基于Elman網(wǎng)絡的空調(diào)預冷時間的預測

為了更準確地進行空調(diào)系統(tǒng)負荷的預測,應用了在處理序列輸入輸出數(shù)據(jù)具有優(yōu)越性的el-man回歸神經(jīng)網(wǎng)絡建立負荷預測模型,并用2003年7月份的統(tǒng)計數(shù)據(jù)進行檢測。同時也應用了基于bp算法的靜態(tài)前饋神經(jīng)網(wǎng)絡進行建模和檢測,比較兩種檢測結果,證明了elman網(wǎng)絡在動態(tài)預測實驗中與bp網(wǎng)絡相比較的優(yōu)勢。

從空調(diào)負荷預測的目的出發(fā),詳細介紹了一種基于神經(jīng)網(wǎng)絡的混沌優(yōu)化方法,對誤差函數(shù)及搜索方法作了適當?shù)母倪M,建立了一個混沌神經(jīng)網(wǎng)絡模型。并用此改進的模型對一實例進行了空調(diào)負荷預測,結果表明該方法簡便、足夠準確可靠。

電力系統(tǒng)負荷預測是電力生產(chǎn)部門的重要工作之一,其負荷變化具有明顯的周期性,文章采用elman神經(jīng)網(wǎng)絡與bp神經(jīng)網(wǎng)絡建立模型,提出了一種基于神經(jīng)網(wǎng)絡的負荷預測方法。對某電網(wǎng)實際歷史數(shù)據(jù)進行仿真預測,經(jīng)研究發(fā)現(xiàn),elman模型具有收斂速度快、預測精度高的特點,同時表明利用elman回歸神經(jīng)網(wǎng)絡建模對某電網(wǎng)負荷進行預測是完全可行的,在負荷預測領域有著較好的應用前景。

基于神經(jīng)網(wǎng)絡的時間序列預測方法,需要正確確定網(wǎng)絡結構,它關系到所建模型的合理性以及預測的準確性。目前確定網(wǎng)絡結構的絕大多數(shù)方法,其網(wǎng)絡結構一經(jīng)訓練確定便保持不變。然而現(xiàn)實中許多時間序列呈現(xiàn)非平穩(wěn)性,其結構經(jīng)常發(fā)生變化,這就要求網(wǎng)絡結構能夠動態(tài)可調(diào),因此本文提出結構可變的徑向基函數(shù)(rbf)神經(jīng)網(wǎng)絡預測模型。并采用序列蒙特卡羅(smc)方法實現(xiàn)基于結構可變rbf網(wǎng)絡的時間序列在線預測;最后采用cru鋼鐵價格指數(shù)月數(shù)據(jù)進行實證研究,結果表明該模型的有效性。

為了解決bp神經(jīng)網(wǎng)絡在短期電力負荷預測中存在局部極小、收斂速度慢等問題，本文采用粒子群算法（particleswarmoptimization，pso）優(yōu)化elman動態(tài)神經(jīng)網(wǎng)絡進行精準預測。根據(jù)輸入輸出參數(shù)個數(shù)確定elman神經(jīng)網(wǎng)絡結構，利用pso算法優(yōu)化網(wǎng)絡的權值和閾值，并將優(yōu)化后的最優(yōu)個體賦給elman動態(tài)神經(jīng)網(wǎng)絡作為初始權值、閾值進行網(wǎng)絡訓練，從而建立基于pso-elman的電力負荷預測模型。采用某鋼廠實測電力數(shù)據(jù)對該方法和模型進行驗證，并與傳統(tǒng)的bp、elman網(wǎng)絡模型預測方法進行對比，結果表明該方法和模型在有效縮短網(wǎng)絡收斂時間的同時，具備更高的負荷預測精度和穩(wěn)定性。

