發(fā)布時(shí)間：2021-04-05 23:16

　　能源是影響企業(yè)發(fā)展的一個(gè)非常重要的因素,對(duì)企業(yè)內(nèi)部各類能耗進(jìn)行分析預(yù)測(cè)有利于企業(yè)進(jìn)行能源管理,降低日常用能,實(shí)現(xiàn)節(jié)能減排和可持續(xù)發(fā)展。本文以XX企業(yè)技術(shù)中心為研究對(duì)象,針對(duì)制冷機(jī)房、科技大廈以及強(qiáng)度、整車、發(fā)動(dòng)機(jī)性能、發(fā)動(dòng)機(jī)排放四個(gè)汽車試驗(yàn)室,采集相關(guān)數(shù)據(jù),分析用能情況,根據(jù)不同特點(diǎn)采用不同方法對(duì)各部分建立了能耗預(yù)測(cè)模型,旨在幫助企業(yè)進(jìn)行能耗管理,減少浪費(fèi)。首先通過(guò)分析制冷機(jī)房、科技大廈中的照明和辦公設(shè)備的能耗數(shù)據(jù),確定各部分能耗的主要影響因素。然后采用多元回歸、SVM以及LS-SVM對(duì)制冷機(jī)房日能耗進(jìn)行建模及預(yù)測(cè);采用多元回歸、最小二乘回歸對(duì)辦公設(shè)備日能耗進(jìn)行建模及預(yù)測(cè);采用多元回歸、CART決策樹(shù)對(duì)照明設(shè)備日能耗進(jìn)行建模及預(yù)測(cè)。同時(shí),通過(guò)評(píng)估各類模型的預(yù)測(cè)精度,選出最符合實(shí)際的模型。最后通過(guò)對(duì)強(qiáng)度、整車、發(fā)動(dòng)機(jī)性能及排放試驗(yàn)室的能耗數(shù)據(jù)進(jìn)行分析,采用多項(xiàng)式擬合算法分別對(duì)四個(gè)汽車試驗(yàn)室每小時(shí)的耗能情況進(jìn)行擬合,通過(guò)得到的擬合多項(xiàng)式建立各試驗(yàn)室的能耗預(yù)測(cè)模型。通過(guò)模型評(píng)估發(fā)現(xiàn)各部分模型擬合精度較好,能有效反映企業(yè)的能源消耗情況,對(duì)指導(dǎo)企業(yè)能源使用、節(jié)能措施的實(shí)行具有一定的理論和應(yīng)用價(jià)值... 

【文章來(lái)源】：山東大學(xué)山東省 211工程院校 985工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：71 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖２－１技術(shù)中心電能流向圖??通過(guò)圖可以發(fā)現(xiàn)，技術(shù)中心電能主要用于科技大廈的制冷機(jī)房用電、辦公設(shè)??

山東大學(xué)碩士學(xué)位論文???上截?cái)帱c(diǎn)為：ＦＬ－１．５ｄＦ??下截?cái)帱c(diǎn)為：ＦＵ＋１．５ｄＦ??若樣本某數(shù)據(jù)值不在上下截?cái)帱c(diǎn)之間，則稱之為異常值。??本文通過(guò)使用ＳＰＳＳ軟件將數(shù)據(jù)處理成箱線圖來(lái)檢測(cè)異常值。結(jié)果如圖３－１。??ｅｏｏｉｆ－??６?０００－??３９??４４＊??＊Ｄ０Ｃ－??４０?Ｊｆｏ??４６?Ｃ＾３??，ｉ＞?□?＿?＿??？２．００Ｄ－??ｎｉ＇Ｌｆ?Ｋｆ＇．ｎ．ｖ．?ｖ?ｎ?？?ｆ?ｆ?ｉｎ）?ｋｃｒｔｆｉ＊？??圖３－１異常值分析結(jié)果??常用的異常值處理辦法如表３－１。???表３－?１異常值處理辦法???異常值處理辦法?方法描述??刪除含有異常值的記錄?直接將含有異常值的記錄刪除??視為缺失值?將異常值視為缺失值，利用缺失值處理的方法進(jìn)行處理??平均值修正?可用前后兩個(gè)觀測(cè)值的平均值修正該異常值??不處理?直接在其具有異常值的數(shù)據(jù)集上進(jìn)行挖掘建模??一般情況下我們選擇將異常值視為缺失值的方法，以避免直接刪除造成的樣??本量減少，進(jìn)而影響變量的真實(shí)分布，導(dǎo)致最后結(jié)論失準(zhǔn)。??３．１．２缺失值填補(bǔ)??在實(shí)際的樣本數(shù)據(jù)中，由于采集過(guò)程中的失誤、度量方法對(duì)于某些特征不適??用、數(shù)據(jù)未被填寫等原因，造成一個(gè)或多個(gè)值的缺失。??缺失值處理方式如圖３－２所示：??１２??

