發(fā)布時(shí)間：2021-04-21 16:13

　　面對建筑能耗占社會(huì)總能耗的比重持續(xù)升高,特別是其中的公共建筑,單位面積能耗量最大且存在能源使用不合理的現(xiàn)狀。對公共建筑實(shí)現(xiàn)快速、精準(zhǔn)的用電能耗預(yù)測,可以幫助管理者制定經(jīng)濟(jì)合理的能源分配方案,最終達(dá)到建筑節(jié)能的目的。然而,用電量數(shù)據(jù)的變化具有波動(dòng)性與不確定性,傳統(tǒng)的工程方法與單一預(yù)測模型,已不能滿足用電能耗預(yù)測對精度的要求。相比之下,基于優(yōu)化算法、神經(jīng)網(wǎng)絡(luò)與數(shù)據(jù)處理的組合預(yù)測模型,對用電能耗預(yù)測性能有很大提升。論文構(gòu)建基于分解-重構(gòu)-優(yōu)化-預(yù)測思想的組合模型,選取公共建筑中電力能耗作為研究對象,主要研究內(nèi)容如下:（1）利用分解-重構(gòu)的方法對電耗數(shù)據(jù)進(jìn)行處理。建筑電力能耗數(shù)據(jù)屬于隨機(jī)非平穩(wěn)序列,對數(shù)據(jù)進(jìn)行平穩(wěn)化處理,可以有效降低模型的預(yù)測難度。利用快速互補(bǔ)集合經(jīng)驗(yàn)?zāi)B(tài)分解技術(shù),將電力能耗數(shù)據(jù)分解為一組本征模態(tài)函數(shù)分量。由于分解所產(chǎn)生的分量過多,會(huì)影響模型預(yù)測的時(shí)效性與精確度,應(yīng)用近似熵理論對本征模態(tài)函數(shù)分量進(jìn)行重構(gòu),區(qū)分為高頻、中頻、低頻三組分項(xiàng),進(jìn)而獲取相對平穩(wěn)且數(shù)量較少的輸入序列。（2）改進(jìn)的鯨魚算法優(yōu)化Elman神經(jīng)網(wǎng)絡(luò)。針對鯨魚優(yōu)化算法在生成初始種群、算法收斂質(zhì)量及算法內(nèi)部參數(shù)演化... 

【文章來源】：西安建筑科技大學(xué)陜西省

【文章頁數(shù)】：74 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
abstract
1 緒論
    1.1 研究背景和意義
    1.2 建筑能耗預(yù)測國內(nèi)外研究現(xiàn)狀
        1.2.1 工程方法
        1.2.2 統(tǒng)計(jì)學(xué)方法
        1.2.3 機(jī)器學(xué)習(xí)方法
    1.3 研究內(nèi)容
    1.4 技術(shù)路線
2 公共建筑用電特征與數(shù)據(jù)處理方法研究
    2.1 公共建筑用電特征分析
        2.1.1 工作日與非工作日對能耗的影響
        2.1.2 氣候環(huán)境對能耗的影響
    2.2 異常值判斷與處理
        2.2.1 異常值判斷
        2.2.2 異常值處理
    2.3 能耗數(shù)據(jù)處理方法研究
        2.3.1 經(jīng)驗(yàn)?zāi)B(tài)分解
        2.3.2 FCEEMD分解性能比較
        2.3.3 近似熵理論
    2.4 本章小結(jié)
3 人工神經(jīng)網(wǎng)絡(luò)在能耗預(yù)測中的對比分析
    3.1 BP神經(jīng)網(wǎng)絡(luò)原理
    3.2 Elman神經(jīng)網(wǎng)絡(luò)原理
    3.3 神經(jīng)網(wǎng)絡(luò)預(yù)測能力對比
        3.3.1 樣本數(shù)據(jù)說明與處理
        3.3.2 神經(jīng)網(wǎng)絡(luò)參數(shù)的選擇
        3.3.3 案例分析
    3.4 本章小結(jié)
4 鯨魚優(yōu)化算法及其改進(jìn)
    4.1 經(jīng)典鯨魚優(yōu)化算法
        4.1.1 探索階段
        4.1.2 開發(fā)階段
        4.1.3 鯨魚優(yōu)化算法偽代碼
    4.2 改進(jìn)的鯨魚優(yōu)化算法
        4.2.1 精英反向?qū)W習(xí)改進(jìn)初始化種群
        4.2.2 線性微分遞減慣性權(quán)重
        4.2.3 內(nèi)部參數(shù)的改進(jìn)
        4.2.4 改進(jìn)的鯨魚優(yōu)化算法
    4.3 仿真實(shí)驗(yàn)與結(jié)果分析
        4.3.1 基準(zhǔn)測試函數(shù)
        4.3.2 實(shí)驗(yàn)參數(shù)設(shè)置
        4.3.3 實(shí)驗(yàn)結(jié)果分析
    4.4 本章小結(jié)
5 基于組合模型的建筑電力能耗預(yù)測
    5.1 樣本數(shù)據(jù)說明與處理
    5.2 UWOA優(yōu)化Elman神經(jīng)網(wǎng)絡(luò)
        5.2.1 Elman神經(jīng)網(wǎng)絡(luò)設(shè)置
        5.2.2 UWOA優(yōu)化Elman神經(jīng)網(wǎng)絡(luò)步驟
        5.2.3 UWOA優(yōu)化Elman神經(jīng)網(wǎng)絡(luò)流程圖
    5.3 建筑電力能耗預(yù)測
        5.3.1 組合模型預(yù)測流程圖
        5.3.2 預(yù)測結(jié)果分析
    5.4 本章小結(jié)
6 結(jié)論與展望
致謝
參考文獻(xiàn)
攻讀碩士學(xué)位期間研究成果