徽派建筑是我國四大古建筑流派之一,木構件是徽派建筑的核心.準確預測徽派木構件的壽命,對于古建筑的保護具有重要的意義.目前系統(tǒng)考慮多種因素對木構件壽命共同影響的研究較少,elman神經(jīng)網(wǎng)絡是一種典型的多層動態(tài)遞歸神經(jīng)網(wǎng)絡,通過存儲內(nèi)部狀態(tài)使其具備映射動態(tài)特性的功能,從而使系統(tǒng)具有適應時變特性的能力,可用于預測木構件復雜的非線性時變系統(tǒng)的建模.針對基本的elman神經(jīng)網(wǎng)絡存在訓練速度慢、容易陷入局部極小值的特點,使用帶有自適應變異算子的粒子群優(yōu)化算法對基本的elman神經(jīng)網(wǎng)絡進行改進,優(yōu)化網(wǎng)絡中各層之間的連接權值,提高學習速度,并在全局范圍內(nèi)尋找最優(yōu)解.仿真結果表明,改進后的網(wǎng)絡能較準確地擬合訓練值,并進行有效預測,能夠較好應用于徽派古建筑壽命預測.

為提高空調(diào)冷負荷預測精度,本文提出了基于pso-bp算法的神經(jīng)網(wǎng)絡模型。將pso算法與bp神經(jīng)網(wǎng)絡相結合,對大型商場的空調(diào)樣本數(shù)據(jù)進行冷負荷預測實驗。結果表明,與bp神經(jīng)預測算法相比,該算法的預測精度更高,運行速度更快。

基于神經(jīng)網(wǎng)絡的空調(diào)負荷實時預測模型——文章針對暖通空調(diào)系統(tǒng)優(yōu)化和預測控制，研究了利用神經(jīng)網(wǎng)絡進行空調(diào)負荷預測的方法。

基于小波變換的思想建立了遞歸bp網(wǎng)絡模型來預測空調(diào)負荷,改進了網(wǎng)絡權值、閾值的修改算法,引入了折扣系數(shù)法以提高近期預測精度,結合一實例進行了空調(diào)逐時冷負荷預測,結果表明該方法預測精度高,適用于空調(diào)負荷預測。

文章以中央空調(diào)系統(tǒng)為對象,采用神經(jīng)網(wǎng)絡預測控制算法來實現(xiàn)溫度控制,在單片機控制器上實現(xiàn)編程,并通過實時仿真驗證控制算法的實用性,得到接近實際情況的仿真結果。

變風量(vav)空調(diào)系統(tǒng)具有節(jié)能、空氣品質高的特點,應用前景廣闊,本文介紹了變風量空調(diào)系統(tǒng)的基本原理。結合變風量空調(diào)系統(tǒng)的特點,在基于被控房間數(shù)學模型的基礎上,將小波神經(jīng)網(wǎng)絡應用于變風量空調(diào)室溫控制中。研究vav空調(diào)的控制技術以提高其系統(tǒng)性能。

以凸輪式高速形變試驗機得到的實驗數(shù)據(jù)為基礎,利用matlab人工神經(jīng)網(wǎng)絡工具箱,建立了合金工具鋼的變形抗力與其化學成分、變形溫度、變形程度及變形速度對應關系的elman神經(jīng)網(wǎng)絡預測模型。與bp網(wǎng)絡模型相比,elman神經(jīng)網(wǎng)絡模型有較好的預測精度。

本文針對bp模型收斂速度慢、易陷入局部極小點等缺點,基于遺傳算法的思想,對訓練算法進行了改進,提高了收斂速度和預測精度。應用表明這種改進模型在空調(diào)系統(tǒng)的負荷預測方面是有效的、可行的。

對比分析了壓力相關型和壓力無關型變風量空調(diào)末端室溫控制原理,闡述了壓力相關型末端室溫預測控制的研究意義。描述了時滯系統(tǒng)周期性預測控制基本原理,提出了基于elman網(wǎng)絡多步預測模型的室溫預測控制方法。試驗研究結果顯示:在滿足末端負荷需求的前提下,提出的基于壓力相關型末端的室溫預測控制方法改變了變風量末端的調(diào)節(jié)方式,有利于提高變風量空調(diào)系統(tǒng)室溫控制回路的穩(wěn)定性。

基于elman經(jīng)網(wǎng)絡的深基坑變形智能監(jiān)測——elman神經(jīng)網(wǎng)絡是一種典型的動態(tài)遞歸神經(jīng)網(wǎng)絡，它既可以學習空域模式，又可以學習時域模式，能使訓練好的網(wǎng)絡具有非線性和動態(tài)特性。文章采用11輸入單元和1個輸出單元的elman神經(jīng)網(wǎng)絡。利用matlab提供的神經(jīng)網(wǎng)絡工具箱編...