?第３章制冷機(jī)房能耗預(yù)測(cè)??刪除行（按列表刪除）??刪＆數(shù)據(jù)?成對(duì)刪除??刪除變量????無(wú)趨勢(shì)＆無(wú)季?均值、中位數(shù)＆眾??節(jié)性數(shù)據(jù)?數(shù)隨機(jī)樣本插補(bǔ)??時(shí)列?有趨勢(shì)＆免季??上題Ｊ節(jié)性數(shù)據(jù)線性插補(bǔ)??有趨勢(shì)＆有季?＾??缺失值處理方法?填補(bǔ)數(shù)據(jù)?節(jié)性數(shù)據(jù)＿??將ＮＡ值當(dāng)作新分類??分類數(shù)據(jù)?多重插補(bǔ)??邏輯回歸??一般性??問(wèn)題??：?Ｔ—Ｔ￣??均值、中位數(shù)＆眾數(shù)??———?連續(xù)數(shù)據(jù)?多重插補(bǔ)??不作處理??線性回歸??圖３－２缺失值處理方法??為保證數(shù)據(jù)多樣性和樣本量，本文通過(guò)高次Ｌａｇｒａｎｇｅ多項(xiàng)式插值法［Ｍ］對(duì)缺??失數(shù)據(jù)進(jìn)行填補(bǔ)。??設(shè)有一組樣本數(shù)據(jù)（ｘ〇，?ｙ〇?），（?ｘ丨，ｙｉ?）．．．，（?ｘｎ，ｙｎ?），則有?ｎ?次?Ｌａｇｒａｎｇｅ??插值多項(xiàng)式：??Ｐｎ、ｘ、二??；＝〇??其中，人（義）（ｉ＝０，ｌ，２，．．．，ｎ）為ｎ次插值基函數(shù)，如式３－２：??１?ｉｘ）?＝?（ｘ?—?ｘｏ）…（ｘ?—?＇?Ｖ?（ｘ?—？＋?１）．二．（ｘ?—?ｘｎ）?．，ｎ?（３－２）??（Ｘ丨－Ｘ〇）…（Ｘ丨?ｘＫｌ）?（ｘ，?－Ｘ１?＋?１）?．．．?（ｘ，?－?ｘｎ）??公式３－１中，ｐｎ（ｘ）是ｎ＋１個(gè)ｎ次多項(xiàng)式的線性組合，所以ｐｎ（ｘ）次數(shù)要小于ｎ，??則拉格朗日插值多項(xiàng)式ｐｎ⑴記Ｕｘ）：??Ｌｎ（ｘ）?＝?Ｘ（?＾－３）??＂（丨?Ｕ?－?ＴＡ＋ｉＵ、．）??其中似＂＋１Ｕ）?＝?（ｘ?－?Ｘ〇）．．．（Ｘ?－?＇］）?（Ｘ?－?ｘｉ＋１）…（Ｘ?－?ｘｎ）??Ｏｉ）?＝?（Ｘｉ?＿?Ｘ〇）＂．（Ｘｉ?＿?ＸＨ）?（Ｘ「Ｘｉ十—?ｘ丨〗）??

