BP-Adaboost算法的建筑能耗预测

为克服传统bp神经网络方法在建筑能耗预测的不足,提出了一种基于时间序列自相关分析的人工鱼群神经网络预测模型。对建筑标准能耗进行自相关分析,确定输入变量的维数,结合人工鱼群算法寻优速度快、易跳出极值等优点,对bp神经网络的初值权值和阈值进行优化,建立能耗预测模型,并用模型对西安某高校建筑一个月的能耗值进行预测。结果表明,较传统的bp神经网络模型,人工鱼群神经网络预测模型具有更快的收敛速度,预测精度在±1%左右,预测误差随着迭代次数的增加而降低。

能源与环境是当今世界的两大热点问题,越来越受到人们的关注。在我国,城市的能耗大部分来自于建筑,建筑节能是我国可持续发展战略的一个重要组成部分。对建筑进行能耗预测能够对能源进行科学的管理并有效地节约能源,实现低碳。通过将神经网络算法与建筑能耗预测系统相结合,开展建筑能耗预测模型的研究,能够有效地帮助管理人员合理安排建筑系统的运行方式,评估能耗水平是否合理,从而实现建筑节能。

财务状况是一个企业经营状况最现实的反映,\"十二五\"规划中明确指出提升我国制造业整体的转化与升级,实现由制造业大国向制造业强国的转变,而机汽车、电子产品、轮船等制造业在我国经济发展中占据重要的地位。本文通过bp-adaboost模型构建针对制造业企业的财务预警体系,通过对评价指标的选择、评价体系的构建与优化,来实现财务预警体系的预期目的,为企业的管理、投资者的决策、国家的规划提供有效的参考。

办公建筑在民用建筑中占很大的比例,影响办公建筑能耗的因子种类多,变量之间相关性强。利用pca算法,对影响办公建筑能耗的主要影响因子进行了主成分提取分析,以主成分累计贡献率达85%为确定标准,最终达到矢量降维的目的,便于后期构建影响因子与建筑能耗的关联性。这对于降低办公建筑的能耗有一定参考价值。

利用matlab建立bp神经网络,将影响建筑能耗的18个因素作为网络的输入,进行学习训练,最后通过测试样本点数据预测建筑能耗,与dest-h模拟计算得到的结果比较,发现相对误差在3.5%以内,并通过实例验证了该网络模型的准确性。该方法使建筑人员在设计阶段就能快速且准确地获得设计建筑的能耗。

针对传统bp神经网络存在的收敛速度慢和极易陷入局部极小值导致网络\"震荡\"影响建筑能耗预测准确性的缺点,本文提出一种基于随机dropout和foa-bp的建筑能耗预测方法。该方法利用果蝇优化算法(foa)对bp神经网络的权值和阈值进行优化,再利用随机dropout算法改进foa-bp网络的隐层神经单元,获得较快的运算速度。案例仿真结果表明:与传统方法比较,经过foa-bp和随机dropout改善后的网络预测速度更快、预测精度更高,其预测结果可为建筑节能管理运行提供参考。

针对传统bp神经网络的建筑能耗预测中不变的预测影响因素难以保证预测的准确性和人工确定网络结构耗时长的问题,本文提出一种基于ga-bp的自优化的建筑能耗预测方法。该方法利用遗传算法对建筑能耗bp神经网络预测模型的输入因素和网络结构进行自动寻优确定,有效地减少了最佳预测模型的设计时间,节省了人工实验成本。利用该方法建设的建筑能耗预测系统已应用在某建筑群的能耗预测中,有效地减少了建筑能源浪费。

建筑能耗数据具有非平稳和非线性特征；单一预测模型很难对其进行精准预测；提出一种用于建筑能耗短期预测的新型混合模型；利用互补集合经验模态分解方法(ceemd)将波动性较大的能耗数据分解为一组本征模态函数和一个残差序列；基于反向学习、差分进化算法并引入控制参数λ对鲸鱼优化算法(woa)进行改进；有效解决算法早熟收敛与陷入局部最优等的问题；提出改进算法uwoa(upgradedwhaleoptimizationalgorithm)；利用uwoa优化elman神经网络的权值与阈值；优化后的elman神经网络对本征模态函数和残差序列进行预测并集成；得到能耗预测值；应用ceemd-uwoa-elman混合模型对上海某大型公共建筑能耗进行短期预测；结果显示混合模型获得很好的预测效果；

针对传统bp神经网络存在的收敛速度慢和极易陷入局部极小值导致网络\"震荡\"的缺点,影响建筑能耗预测准确性的问题,本文提出一种基于随机dropout和pso-bp的建筑能耗预测方法.该方法利用粒子群算法(pso)对bp神经网络的权值和阈值进行优化,再利用随机dropout算法改进pso-bp网络的隐层单元,获得较快的运算速度.案例仿真结果表明:与传统bp神经网络和pso-bp神经网络预测比较,经过pso-bp和随机dropout改善后的网络预测速度更快、预测精度更高,其预测结果可为建筑节能管理运行提供参考.

