本文選題：建筑能耗預(yù)測(cè) + 組合預(yù)測(cè)��； 參考：《福州大學(xué)》2014年碩士論文

【摘要】：建立反映建筑能耗變化的預(yù)測(cè)模型,是進(jìn)行建筑能耗分析的一個(gè)重要基礎(chǔ),也是對(duì)建筑能耗進(jìn)行有效管理的必要前提。建筑能耗系統(tǒng)是一個(gè)動(dòng)態(tài)的,不確定的,隨機(jī)的非線性模型,傳統(tǒng)方法很難實(shí)現(xiàn)建筑能耗的準(zhǔn)確、快速預(yù)測(cè)。因此本文在分析建筑能耗特性的基礎(chǔ)上,提出組合預(yù)測(cè)方法對(duì)建筑能耗預(yù)測(cè)進(jìn)行研究,主要研究?jī)?nèi)容從三個(gè)方面展開：建筑能耗各影響因子之間存在嚴(yán)重的相互關(guān)聯(lián),傳統(tǒng)建模方法無法消除各影響因子之間的冗余,預(yù)測(cè)結(jié)果不夠理想。為了提高建筑能耗預(yù)測(cè)精度,本文提出主元分析和RBF神經(jīng)網(wǎng)絡(luò)相結(jié)合的建筑能耗預(yù)測(cè)方法。通過主元分析降低網(wǎng)絡(luò)輸入維數(shù),使得網(wǎng)絡(luò)的學(xué)習(xí)性能和泛化性能得到增強(qiáng),從而提高了RBF神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)精度。實(shí)例表明,改進(jìn)后的模型可以有效地提高建筑能耗的預(yù)測(cè)精度。針對(duì)建筑能耗數(shù)據(jù)存在噪聲和變量間存在多重相關(guān)性問題,提出了KPCA-WLSSVM建筑能耗預(yù)測(cè)方法。首先對(duì)能耗數(shù)據(jù)樣本進(jìn)行核主元分析,降低樣本數(shù)據(jù)間的噪聲和多重相關(guān)性。然后根據(jù)每個(gè)訓(xùn)練樣本對(duì)預(yù)測(cè)結(jié)果的影響程度不同,賦予每個(gè)樣本不同的權(quán)重系數(shù)。最后采用粒子群算法對(duì)WLSSVM的正規(guī)則參數(shù)和核參數(shù)進(jìn)行優(yōu)化,建立了具有良好推廣性能的組合預(yù)測(cè)模型。實(shí)例表明,本文所提出的KPCA-WLSSVM建筑能耗預(yù)測(cè)模型具有良好的預(yù)測(cè)效果。為了提高高校建筑的能耗預(yù)測(cè)精度,在比較傳統(tǒng)灰色預(yù)測(cè)模型和神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型優(yōu)缺點(diǎn)的基礎(chǔ)上,建立了灰色RBF神經(jīng)網(wǎng)絡(luò)能耗預(yù)測(cè)模型。該方法綜合了灰色系統(tǒng)理論所需數(shù)據(jù)少以及神經(jīng)網(wǎng)絡(luò)自學(xué)習(xí)和自組織的優(yōu)點(diǎn),更加有效地利用樣本數(shù)據(jù)的有效信息,提高了模型預(yù)測(cè)精度。仿真實(shí)例證明了該方法在高校能耗預(yù)測(cè)中的可行性和有效性。研究工作表明,本文所提出的組合預(yù)測(cè)方法均比單一的能耗預(yù)測(cè)方法具有更好的預(yù)測(cè)效果,對(duì)于改善建筑綜合設(shè)計(jì)效率、能耗管理水平具有重要意義。
[Abstract]:It is an important foundation for building energy consumption analysis to establish a prediction model to reflect the change of building energy consumption. It is also a necessary prerequisite for effective management of building energy consumption. Building energy consumption system is a dynamic, uncertain, stochastic nonlinear model, the traditional method is difficult to achieve accurate and rapid prediction of building energy consumption. Therefore, based on the analysis of the characteristics of building energy consumption, this paper puts forward a combined forecasting method to study building energy consumption prediction. The main research contents are as follows: there is a serious correlation among the factors affecting building energy consumption. The traditional modeling method can not eliminate the redundancy among the influence factors, and the prediction results are not satisfactory. In order to improve the prediction accuracy of building energy consumption, a method of building energy consumption prediction based on principal component analysis and RBF neural network is proposed in this paper. By reducing the input dimension of the network by principal component analysis, the learning performance and generalization performance of the network are enhanced, and the prediction accuracy of the RBF neural network is improved. The example shows that the improved model can effectively improve the prediction accuracy of building energy consumption. Aiming at the problem of multiple correlation between noise and variables in building energy consumption data, a KPCA-WLSSVM building energy consumption prediction method is proposed. Firstly, the kernel principal component analysis is used to reduce the noise and multiple correlation between the energy consumption data samples. Then according to the different degree of influence of each training sample on the forecast result, each sample is given different weight coefficient. Finally, the particle swarm optimization algorithm is used to optimize the normal parameters and kernel parameters of WLSSVM, and a combination prediction model with good generalization performance is established. The example shows that the KPCA-WLSSVM model has good prediction effect. In order to improve the prediction accuracy of building energy consumption in colleges and universities, on the basis of comparing the advantages and disadvantages of traditional grey prediction model and neural network prediction model, a grey RBF neural network energy consumption prediction model is established. This method integrates the advantages of less data needed by grey system theory and neural network self-learning and self-organization. It makes more effective use of the effective information of sample data and improves the prediction accuracy of the model. A simulation example shows the feasibility and effectiveness of this method in the prediction of energy consumption in colleges and universities. The research results show that the combined forecasting method proposed in this paper has better prediction effect than the single energy consumption prediction method. It is of great significance to improve the efficiency of building comprehensive design and the level of energy consumption management.
【學(xué)位授予單位】：福州大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2014
【分類號(hào)】：TU111.195