【參考文獻(xiàn)】：
期刊論文
[1]分時(shí)電價(jià)下考慮儲能調(diào)度因素的短期負(fù)荷預(yù)測模型[J]. 李衛(wèi)國,陳立銘,張師,徐備,王旭光,劉宏偉.  電力系統(tǒng)保護(hù)與控制. 2020(07)
[2]基于改進(jìn)灰狼算法和多核極限學(xué)習(xí)機(jī)的鐵水硅含量預(yù)測建模[J]. 方一鳴,趙曉東,張攀,劉樂,王碩玉.  控制理論與應(yīng)用. 2020(07)
[3]改進(jìn)鯨魚算法構(gòu)建混合模型的建筑能耗預(yù)測[J]. 王茹,宋爽,賀佳.  計(jì)算機(jī)測量與控制. 2020(02)
[4]基于EMD-DTRVM方法的三電平逆變器故障診斷[J]. 陶洪峰,周超超,楊慧中.  控制工程. 2019(12)
[5]基于遺傳算法的中央空調(diào)水系統(tǒng)變流量節(jié)能優(yōu)化研究[J]. 俞倩,蔣云鳳,王玉剛,耿麗萍,趙曉東.  低溫與超導(dǎo). 2019(11)
[6]改革開放40年中國能源政策回顧:從結(jié)構(gòu)到邏輯[J]. 李輝,徐美宵,張泉.  中國人口·資源與環(huán)境. 2019(10)
[7]基于改進(jìn)天牛須算法-優(yōu)化極限學(xué)習(xí)機(jī)的地源熱泵能耗預(yù)測研究[J]. 劉濤,徐成良,陳煥新.  制冷技術(shù). 2019(03)
[8]改進(jìn)鯨魚算法優(yōu)化核極限學(xué)習(xí)機(jī)在水質(zhì)光譜分析中的應(yīng)用[J]. 林春偉,郭永洪,何金龍.  半導(dǎo)體光電. 2019(01)
[9]基于EnergyPlus的CBD建筑能耗預(yù)測模型研究[J]. 高昊,黨天潔.  建筑節(jié)能. 2018(12)
[10]能源革命促進(jìn)中國清潔低碳發(fā)展的“攻關(guān)期”和“窗口期”[J]. 林伯強(qiáng).  中國工業(yè)經(jīng)濟(jì). 2018(06)

博士論文
[1]局部特征尺度分解方法及其在機(jī)械故障診斷中的應(yīng)用研究[D]. 鄭近德.湖南大學(xué) 2014

碩士論文
[1]基于鯨魚算法優(yōu)化極限學(xué)習(xí)機(jī)的熱電偶非線性補(bǔ)償方法[D]. 張廣炎.湘潭大學(xué) 2019
[2]光伏系統(tǒng)與家庭能量需求調(diào)度優(yōu)化[D]. 呂曉芳.西安建筑科技大學(xué) 2019
[3]基于ESMD和SVM的滾動(dòng)軸承故障診斷研究[D]. 王振華.陜西理工大學(xué) 2018
[4]基于改進(jìn)徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的辦公建筑用電能耗預(yù)測研究[D]. 劉青琳.合肥工業(yè)大學(xué) 2018
[5]基于多目標(biāo)鯨魚優(yōu)化算法和Elman神經(jīng)網(wǎng)絡(luò)的短期風(fēng)速預(yù)測模型的研究與應(yīng)用[D]. 杜沛.東北財(cái)經(jīng)大學(xué) 2017
[6]改進(jìn)的Elman神經(jīng)網(wǎng)絡(luò)和網(wǎng)絡(luò)參數(shù)優(yōu)化算法研究[D]. 梅貴琴.西南大學(xué) 2017
[7]基于FCEEMD的便攜式睡眠生理信號監(jiān)測系統(tǒng)的研究和實(shí)現(xiàn)[D]. 葛淼.合肥工業(yè)大學(xué) 2017
[8]基于神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)挖掘分類算法比較和分析研究[D]. 常凱.安徽大學(xué) 2014
[9]基于季節(jié)灰色預(yù)測理論的公共建筑節(jié)能領(lǐng)域能耗監(jiān)測研究[D]. 張偉.河北工業(yè)大學(xué) 2011



本文編號：3152075