建筑能耗是當(dāng)今我國三大能耗大戶之一,為了緩解能源消耗壓力,建筑節(jié)能具有重要的現(xiàn)實意義。建筑節(jié)能的關(guān)鍵在于對建筑能耗進行預(yù)測,建筑能耗預(yù)測能夠分析建筑物的節(jié)能潛力,指導(dǎo)未來能源的使用,與此同時,還能夠提高建筑能耗設(shè)備的使用效率。在建筑總能耗中,空調(diào)系統(tǒng)的能耗占據(jù)了很大的比例,因此對空調(diào)節(jié)能能夠很大程度上減少建筑的總能耗。目前空調(diào)系統(tǒng)的故障引起的能耗占據(jù)了空調(diào)系統(tǒng)總能耗的50%,并且空調(diào)故障常常發(fā)現(xiàn)的不夠及時,因此能夠及時的發(fā)現(xiàn)故障可以使得空調(diào)系統(tǒng)正常穩(wěn)定的運行,并且達(dá)到空調(diào)節(jié)能的目的。本文圍繞建筑能耗預(yù)測及其應(yīng)用展開研究,主要內(nèi)容分為兩大塊,第一大塊是對目前存在的預(yù)測方法進行研究,并且針對其中的不足進行改進,驗證其改進算法的預(yù)測效果;第二大塊是在第一塊所提出的新的算法基礎(chǔ)上,將該新算法應(yīng)用到了具體領(lǐng)域,驗證該算法應(yīng)用的可行性。具體研究內(nèi)容如下:(1)作為經(jīng)典的數(shù)據(jù)驅(qū)動方法,支持向量機(SVM)廣泛應(yīng)用于建筑能耗預(yù)測領(lǐng)域。本文針對支持向量機的參數(shù)選擇問題,使用了交叉驗證、遺傳算法(GA)和粒子群(PSO)方法建立了建筑能耗預(yù)測模型。利用某電梯公司和氣象網(wǎng)站的數(shù)據(jù)進行驗證實驗,輸入變量為每日的最大太陽輻射照度、平均風(fēng)速和平均濕度以及前兩日的電能耗數(shù)據(jù),輸出變量為當(dāng)天的電能耗數(shù)據(jù)。構(gòu)建了三種預(yù)測模型并對建立模型的預(yù)測結(jié)果進行了對比,結(jié)果顯示PSO-SVM所建立的模型在預(yù)測精度、建模時間上均優(yōu)于GA-SVM,且預(yù)測精度遠(yuǎn)遠(yuǎn)高于SVM,體現(xiàn)了該算法的優(yōu)越性。(2)由于PSO存在尋優(yōu)速度慢等問題,本文提出了一種改進的PSO算法(SFPSO),該方法是在慣性權(quán)重正弦調(diào)整的粒子群算法(SPSO)的基礎(chǔ)上進行優(yōu)化,將其中的正弦函數(shù)周期調(diào)整為原來的1/5,使得粒子所搜索的范圍更為精確,尋優(yōu)性能更好�；鶞�(zhǔn)測試函數(shù)的計算結(jié)果也表明了SFPSO的全局搜索能力較好以及收斂速度較快。本文運用了SFPSO算法優(yōu)化支持向量機SVM的懲罰因子C和核函數(shù)參數(shù)g,構(gòu)建了基于SFPSO-SVM建筑能耗預(yù)測模型。仿真結(jié)果證明了該優(yōu)化算法的預(yù)測精度高,且建模時間與單一的SVM接近,證明了該模型的預(yù)測效率也比PSO-SVM有所提升。(3)本文將能耗預(yù)測方法應(yīng)用于空調(diào)設(shè)備的故障檢測領(lǐng)域。研究的數(shù)據(jù)采用了電梯公司辦公建筑中的某辦公區(qū)域夏季制冷工況下的變風(fēng)量空調(diào)系統(tǒng)的運行能耗數(shù)據(jù),包括了三組,其中兩組為無故障狀態(tài)下的運行數(shù)據(jù),用來訓(xùn)練和驗證SFPSO-SVM模型;第三組數(shù)據(jù)為含有故障的運行數(shù)據(jù)集,用來檢驗SFPSO-SVM在空調(diào)故障檢測領(lǐng)域的適用性。采用了統(tǒng)計量滑動殘差平均值和滑動殘差均方根作為評判指標(biāo),并且還采用了將兩種滑動指標(biāo)結(jié)合的故障預(yù)知量對故障進行檢測,通過對故障預(yù)知量分析來檢驗幾種不同算法的故障檢測能力,結(jié)果證明了SFPSO-SVM具有較好的模型精度和故障檢測能力,具有實際應(yīng)用價值。
【學(xué)位單位】：蘇州科技大學(xué)
【學(xué)位級別】：碩士
【學(xué)位年份】：2019
【中圖分類】：TU111.195;TP18
【部分圖文】：

