)監(jiān)測是時序數(shù)據(jù),將此模型應(yīng)用于電纜的狀態(tài)監(jiān)測過程中,能體現(xiàn)出較好的適應(yīng)性.

利用粒子群算法對入侵檢測神經(jīng)網(wǎng)絡(luò)模型進行優(yōu)化。仿真結(jié)果表明,與bp神經(jīng)網(wǎng)絡(luò)和ga神經(jīng)網(wǎng)絡(luò)相比較,具有較強的逼近和容錯能力、較快的收斂速度和較好的檢測效果。

本文對常見的電梯智能群控算法進行了分析比較,重點研究了模糊神經(jīng)網(wǎng)絡(luò)算法。本文首先對大廈客流的特征進行長期統(tǒng)計分析,進而對電梯群交通模式進行分類,利用模糊神經(jīng)網(wǎng)絡(luò)對電梯群的交通模式進行了識別。根據(jù)系統(tǒng)的識別結(jié)果判定電梯群當前處于的交通模式。然后再次利用模糊神經(jīng)網(wǎng)絡(luò)對派梯算法中各電梯響應(yīng)呼梯信號的可信度進行計算,選取可信度最大的電梯響應(yīng)呼梯信號,最終完成派梯。

本文對常見的電梯智能群控算法進行了分析比較,重點研究了模糊神經(jīng)網(wǎng)絡(luò)算法。本文首先對大廈客流的特征進行長期統(tǒng)計分析,進而對電梯群交通模式進行分類,利用模糊神經(jīng)網(wǎng)絡(luò)對電梯群的交通模式進行了識別。根據(jù)系統(tǒng)的識別結(jié)果判定電梯群當前處于的交通模式。然后再次利用模糊神經(jīng)網(wǎng)絡(luò)對派梯算法中各電梯響應(yīng)呼梯信號的可信度進行計算,選取可信度最大的電梯響應(yīng)呼梯信號,最終完成派梯。

優(yōu)化電解碲電源對電解行業(yè)節(jié)能增效、提高電解產(chǎn)品質(zhì)量和改善電網(wǎng)環(huán)境具有重要意義.電源前級采用三相電壓型pwm整流器；在建立pwm整流器數(shù)學模型的基礎(chǔ)上；通過改進雙閉環(huán)pi控制策略；即外環(huán)基于并行搜索全局尋優(yōu)的遺傳算法優(yōu)化bp神經(jīng)網(wǎng)絡(luò)權(quán)值和閾值的智能控制方法；分析網(wǎng)側(cè)電流波形和諧波含量；可得到所需的額定電解電壓和電流；以matlab/simulink軟件為平臺進行仿真計算.結(jié)果表明:ga-bp(geneticalgorithm-backpropagation)算法具有輸出電壓平穩(wěn)、響應(yīng)速度快、超調(diào)量小、抗干擾性強等優(yōu)點.

設(shè)計與施工的交互耦合分析對建設(shè)工程的發(fā)展具有極其重要的研究意義。這種交互耦合關(guān)系能從客觀上反映出兩個系統(tǒng)的耦合程度和耦合協(xié)調(diào)發(fā)展態(tài)勢。為了較科學地研究兩者的耦合態(tài)勢情況,文章建立了設(shè)計與施工兩個系統(tǒng)交互耦合的數(shù)學模型,并系統(tǒng)性分析了2010—2015年設(shè)計與施工耦合度、耦合協(xié)調(diào)度曲線變化情況。研究表明,設(shè)計與施工過程處于高水平耦合階段,且兩系統(tǒng)的整體發(fā)展水平表現(xiàn)不均衡。在此基礎(chǔ)上利用pso-bp神經(jīng)網(wǎng)絡(luò)算法對2016—2017年的交互耦合態(tài)勢進行預(yù)測,選取了1996—2015年建筑業(yè)設(shè)計、施工相關(guān)數(shù)據(jù)作為訓練樣本,從中均勻抽取4組作為測試樣本。該測試結(jié)果得到的預(yù)測值與實際值符合程度比較好,且預(yù)測精度較高。最后文章給出了設(shè)計與施工兩個系統(tǒng)在處于高水平耦合階段下,提高耦合協(xié)調(diào)度的建議。

當前一般按照數(shù)據(jù)的后驗分布,為缺失值插入估計值,通常低估了統(tǒng)計量的方差,導(dǎo)致統(tǒng)計量估計置信范圍降低,檢測顯著性降低。為此,提出1種新的基于bp神經(jīng)網(wǎng)絡(luò)的農(nóng)資庫存數(shù)據(jù)插補技術(shù)。為了增強不同年份農(nóng)資庫存數(shù)據(jù)的可比性,對數(shù)據(jù)進行歸一化處理。針對訓練的bp神經(jīng)網(wǎng)絡(luò),通過平均絕對誤差、均方誤差、平均預(yù)測誤差、平均絕對百分誤差完成統(tǒng)計分析,評價模擬值和觀測模擬值間的離散程度。分析了bp神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),對農(nóng)資庫存數(shù)據(jù)進行插補的過程中,構(gòu)造雙向時間識別序列,改變應(yīng)用前一時間段農(nóng)資庫存數(shù)據(jù)預(yù)測后期數(shù)據(jù)的傳統(tǒng)方式,采用缺失時間段前后已有農(nóng)資庫存數(shù)據(jù)共同對缺失數(shù)據(jù)進行預(yù)測。完成農(nóng)資庫存數(shù)據(jù)的處理后,需對已有樣本進行訓練,如果檢驗擬合度指標值高于0.8,則認為訓練結(jié)果可靠,從而完成對缺失值的預(yù)測,實現(xiàn)農(nóng)資庫存數(shù)據(jù)插補。試驗結(jié)果表明,所提技術(shù)插補精度高。