【參考文獻(xiàn)】：
期刊論文
[1]基于BP神經(jīng)網(wǎng)絡(luò)的煙草企業(yè)能耗預(yù)測(cè)的研究與應(yīng)用[J]. 陸正卿,方維嵐.  山東化工. 2018(19)
[2]基于機(jī)器學(xué)習(xí)算法的建筑能耗監(jiān)測(cè)數(shù)據(jù)預(yù)處理技術(shù)研究[J]. 崔治國(guó),曹勇,武根峰,劉輝,仇志飛,陳傳瑋.  建筑科學(xué). 2018(02)
[3]機(jī)器學(xué)習(xí)算法可近似性的量化評(píng)估分析[J]. 江樹(shù)浩,鄢貴海,李家軍,盧文巖,李曉維.  計(jì)算機(jī)研究與發(fā)展. 2017(06)
[4]基于KPCA-WLSSVM的建筑能耗預(yù)測(cè)模型[J]. 趙超,戴坤成,王貴評(píng).  土木建筑與環(huán)境工程. 2015(05)
[5]基于機(jī)器學(xué)習(xí)特性的數(shù)據(jù)中心能耗優(yōu)化方法[J]. 王肇國(guó),易涵,張為華.  軟件學(xué)報(bào). 2014(07)
[6]信息化節(jié)能系統(tǒng)在大型企業(yè)的應(yīng)用[J]. 陳治平,潘飛.  上海節(jié)能. 2012(10)
[7]建筑能源管理系統(tǒng)及其在綠色建筑中的應(yīng)用[J]. 林佩仰.  建筑電氣. 2012(07)
[8]重慶城市居住建筑能耗預(yù)測(cè)模型[J]. 蒲清平,李百戰(zhàn),喻偉.  中南大學(xué)學(xué)報(bào)(自然科學(xué)版). 2012(04)
[9]基于數(shù)據(jù)的建筑能耗分析與建模[J]. 劉丹丹,陳啟軍,森一之,木田幸夫.  同濟(jì)大學(xué)學(xué)報(bào)(自然科學(xué)版). 2010(12)
[10]利用線性回歸方法分析能耗與產(chǎn)量的關(guān)系[J]. 于秋敏.  節(jié)能技術(shù). 2010(04)

博士論文
[1]貝葉斯累加回歸樹(shù)擴(kuò)展研究及在生存分析中的模型構(gòu)建[D]. 印明輝.華中科技大學(xué) 2017
[2]結(jié)合天然采光的辦公建筑節(jié)能研究[D]. 張偉.天津大學(xué) 2005
[3]辦公建筑的天然采光與能耗分析[D]. 陳紅兵.天津大學(xué) 2004

碩士論文
[1]基于神經(jīng)網(wǎng)絡(luò)的辦公建筑能耗預(yù)測(cè)研究[D]. 王德曄.山東建筑大學(xué) 2019
[2]科技中心能源管理系統(tǒng)與能耗預(yù)測(cè)的研究[D]. 何琦.山東大學(xué) 2019
[3]基于隱變量的多任務(wù)學(xué)習(xí)[D]. 陳凱琪.西南石油大學(xué) 2018
[4]基于AdaBoost回歸樹(shù)的多目標(biāo)預(yù)測(cè)算法的研究[D]. 張晶.北京交通大學(xué) 2017
[5]全年動(dòng)態(tài)建筑采光與能耗模擬方法研究[D]. 吳子敬.沈陽(yáng)建筑大學(xué) 2016
[6]嚴(yán)寒地區(qū)辦公建筑自然采光對(duì)建筑能耗影響分析研究[D]. 馮俊濤.天津大學(xué) 2016
[7]基于最小二乘支持向量機(jī)的空調(diào)負(fù)荷預(yù)測(cè)應(yīng)用研究[D]. 候鵬.華南理工大學(xué) 2015
[8]基于SVM的冰蓄冷負(fù)荷預(yù)測(cè)方法[D]. 于力軒.北京工業(yè)大學(xué) 2015
[9]基于特征空間動(dòng)態(tài)劃分的模糊決策樹(shù)算法研究[D]. 韓曄.大連理工大學(xué) 2014
[10]輪胎生產(chǎn)工藝能耗建模及評(píng)估模型研究與實(shí)現(xiàn)[D]. 伍杰杰.華南理工大學(xué) 2014



本文編號(hào)：3120281