變風量空調(diào)控制系統(tǒng)具有非線性和動態(tài)特性。目前,在vav空調(diào)控制領域應用最廣泛的神經(jīng)網(wǎng)絡是靜態(tài)前饋bp神經(jīng)網(wǎng)絡,而在多層前向bp網(wǎng)絡中引入特殊關聯(lián)層,形成有"記憶"能力的elman神經(jīng)網(wǎng)絡,可以映射系統(tǒng)的非線性和動態(tài)特性。其在網(wǎng)絡訓練算法中,采用自適應學習速率梯度下降反向傳播算法,顯著提高了網(wǎng)絡的訓練速率,有效抑制了網(wǎng)絡陷入局部最小點。文中分別采用bp神經(jīng)網(wǎng)絡與elman神經(jīng)網(wǎng)絡建立模型,對vav空調(diào)系統(tǒng)的少量參數(shù)的數(shù)據(jù)進行仿真預測,經(jīng)比較分析,證明后者具有收斂速度快、預測精度高的特點。

針對一些大型場所空調(diào)離散安裝,且使用無規(guī)律的電能浪費問題,提出組態(tài)基于網(wǎng)絡的空調(diào)程控系統(tǒng)。其中包括空調(diào)程控系統(tǒng)構架方案和控制終端成型設計,采用了實地建模多處取點試驗的方法進行反復測試。結果表明實現(xiàn)了穩(wěn)定可靠的系統(tǒng)控制和實時高效的系統(tǒng)管理,具有實用價值和推廣價值。

基于空調(diào)負荷預測的優(yōu)化控制是解決冰蓄冷控制問題的理想途徑。本文在分析國際建筑物空調(diào)負荷預測競賽研究成果的基礎上指出,利用季節(jié)性時間序列模型建模預測精度較高,且工程實施簡便,特別適合于空調(diào)系統(tǒng)連續(xù)運行、負荷波動規(guī)律性較強的建筑物負荷預測。本文概要介紹利用季節(jié)性時間序列模型進行建模預測的理論和方法,并通過工程實例驗證了建模方法的有效性。

在分析比較各種負荷預測方法的基礎上,給出了一個基于互聯(lián)網(wǎng)的應用神經(jīng)網(wǎng)絡方法進行負荷預測的方案。該方法通過互聯(lián)網(wǎng)以“準在線”的方式可同時滿足較高的逐時負荷預測精度和模型調(diào)整的要求,并已在實際工程中使用,取得了一定的效果。

本文提出一種人工神經(jīng)網(wǎng)絡(ann)方法，確定暖通空調(diào)(hvac)系統(tǒng)對控制信號的響應延遲時間。在研究中選用了四層網(wǎng)絡，在網(wǎng)絡學習過程中采用了一種加速方法，以改善梯度下降法。對制熱和制冷兩種工作方式的實驗數(shù)據(jù)，采用ann和傳統(tǒng)算法兩種方法確定延遲時間，并進行比較。結果表明ann可以有效地用于確定hvac系統(tǒng)的延遲時間。

介紹了神經(jīng)網(wǎng)絡的基本原理,編制了通用神經(jīng)網(wǎng)絡程序,并用此程序對一實際工程空調(diào)負荷進行了預測,預測結果與計算值相吻合,說明神經(jīng)網(wǎng)絡是一種新穎、可靠的負荷預測方法

空調(diào)負荷是近年來增長較快的一類負荷,其特性對電網(wǎng)的電壓穩(wěn)定性影響很大。夏季影響空調(diào)負荷的因素主要是溫度和濕度的變化。為了更好的預測空調(diào)降溫負荷,研究了溫度和濕度對空調(diào)負荷的影響。利用bp人工神經(jīng)網(wǎng)絡對電網(wǎng)空調(diào)負荷進行了預測,經(jīng)過分析把日平均濕度量化成4段,和日平均濕度實際數(shù)值的模型進行計算比較,結果顯示考慮日最高溫度和日平均濕度量化為4段能更好的模擬溫度、濕度和空調(diào)負荷之間的非線性關系,能更好的對電網(wǎng)空調(diào)負荷進行預測。