人工鱼群神经网络算法的建筑能耗预测

由于目前只有很少一部分建筑师能掌握复杂的建筑能耗分析,因此本文利用matlab建立bp神经网络,将影响建筑能耗的18个因素作为网络的输入,进行学习训练,最后通过测试样本点数据预测建筑能耗,并与dest-h模拟计算得到的结果比较,发现相对误差在3.5%以内,验证了该网络模型的可行性。该方法使建筑师在设计阶段能够简单且准确地获得设计建筑的能耗。

利用matlab建立bp神经网络,将影响建筑能耗的18个因素作为网络的输入,进行学习训练,最后通过测试样本点数据预测建筑能耗,与dest-h模拟计算得到的结果比较,发现相对误差在3.5%以内,并通过实例验证了该网络模型的准确性。该方法使建筑人员在设计阶段就能快速且准确地获得设计建筑的能耗。

为改进以往神经网络对建筑能耗预测的不足,提出应用遗传算法结合levenberg-marquardt算法(galm)改进神经网络对建筑能耗进行预测。首先,利用遗传算法优化神经网络的权值和阈值;其次,利用levenberg-marquardt算法优化神经网络训练,针对影响建筑能耗的主要因素建立galm神经网络的建筑能耗预测模型。通过建立建筑能耗监测平台采集某公共建筑1个月的能耗数据,对该模型进行训练和测试。实验结果表明,该模型可以准确且高效地对建筑能耗进行短期预测。

建筑能耗短期预测对实时性要求较高,传统神经网络存在收敛速度慢的缺点。为此,采用lm算法改进标准bp神经网络,建立了基于lm算法的建筑能耗预测模型。首先通过理论说明该算法的先进性,然后设计一套建筑能耗数据采集系统和建立基于lmbp神经网络的建筑能耗预测模型,最后采集某建筑一个月的整点电量作为预测模型的实验数据。实验结果表明,该模型明显提高了训练速度,且预测精度满足实际需求,说明了lmbp神经网络适用于建筑能耗短期预测。

针对建筑能耗受局地气候多因素影响的特点,为了客观准确地对建筑能耗进行预测,本文引入了气象热舒适度来综合分析气候对建筑能耗的影响,并以该指数预测值、建筑能耗原始数据和日期类型作为输入层,进行复合灰色神经网络模型预测建筑能耗。该方法不仅克服了灰色模型和神经网络存在的预测缺陷,同时还考虑了气象因素对建筑能耗的影响。通过对北京某大厦的实例应用分析,取得了较高精度的预测结果,证实了该方法的合理可靠,为建筑能耗预测提供了新途径,其预测结果也将为大型建筑空调系统的再优化设计和改造提供参考。

针对大型公共建筑高能耗问题,提出了主成分分析(pca)与bp神经网络相结合的大型公共建筑能耗预测模型。基于时间序列对历史逐日耗电量进行相关性分析,提取预测点前三天的逐日耗电量,并与前一天日照、温度、相对湿度、风速的平均值进行主成分的浓缩,然后将其作为bp神经网络的输入,从而降低输入变量的维数,简化网络结构。结果表明,较传统的bp网络,大型公共建筑能耗预测模型具有较高的精度和更短的学习时间,但当预测样品数增加时预测误差逐渐增大。

针对季节更迭、教学活动等因素对校园公共建筑能耗的影响，通过建立gm-bp神经网络组合预测模型，借助matlab软件完成建模和仿真环节，对建筑能耗开展预测分析研究。同时，引入最大相对误差绝对值emax、平均相对误差eave和均方根误差rmse3个性能指标对各预测模型性能进行评价。结果表明，组合模型较单一的gm(1，1)模型和bp神经网络模型预测精度更高，拟合性能更好。研究成果对能源管理部门制定用能政策及科研院校从事建筑节能研究具有一定的借鉴意义。

分析了人工鱼群算法存在的问题,提出一种改进人工鱼群算法,并将其用于梯级水库群的优化调度.其改进思想是采用动态调整人工鱼视野和步长的方法,较好地平衡了人工鱼群算法的全局搜索能力和局部搜索能力的矛盾;在此基础上,针对算法局部更新策略引起的更新操作前后个体空间位置变化较大,降低收敛速度这一问题,在局部更新时采用了阈值选择的策略.通过实例验证了该改进算法的有效性,并对改进算法的阈值参数进行了率定.