圖 2-1 遺傳算法流程圖本思路進的支持向量機算法，通過遺傳算法優(yōu)化支化的支持向量機建筑能耗預(yù)測模型。利用二進行遺傳編碼，并且將搜索得到的最優(yōu)懲罰型參數(shù)。具體步驟如下:罰因子 C 和核函數(shù)參數(shù) g 的優(yōu)化問題比較子和核函數(shù)寬度參數(shù)。本章選用二進制方法獲得所需要的最優(yōu)值，選擇了較大的取值范設(shè)計色體對應(yīng)的懲罰因子 C 和核函數(shù)參數(shù) g 來型對驗證數(shù)據(jù)進行計算，把預(yù)測值與原始值

圖 2-2 GA-SVM 算法流程圖 粒子群算法1 粒子群算法基本理論PSO 優(yōu)化算法[41][42]與遺傳算法類似，都屬于仿生算法，PSO 算法模仿的是尋找的鳥類群體行為特征。粒子代表了問題的潛在解，粒子的行為特征是通過運動中的粒子的速度和位置來表示，根據(jù)適應(yīng)度函數(shù)計算公式計算出每個粒子適應(yīng)的大小來判斷粒子的好壞。在進粒子優(yōu)化過程中，通過分析個體機制（Pbest）體機制（Gbest）的大小連續(xù)矯正個體的位置。個體極值是指個體在整個位置的過程中粒子達(dá)到最優(yōu)位置時所對應(yīng)的適應(yīng)度值，群體極值是指整個種群中的所體達(dá)到最優(yōu)位置時所對應(yīng)的適應(yīng)度值，粒子每一個時刻所處的位置都對應(yīng)一個度值，根據(jù)個體極值與群體極值的大小來不斷矯正個體所處的位置，直到找到

大學(xué)碩士論文 第二章優(yōu)位置；5）根據(jù)公式更新粒子速度和位置；6）判斷是否滿足終止條件，若滿足，則停止運算，否則返回第二步重PSO 算法流程圖如圖 5.1 所示：

【參考文獻】

相關(guān)期刊論文 前10條

1 王海濤;陳友明;;VAV空氣處理機組故障檢測與診斷方法及應(yīng)用[J];北京工業(yè)大學(xué)學(xué)報;2014年02期

2 姜長元;趙曙光;沈士根;郭力爭;;慣性權(quán)重正弦調(diào)整的粒子群算法[J];計算機工程與應(yīng)用;2012年08期

3 李志英;李們;楊木和;仇中柱;;體形系數(shù)和窗墻比對玻璃幕墻建筑冷負(fù)荷的影響[J];建筑熱能通風(fēng)空調(diào);2010年01期

4 李冬輝;王樂英;李晟;;基于PCA的空調(diào)系統(tǒng)傳感器故障診斷[J];電工技術(shù)學(xué)報;2008年06期

5 樊瑛;俞國華;鄭慶紅;;關(guān)于變風(fēng)量系統(tǒng)發(fā)展的綜述[J];制冷與空調(diào)(四川);2008年01期

6 畢小龍;王洪躍;司風(fēng)琪;徐治皋;;基于核主元分析的傳感器故障檢測[J];動力工程;2007年04期

7 徐濤;王祁;;基于小波包的多尺度主元分析在傳感器故障診斷中的應(yīng)用[J];中國電機工程學(xué)報;2007年09期

8 晉欣橋,杜志敏,孫勇;基于主成分分析法的變風(fēng)量空調(diào)系統(tǒng)傳感器故障診斷[J];上海交通大學(xué)學(xué)報;2005年08期

9 龍恩深,馬校飛,范亞明,陳金華;DOE-2在住宅建筑能耗分析中存在的問題探討[J];暖通空調(diào);2005年05期

10 蘇芬仙 ,田勝元 ,張從軍;溫濕度及輻射頻數(shù)建筑能耗簡化分析方法[J];暖通空調(diào);2003年06期

相關(guān)博士學(xué)位論文 前1條

1 劉靖旭;支持向量回歸的模型選擇及應(yīng)用研究[D];國防科學(xué)技術(shù)大學(xué);2006年

相關(guān)碩士學(xué)位論文 前7條

1 劉煒博;數(shù)據(jù)缺失情況下基于深度學(xué)習(xí)的故障診斷[D];河南大學(xué);2018年

2 丁子祥;基于機器學(xué)習(xí)方法的建筑能耗預(yù)測研究[D];山東建筑大學(xué);2018年

3 楊艷華;基于粒子群優(yōu)化支持向量機的網(wǎng)絡(luò)態(tài)勢預(yù)測模型研究[D];蘭州大學(xué);2015年

4 李學(xué)偉;基于數(shù)據(jù)挖掘的風(fēng)電機組狀態(tài)預(yù)測及變槳系統(tǒng)異常識別[D];重慶大學(xué);2012年

5 紀(jì)雪玲;改進粒子群優(yōu)化算法及其在人工神經(jīng)網(wǎng)絡(luò)中的應(yīng)用研究[D];西南林業(yè)大學(xué);2012年

6 李準(zhǔn);基于EnergyPlus的建筑能耗模擬軟件設(shè)計開發(fā)與應(yīng)用研究[D];湖南大學(xué);2009年

7 侯政;用度日法分析氣候變化對建筑采暖能耗的影響[D];西安建筑科技大學(xué);2007年

本文編號：2829020