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 孟建良,王曉華,龐春江,王建新;全局時(shí)變權(quán)組合預(yù)測(cè)方法[J];計(jì)算機(jī)工程與應(yīng)用;2002年10期

2 吉培榮,張玉文,趙青;組合預(yù)測(cè)方法在電力系統(tǒng)負(fù)荷預(yù)測(cè)中的應(yīng)用[J];三峽大學(xué)學(xué)報(bào)(自然科學(xué)版);2005年05期

3 胡驥;;鐵路外貿(mào)貨運(yùn)量組合預(yù)測(cè)方法的研究[J];鐵道運(yùn)輸與經(jīng)濟(jì);2006年05期

4 鐘秉林;;一種新的組合預(yù)測(cè)方法及其應(yīng)用[J];東南大學(xué)學(xué)報(bào);1989年02期

5 鐘波,肖智;資產(chǎn)未來收益的一種最優(yōu)組合預(yù)測(cè)方法[J];重慶大學(xué)學(xué)報(bào)(自然科學(xué)版);1998年04期

6 楊尚瑾;董超;;電力系統(tǒng)長(zhǎng)期負(fù)荷的組合預(yù)測(cè)方法研究[J];中國電力教育;2009年S1期

7 代海波;單銳;劉文;;組合預(yù)測(cè)方法中權(quán)系數(shù)的應(yīng)用研究[J];科學(xué)技術(shù)與工程;2012年32期

8 何焱;黃靜;;電力中長(zhǎng)期負(fù)荷模糊優(yōu)選組合預(yù)測(cè)方法的研究[J];四川電力技術(shù);2011年05期

9 夏新運(yùn);田麗;李玲純;;變結(jié)構(gòu)組合預(yù)測(cè)方法在短期電力負(fù)荷預(yù)測(cè)中的應(yīng)用[J];自動(dòng)化與儀器儀表;2009年06期

