基于神經(jīng)網(wǎng)絡(luò)和粒子群算法的建筑能耗預(yù)測(cè).docx
約41頁(yè)DOCX格式手機(jī)打開(kāi)展開(kāi)
基于神經(jīng)網(wǎng)絡(luò)和粒子群算法的建筑能耗預(yù)測(cè),1.76萬(wàn)字41頁(yè) 原創(chuàng)作品，已通過(guò)查重系統(tǒng)摘要 隨著社會(huì)的不斷發(fā)展，能源問(wèn)題越來(lái)越受到人們的關(guān)注，以電能為主的建筑能耗問(wèn)題逐漸突顯出來(lái)。在電能管理系統(tǒng)中，有效的電能預(yù)測(cè)是進(jìn)行整體的負(fù)荷規(guī)劃和節(jié)能優(yōu)化的基礎(chǔ)。本文研究了小時(shí)級(jí)建筑能耗的預(yù)測(cè)算法利用人工神經(jīng)網(wǎng)絡(luò)（ann）和粒子群算法(...
內(nèi)容介紹
此文檔由會(huì)員 無(wú)話可說(shuō) 發(fā)布
基于神經(jīng)網(wǎng)絡(luò)和粒子群算法的建筑能耗預(yù)測(cè)
1.76萬(wàn)字 41頁(yè) 原創(chuàng)作品，已通過(guò)查重系統(tǒng)
摘要 隨著社會(huì)的不斷發(fā)展，能源問(wèn)題越來(lái)越受到人們的關(guān)注，以電能為主的建筑能耗問(wèn)題逐漸突顯出來(lái)。在電能管理系統(tǒng)中，有效的電能預(yù)測(cè)是進(jìn)行整體的負(fù)荷規(guī)劃和節(jié)能優(yōu)化的基礎(chǔ)。本文研究了小時(shí)級(jí)建筑能耗的預(yù)測(cè)算法利用人工神經(jīng)網(wǎng)絡(luò)（ANN）和粒子群算法(PSO)各自的優(yōu)點(diǎn)，建立基于PSO優(yōu)化ANN參數(shù)的建筑能耗預(yù)測(cè)模型。首先，針對(duì)局部尋優(yōu)問(wèn)題，介紹了BP神經(jīng)網(wǎng)絡(luò)（BPNN）的基本原理，利用BPNN良好的局部收斂性能尋找局部最優(yōu)解。其次，針對(duì)全局尋優(yōu)問(wèn)題，介紹了PSO的基本原理，并提出了三種改進(jìn)粒子群算法(IPSO)。利用基本測(cè)試函數(shù)對(duì)PSO和IPSO進(jìn)行尋優(yōu)性能測(cè)試和對(duì)比，證明了IPSO具有更加優(yōu)越的全局搜索能力。最后，通過(guò)結(jié)合BPNN和PSO，即利用PSO優(yōu)化BPNN的參數(shù)（權(quán)值和閾值）。將兩種算法的優(yōu)點(diǎn)進(jìn)行互補(bǔ)結(jié)合，提高了神經(jīng)網(wǎng)絡(luò)的模糊學(xué)習(xí)能力，為了驗(yàn)證本文方法的優(yōu)越性，利用美國(guó)采暖、制冷與空調(diào)工程師學(xué)會(huì)(ASHRAE)提供的建筑能耗數(shù)據(jù)進(jìn)行仿真實(shí)驗(yàn)。分別基于基本ANN、PSO-ANN、IPSO-ANN建立建筑能耗預(yù)測(cè)模型并進(jìn)行對(duì)比，仿真結(jié)果表明了本文提出的IPSO-ANN具有更好的預(yù)測(cè)精度，可結(jié)合現(xiàn)有的建筑能量采集系統(tǒng)，應(yīng)用于建筑未來(lái)能耗的預(yù)測(cè)和分析。
關(guān)鍵詞：建筑能耗預(yù)測(cè) 人工神經(jīng)網(wǎng)絡(luò) 粒子群算法 改進(jìn)粒子群算法
1.76萬(wàn)字 41頁(yè) 原創(chuàng)作品，已通過(guò)查重系統(tǒng)
摘要 隨著社會(huì)的不斷發(fā)展，能源問(wèn)題越來(lái)越受到人們的關(guān)注，以電能為主的建筑能耗問(wèn)題逐漸突顯出來(lái)。在電能管理系統(tǒng)中，有效的電能預(yù)測(cè)是進(jìn)行整體的負(fù)荷規(guī)劃和節(jié)能優(yōu)化的基礎(chǔ)。本文研究了小時(shí)級(jí)建筑能耗的預(yù)測(cè)算法利用人工神經(jīng)網(wǎng)絡(luò)（ANN）和粒子群算法(PSO)各自的優(yōu)點(diǎn)，建立基于PSO優(yōu)化ANN參數(shù)的建筑能耗預(yù)測(cè)模型。首先，針對(duì)局部尋優(yōu)問(wèn)題，介紹了BP神經(jīng)網(wǎng)絡(luò)（BPNN）的基本原理，利用BPNN良好的局部收斂性能尋找局部最優(yōu)解。其次，針對(duì)全局尋優(yōu)問(wèn)題，介紹了PSO的基本原理，并提出了三種改進(jìn)粒子群算法(IPSO)。利用基本測(cè)試函數(shù)對(duì)PSO和IPSO進(jìn)行尋優(yōu)性能測(cè)試和對(duì)比，證明了IPSO具有更加優(yōu)越的全局搜索能力。最后，通過(guò)結(jié)合BPNN和PSO，即利用PSO優(yōu)化BPNN的參數(shù)（權(quán)值和閾值）。將兩種算法的優(yōu)點(diǎn)進(jìn)行互補(bǔ)結(jié)合，提高了神經(jīng)網(wǎng)絡(luò)的模糊學(xué)習(xí)能力，為了驗(yàn)證本文方法的優(yōu)越性，利用美國(guó)采暖、制冷與空調(diào)工程師學(xué)會(huì)(ASHRAE)提供的建筑能耗數(shù)據(jù)進(jìn)行仿真實(shí)驗(yàn)。分別基于基本ANN、PSO-ANN、IPSO-ANN建立建筑能耗預(yù)測(cè)模型并進(jìn)行對(duì)比，仿真結(jié)果表明了本文提出的IPSO-ANN具有更好的預(yù)測(cè)精度，可結(jié)合現(xiàn)有的建筑能量采集系統(tǒng)，應(yīng)用于建筑未來(lái)能耗的預(yù)測(cè)和分析。
關(guān)鍵詞：建筑能耗預(yù)測(cè) 人工神經(jīng)網(wǎng)絡(luò) 粒子群算法 改進(jìn)粒子群算法