针对船体测厚数据未能被有效利用的问题,提出一种基于神经网络算法的结构腐蚀分析、预测方法,为船舶的健康管理提供评估及决策支持.依据神经网络算法的基本原理和建模方法,研究测厚数据结构、神经网络输入参数的选择、腐蚀状况的分析及预测等关键问题的实现方案,并在此基础上开发船体可视化模型关联测厚结果的展示、分析功能,应用于实船测厚数据并形成有针对性的分析结论、决策建议.采用该方法对某船实际测厚数据进行分析,预测出该船型随船龄的增长腐蚀严重的区域,并在3d模型中展示.

针对当前乘员舱温度(特别是前后排)难以准确测量的现状,提出一种基于人工神经网络算法的乘员舱温度模型。该模型集成于空调控制器内,作为空调系统的输入值及温度反馈值,能够更加及时、准确地调节乘员舱温度。

建筑节能是当今城市建设和社会发展的前沿和研究热点,对建筑的能耗现状进行综合分析与评估是进行节能改造或节能设计的前提和基础,而建立反映能耗变化的预测模型是从宏观尺度上分析认识建筑能耗变化与发展特性、为公共建筑节能工作提供决策依据的有效途径和重要手段。研究针对常规bp网络算法收敛速度慢、易陷入局部最小点的缺点,采用了具有较快收敛速度及稳定性的lm算法进行预测,构造了基于bp神经网络的建筑物用电量预测模型。以某市公共建筑原始用电能耗统计数据作为样本,并采用matlab对预测模型进行了仿真预测。结果显示:误差在允许范围内。

信息安全评估是保障和维护网络信息安全的重要环节。针对bp神经网络技术在对信息安全进行评估时存在的收敛速度慢、不易获得全局最优解、诊断精度低以及网络结构不确定等缺点,而人工鱼群算法具有较优的全局收敛能力及较快的寻优速度。因此,本文利用人工鱼群算法对bp神经网络的初始权值和阈值进行了优化,建立了一种新的网络信息安全评价模型,并将该模型应用到具体的评价实例中。结果表明,人工鱼群神经网络算法具有收敛速度快及泛化能力强的优点,为信息安全评估提供一种高效、准确及可靠的方法。

提出一种采用bp神经网络算法来预测深基坑沉降的方法,结合具体工程实例,构建了预测深基坑周边地表沉降具体bp神经网络模型,预测结果表明,该模型有较高的预测精度,可作为预测沉降的一种新方法。

首先从形象、期望、对供电质量的感知、对服务质量的感知、价值感知、抱怨、忠诚7个方面建立供电客户满意度测评指标体系,然后分析了bp神经网络与鱼群算法结合的可行性,探讨了鱼群算法优化神经网络的步骤。最后对5个地区2009年供电客户满意度测评数据,在专家打分测评的基础上,运用神经网络及鱼群算法优化神经网络方法进行满意度评价。前者在收敛过程中130次停留在误差值10-1左右,后者在局部最优处仅仅停留10次;在误差值为0.001时,前者经过168次训练后能够达到目标,而后者只需要88次训练就能达到目标。结果表明鱼群算法优化神经网络具有准确、快捷、简易等优点,此方法用于供电客户满意度评价行之有效。

根据建筑物实测沉降利用人工神经网络理论,建立了前馈网络预测模型并提出新的学习算法,结合某建筑物纠偏工程实例对建筑物沉降进行了预测.预测结果表明神经网络方法是可行且有效的.

