隨著智慧城市的進程加快,公共建筑在所有建筑中的能源消耗比不斷增大�；疖囌竞蜍噺d作為客流量較大的一類特殊公共建筑,在實際運行過程中,由于候車廳人員具有密集性且變化較大的特點,使得空調(diào)系統(tǒng)在兼顧人員舒適性標(biāo)準(zhǔn)與建筑節(jié)能時較為困難。因此,對這類公共建筑展開節(jié)能優(yōu)化具有很大的意義。另外,隨著節(jié)能減排冰蓄冷技術(shù)的興起,其更廣泛地被應(yīng)用到火車站建筑空調(diào)領(lǐng)域。在動態(tài)客流量的基礎(chǔ)上,合理、準(zhǔn)確地對火車站候車廳冷負(fù)荷進行模擬是優(yōu)化該建筑冰蓄冷空調(diào)運行方式的前提。本課題以客流量變化的動態(tài)逐時冷負(fù)荷值為基礎(chǔ),能源利用率最高、運營成本最低為目標(biāo),對該類建筑的冰蓄冷空調(diào)優(yōu)化展開研究,研究內(nèi)容如下:首先,基于火車站候車廳的歷史逐時數(shù)據(jù),確定本課題采用的短期客流量預(yù)測算法—BP神經(jīng)網(wǎng)絡(luò)、ARIMA時間序列以及組合預(yù)測算法,經(jīng)過對歷史數(shù)據(jù)的預(yù)處理,設(shè)計出上述算法的各自參數(shù)值,并分別應(yīng)用三種算法對歷史客流數(shù)據(jù)展開預(yù)測。最終將三種算法預(yù)測結(jié)果與實際值對比分析,得出組合預(yù)測算法具有較高精準(zhǔn)度的結(jié)論。其次,以預(yù)測出來的客流量數(shù)據(jù)為原型,對影響火車站候車廳空調(diào)負(fù)荷的不同因素展開定性、定量分析。采用基于Energy Plus軟件... 

【文章來源】：西安建筑科技大學(xué)陜西省

【文章頁數(shù)】：86 頁

【學(xué)位級別】：碩士

【部分圖文】：

BP網(wǎng)絡(luò)結(jié)構(gòu)圖

西安建筑科技大學(xué)碩士學(xué)位論文16如下圖2.5（a）、（b）所示，分別為二階差分和三階差分后的時序圖，可以觀察得出二階差分和三階差分后的時序圖大致走向一樣，均在某個穩(wěn)定值附近上下波動。（a）二階差分時序圖（b）三階差分時序圖圖2.5差分時序圖通過看圖法觀察，猜測二階差分后時序應(yīng)該為平穩(wěn)性序列，為了驗證猜測的準(zhǔn)確性，繼續(xù)采用ADF根檢驗方法，得出了在1%、5%、10%不同程度拒絕原假設(shè)的統(tǒng)計值均大于該測試值。因此，證實了經(jīng)過二階差分后數(shù)據(jù)序列變?yōu)槠椒�(wěn)序列這一猜測，ARIMA算法中參數(shù)d取值為2。2.2.3算法參數(shù)設(shè)計（1）BP網(wǎng)絡(luò)參數(shù)設(shè)計將上述歸一化處理后的數(shù)據(jù)，選取比較穩(wěn)定、規(guī)律的18天8:00-22:00時段每小時的數(shù)值進行訓(xùn)練，即訓(xùn)練樣本設(shè)為252；其余4天的數(shù)值作為測試樣本。其他網(wǎng)絡(luò)參數(shù)設(shè)計如下：①輸入層與輸出層節(jié)點數(shù)：將輸入層節(jié)點數(shù)設(shè)計為3，即以連續(xù)三小時的客流量數(shù)值作為網(wǎng)絡(luò)的輸入；輸出層節(jié)點數(shù)設(shè)計為1，表示未來某一天下個時刻的客流量。②隱含層層數(shù)與節(jié)點數(shù)：減小誤差可以從增加隱含層層數(shù)和增加節(jié)點個數(shù)出發(fā)，本算法采用具有兩個隱含層的網(wǎng)絡(luò)結(jié)構(gòu)，每層的單元個數(shù)設(shè)置為4，傳遞函數(shù)為tansing，訓(xùn)練函數(shù)為traingdx。③學(xué)習(xí)速率和學(xué)習(xí)動量的確定：學(xué)習(xí)速率在選擇時，一般選取適中的學(xué)習(xí)速率，本算法取初始學(xué)習(xí)速率為0.001，動量為0.9。④期望誤差：期望誤差值是指在網(wǎng)絡(luò)的訓(xùn)練過程中，通過設(shè)定期望的網(wǎng)絡(luò)算法誤差值與實際的誤差值對比，幫助判斷算法是否訓(xùn)練得當(dāng)。此算法經(jīng)過多次訓(xùn)練對比，選取期望誤差值為0.002，如下圖2.6所示，在迭代600次后可以看出在該期望誤差值的設(shè)定下，此算法具有較高的實用性。