10 董鵬;冷靜;羅朝暉;;基于支持向量機(jī)的艦船建造費(fèi)組合預(yù)測(cè)方法研究[J];造船技術(shù);2011年01期

相關(guān)會(huì)議論文 前7條

1 孔繁亮;張國志;;鞅差序列的一種組合預(yù)測(cè)方法及其應(yīng)用[A];中國現(xiàn)場(chǎng)統(tǒng)計(jì)研究會(huì)第12屆學(xué)術(shù)年會(huì)論文集[C];2005年

2 陳志航;程乾生;;基于隱馬爾科夫模型的組合預(yù)測(cè)方法[A];第九屆全國信號(hào)處理學(xué)術(shù)年會(huì)（CCSP-99）論文集[C];1999年

3 李世平;孫浚清;;儀器精度組合預(yù)測(cè)方法研究[A];2008中國儀器儀表與測(cè)控技術(shù)進(jìn)展大會(huì)論文集（Ⅲ）[C];2008年

4 唐小我;;最優(yōu)組合預(yù)測(cè)方法及其應(yīng)用[A];全國青年管理科學(xué)與系統(tǒng)科學(xué)論文集（第1卷）[C];1991年

5 李秀蘭;;組合預(yù)測(cè)方法的研究和應(yīng)用——郵發(fā)期刊價(jià)格預(yù)測(cè)[A];中國現(xiàn)場(chǎng)統(tǒng)計(jì)研究會(huì)第九屆學(xué)術(shù)年會(huì)論文集[C];1999年

6 王周敬;李武;賀建勛;;變權(quán)重組合預(yù)測(cè)方法在貨運(yùn)量預(yù)測(cè)中的應(yīng)用[A];1997中國控制與決策學(xué)術(shù)年會(huì)論文集[C];1997年

7 李秀蘭;王宏鑫;;均勻設(shè)計(jì)——灰色聯(lián)合預(yù)測(cè)及其應(yīng)用——郵發(fā)期刊價(jià)格預(yù)測(cè)[A];管理科學(xué)與系統(tǒng)科學(xué)進(jìn)展——全國青年管理科學(xué)與系統(tǒng)科學(xué)論文集（第3卷）[C];1995年

相關(guān)博士學(xué)位論文 前2條

1 李彩虹;兩類組合預(yù)測(cè)方法的研究及應(yīng)用[D];蘭州大學(xué);2012年

2 于振明;一類耐用消費(fèi)品的需求預(yù)測(cè)方法及應(yīng)用[D];東北大學(xué);2012年

相關(guān)碩士學(xué)位論文 前10條

1 林思銘;組合預(yù)測(cè)方法在建筑能耗預(yù)測(cè)中的應(yīng)用[D];福州大學(xué);2014年

2 張景廣;基于基因表達(dá)式編程的組合預(yù)測(cè)方法研究[D];華中師范大學(xué);2011年

3 朱報(bào)春;基于模糊邏輯系統(tǒng)的組合預(yù)測(cè)方法及應(yīng)用[D];河海大學(xué);2001年

4 王鳳飛;組合預(yù)測(cè)方法簡(jiǎn)介及其實(shí)證分析[D];山西大學(xué);2011年

5 閆海霞;灰色組合預(yù)測(cè)方法在糧食產(chǎn)量中的應(yīng)用[D];西安理工大學(xué);2009年

6 段妮妮;基于組合預(yù)測(cè)方法的趨勢(shì)預(yù)測(cè)研究與應(yīng)用[D];西華大學(xué);2009年

7 張進(jìn);不同精度準(zhǔn)則下的區(qū)間型組合預(yù)測(cè)方法研究[D];安徽大學(xué);2010年

8 李春生;模糊變權(quán)重組合預(yù)測(cè)方法的研究[D];中南大學(xué);2002年

9 趙凱;基于庫恩塔克條件的最優(yōu)組合預(yù)測(cè)方法及其在R&D投入中的應(yīng)用研究[D];重慶師范大學(xué);2010年

10 張家樾;組合預(yù)測(cè)方法在匯率預(yù)測(cè)中的應(yīng)用研究[D];廈門大學(xué);2008年

，

本文編號(hào)：1993978