提出基于人工神经网络的基础最终沉降的预测新方法,通过工程实例应用,在较短的实测资料情况下,可获得较小误差的最终沉降量,所建立的模型预测精度高。

利用人工鱼群算法的基本原理,并根据金刚石锯片锯切混凝土的实验数据,建立金刚石锯片干切混凝土锯切力的预测模型,对比实验实测数据与预测模型,验证基于人工鱼群算法的混凝土锯切力预测模型的可行性.结果表明:人工鱼群算法预测锯切力与实验锯切力相比,平均相对误差只有2.58%,证明了所建立预测模型的准确性;人工鱼群算法的预测精度比多元回归分析法更高;由锯切力公式可知,影响锯切力的最主要因素为锯切深度,其次为进给速度,锯片的转速对锯切力影响较小.

利用人工鱼群算法的基本原理,并根据金刚石锯片锯切混凝土的实验数据,建立金刚石锯片干切混凝土锯切力的预测模型,对比实验实测数据与预测模型,验证基于人工鱼群算法的混凝土锯切力预测模型的可行性。结果表明:人工鱼群算法预测锯切力与实验锯切力相比,平均相对误差只有2.58%,证明了所建立预测模型的准确性;人工鱼群算法的预测精度比多元回归分析法更高;由锯切力公式可知,影响锯切力的最主要因素为锯切深度,其次为进给速度,锯片的转速对锯切力影响较小。

利用人工鱼群算法的基本原理，并根据金刚石锯片锯切混凝土的实验数据，建立金刚石锯片干切混凝土锯切力的预测模型，对比实验实测数据与预测模型，验证基于人工鱼群算法的混凝土锯切力预测模型的可行性。结果表明：人工鱼群算法预测锯切力与实验锯切力相比，平均相对误差只有2.58%，证明了所建立预测模型的准确性；人工鱼群算法的预测精度比多元回归分析法更高；由锯切力公式可知，影响锯切力的最主要因素为锯切深度，其次为进给速度，锯片的转速对锯切力影响较小

本文在建立城市层面的建筑用电量预测模型时,针对常规bp神经网络模型存在的诸多缺陷,进行了多种优化:组合模型预测取均值以克服随机性;加入统计规则以剔除个别奇异预测值的影响;实时学习以提高长期预测的精度。此外,针对影响因素的未来趋势难以准确预测的问题,增加了月份周期变量和月份序列变量这2个变量作为网络的输入,以提高模型的精度。结果显示,该方法预测效果明显优于常规bp神经网络和时间序列等方法。

bp神经网络算法具有很好的非线性推理能力及优越的自组织、自适应、容错性能。利用该方法对高层建筑地基沉降数据进行分析,可不考虑地基沉降影响因素与沉降之间的对应关系,而直接根据已知时间内实际沉降数据构建模型对未知时间的沉降进行预测推理。将该方法应用于西安市某高层建筑的地基沉降数据预测分析,并与多项式拟合方法的分析结果进行对比可知,bp神经网络的非线性预测推理能力更强,应用前景广阔。

基于青岛某办公建筑2015年全年逐时总用电能耗及空调用电能耗数据,利用kmeans聚类算法对其进行聚类,将全年能耗水平分为四大类。利用求平均值法得到每一类典型设备使用率曲线。将典型曲线的数据、日前两周数据以及气象数据一同作为bp神经网络的输入,预测未来24小时的建筑总用电和空调用电,该方法比单用日前两周数据及气象数据进行负荷预测能获得更低的相对误差、均方根误差、平均绝对百分误差。bp负荷预测相对误差在5%以内,而kmeans-bp负荷预测算法控制在±2.5%以内;bp预测得到的均方根误差和平均绝对百分误差范围分别在4.6～9.0之间、2.3%～4.4%之间,kmeans-bp将该误差缩小到3.1、2.0%以内,对于负荷预测精度要求上是阶跃性的突破。