西安建筑科技大學(xué)碩士學(xué)位論文16如下圖2.5（a）、（b）所示，分別為二階差分和三階差分后的時序圖，可以觀察得出二階差分和三階差分后的時序圖大致走向一樣，均在某個穩(wěn)定值附近上下波動。（a）二階差分時序圖（b）三階差分時序圖圖2.5差分時序圖通過看圖法觀察，猜測二階差分后時序應(yīng)該為平穩(wěn)性序列，為了驗證猜測的準(zhǔn)確性，繼續(xù)采用ADF根檢驗方法，得出了在1%、5%、10%不同程度拒絕原假設(shè)的統(tǒng)計值均大于該測試值。因此，證實了經(jīng)過二階差分后數(shù)據(jù)序列變?yōu)槠椒�(wěn)序列這一猜測，ARIMA算法中參數(shù)d取值為2。2.2.3算法參數(shù)設(shè)計（1）BP網(wǎng)絡(luò)參數(shù)設(shè)計將上述歸一化處理后的數(shù)據(jù)，選取比較穩(wěn)定、規(guī)律的18天8:00-22:00時段每小時的數(shù)值進行訓(xùn)練，即訓(xùn)練樣本設(shè)為252；其余4天的數(shù)值作為測試樣本。其他網(wǎng)絡(luò)參數(shù)設(shè)計如下：①輸入層與輸出層節(jié)點數(shù)：將輸入層節(jié)點數(shù)設(shè)計為3，即以連續(xù)三小時的客流量數(shù)值作為網(wǎng)絡(luò)的輸入；輸出層節(jié)點數(shù)設(shè)計為1，表示未來某一天下個時刻的客流量。②隱含層層數(shù)與節(jié)點數(shù)：減小誤差可以從增加隱含層層數(shù)和增加節(jié)點個數(shù)出發(fā)，本算法采用具有兩個隱含層的網(wǎng)絡(luò)結(jié)構(gòu)，每層的單元個數(shù)設(shè)置為4，傳遞函數(shù)為tansing，訓(xùn)練函數(shù)為traingdx。③學(xué)習(xí)速率和學(xué)習(xí)動量的確定：學(xué)習(xí)速率在選擇時，一般選取適中的學(xué)習(xí)速率，本算法取初始學(xué)習(xí)速率為0.001，動量為0.9。④期望誤差：期望誤差值是指在網(wǎng)絡(luò)的訓(xùn)練過程中，通過設(shè)定期望的網(wǎng)絡(luò)算法誤差值與實際的誤差值對比，幫助判斷算法是否訓(xùn)練得當(dāng)。此算法經(jīng)過多次訓(xùn)練對比，選取期望誤差值為0.002，如下圖2.6所示，在迭代600次后可以看出在該期望誤差值的設(shè)定下，此算法具有較高的實用性。

【參考文獻(xiàn)】：
期刊論文
[1]2019中國建筑能耗研究報告[J].   建筑. 2020(07)
[2]基于多目標(biāo)遺傳算法的LoRa參數(shù)匹配優(yōu)化[J]. 王碩禾,劉旭,李蘇晨,張國駒.  計算機工程與科學(xué). 2020(03)
[3]冰蓄冷空調(diào)負(fù)荷預(yù)測的預(yù)估校正模型[J]. 李壯舉,柴帥,欒茹.  計算機工程與設(shè)計. 2020(02)
[4]桂林某火車站候車室夏季熱舒適研究[J]. 劉賽可,鄭文亨.  制冷與空調(diào)(四川). 2019(06)
[5]面向配電網(wǎng)風(fēng)電消納的冰蓄冷空調(diào)系統(tǒng)多目標(biāo)優(yōu)化策略研究[J]. 何后裕,郭健翔,王永利.  電力系統(tǒng)保護與控制. 2019(23)
[6]某商場建筑空調(diào)系統(tǒng)的全工況模擬設(shè)計研究[J]. 簡毅文,馮姍,李炎鋒,張亞男.  暖通空調(diào). 2019(11)
[7]基于EnergyPlus與CFD耦合的大空間建筑能耗分析[J]. 李展,盧紀(jì)富,李楊,曹守平,李志彬.  建筑節(jié)能. 2019(08)
[8]基于氣象因子及機器學(xué)習(xí)回歸算法的夏季空調(diào)負(fù)荷預(yù)測[J]. 田心如,蔡凝昊,張志薇.  氣象科學(xué). 2019(04)
[9]改進非支配排序精英遺傳算法的篦冷機參數(shù)優(yōu)化[J]. 趙志彪,劉浩然,劉彬,聞言.  控制與決策. 2020(05)
[10]基于NSGA-Ⅱ算法的高速鐵路聲屏障高度多目標(biāo)優(yōu)化[J]. 吳小萍,段賢偉,杜鵬程,戴圣蘭,章智勇.  鐵道科學(xué)與工程學(xué)報. 2019(06)

博士論文
[1]次日負(fù)荷模擬及其在地埋管熱泵熱補償系統(tǒng)中的應(yīng)用研究[D]. 王寬.湖南大學(xué) 2017

碩士論文
[1]基于深度學(xué)習(xí)的空氣質(zhì)量預(yù)測方法研究與實現(xiàn)[D]. 郭豪.北京郵電大學(xué) 2019
[2]面向風(fēng)電低電壓穿越的SMES-FCL控制策略與容量優(yōu)化[D]. 譚逸雪.山西大學(xué) 2018
[3]西安某商城冰蓄冷空調(diào)負(fù)荷預(yù)測與多目標(biāo)優(yōu)化運行研究[D]. 郭晨露.西安建筑科技大學(xué) 2018
[4]候車廳大空間內(nèi)環(huán)境的數(shù)值研究[D]. 顧瑞娜.山東科技大學(xué) 2018
[5]西安市某商場冬季室內(nèi)熱分層與空調(diào)熱負(fù)荷的研究[D]. 李秋實.西安建筑科技大學(xué) 2017
[6]高爐熱風(fēng)爐空燃比優(yōu)化研究[D]. 孫天涵.內(nèi)蒙古科技大學(xué) 2015
[7]城市軌道交通客流統(tǒng)計特征分析及組合預(yù)測方法實證研究[D]. 何九冉.北京交通大學(xué) 2013
[8]遺傳算法和BP神經(jīng)網(wǎng)絡(luò)在煤礦突水預(yù)測中的應(yīng)用研究[D]. 喬育鋒.西安建筑科技大學(xué) 2011
[9]基于動態(tài)規(guī)劃的冰蓄冷空調(diào)系統(tǒng)的優(yōu)化控制[D]. 羅啟軍.華中科技大學(xué) 2004



本文編號：3317691