针对大型公共建筑高能耗问题,提出了主成分分析(pca)与bp神经网络相结合的大型公共建筑能耗预测模型。基于时间序列对历史逐日耗电量进行相关性分析,提取预测点前三天的逐日耗电量,并与前一天日照、温度、相对湿度、风速的平均值进行主成分的浓缩,然后将其作为bp神经网络的输入,从而降低输入变量的维数,简化网络结构。结果表明,较传统的bp网络,大型公共建筑能耗预测模型具有较高的精度和更短的学习时间,但当预测样品数增加时预测误差逐渐增大。

针对季节更迭、教学活动等因素对校园公共建筑能耗的影响，通过建立gm-bp神经网络组合预测模型，借助matlab软件完成建模和仿真环节，对建筑能耗开展预测分析研究。同时，引入最大相对误差绝对值emax、平均相对误差eave和均方根误差rmse3个性能指标对各预测模型性能进行评价。结果表明，组合模型较单一的gm(1，1)模型和bp神经网络模型预测精度更高，拟合性能更好。研究成果对能源管理部门制定用能政策及科研院校从事建筑节能研究具有一定的借鉴意义。

为满足车辆检测实时性和准确性需求,将基于c4.5的决策树算法作为adaboost算法的弱分类器,产生一种速度快、识别率高的强分类器,称之为adaboost-dt算法。算法训练多个决策树并将之作为弱分类器,之后通过改进级联架构的adaboost算法将若干弱分类器组合成一个强分类器。该算法特点在于:相对于广泛使用的以svm作为弱分类器的算法,其以决策树作为分类器,速度提高了29%;通过在adaboost算法进行强分类器的形成阶段加入再判决函数,准确率提高了14.1%。

建筑的能耗受到如季节、建筑的构造结构等多种因素的影响,目前对一栋建筑楼实现能耗预测往往采用单一模型,往往无法得到相对准确的结果.为了更好地描述建筑能耗规律,以南方某地为研究区域提出一种基于arima和bp神经网络的复合模型,模型的实例数据来源为南方某地某市政办公楼近两年的能耗月数据.首先,通过arima建模得到能耗值的拟合误差序列,再用bp模型修正误差值得到最终预测值.结果表明:复合预测模型的平均相对误差为0.2783%,而单一模型则高达2.6578%,复合模型的预测效果远优于单一模型,为准确实现建筑节能提出了一种新思路.

针对商品住宅价格预测问题,分析整理了与房价相关的经济因素,首次提出将bp-boosting回归算法运用到商品住宅价格的预测中.以郑州市房地产相关数据为实例,进行学习预测.模型结果表明,该方法简单有效,较为准确地预测出下一个季度的房价,与bp神经网络及灰色-马尔柯夫模型相比具有较为理想的预测精度.

针对建筑能耗的预测问题,提出一种基于深度条件受限玻尔兹曼机(crbm)的预测方法.首先,将传统受限玻尔兹曼机进行扩展,融入一个历史条件输入层,使其能够根据历史时间序列来预测未来序列.然后,在crbm基础上构建深度crbm模型,用来执行建筑能耗的预测.在一个\"个体家庭电力消耗\"数据集上的实验结果表明,提出的方法能够准确预测出预定时间段内的建筑能耗,能够为电力调度提供一定的依据.

根据空调负荷的非线性特点,提出了一种基于粒子群算法优化误差反向传播(bp)神经网络的空调负荷预测方法,针对bp网络训练容易出现麻痹和易陷入局部极值,以及其预测空调负荷时精度不够理想等现象,将粒子群算法的随机全局优化和梯度下降局部优化结合,达到改善神经网络泛化能力和提高空调负荷预测精度的目的。用该方法对的空调系统冷负荷与室外空气的干球温度、含湿量和太阳辐射照度的关系进行建模和预测,通过实例验证了该优化算法优于bp网络,能更加有效地处理动态空调负荷中的非线性问题,获得更可靠的预测结果。

bp神经网络是当前比较常用的人工神经网络,针对bp神经网络存在易陷入局部极小值、收敛速度慢等缺陷,将lm算法引入到bp神经网络中,以改进bp神经网络在预测时的训练过程,并利用轨道交通客流的时间序列对其有效性进行验证,结果证明该方法对轨道交通客流的短时预测有着更高的准确度和精度。

本文在建立城市层面的建筑用电量预测模型时,针对常规bp神经网络模型存在的诸多缺陷,进行了多种优化:组合模型预测取均值以克服随机性;加入统计规则以剔除个别奇异预测值的影响;实时学习以提高长期预测的精度。此外,针对影响因素的未来趋势难以准确预测的问题,增加了月份周期变量和月份序列变量这2个变量作为网络的输入,以提高模型的精度。结果显示,该方法预测效果明显优于常规bp神经网络和时间序列等方法。

bp神经网络算法具有很好的非线性推理能力及优越的自组织、自适应、容错性能。利用该方法对高层建筑地基沉降数据进行分析,可不考虑地基沉降影响因素与沉降之间的对应关系,而直接根据已知时间内实际沉降数据构建模型对未知时间的沉降进行预测推理。将该方法应用于西安市某高层建筑的地基沉降数据预测分析,并与多项式拟合方法的分析结果进行对比可知,bp神经网络的非线性预测推理能力更强,应用前景广阔。

为改进以往神经网络对建筑能耗预测的不足,提出应用遗传算法结合levenberg-marquardt算法(galm)改进神经网络对建筑能耗进行预测。首先,利用遗传算法优化神经网络的权值和阈值;其次,利用levenberg-marquardt算法优化神经网络训练,针对影响建筑能耗的主要因素建立galm神经网络的建筑能耗预测模型。通过建立建筑能耗监测平台采集某公共建筑1个月的能耗数据,对该模型进行训练和测试。实验结果表明,该模型可以准确且高效地对建筑能耗进行短期预测。

建立了基于energyplus的天津市cbd建筑能耗预测模型,对影响该市cbd建筑能耗的设计参数进行了灵敏性分析,选定其中9个关键设计参数,建立了天津市小白楼cbd建筑年总能耗的预测回归模型并进行了验证。研究结果显示,照明功率密度、设备功率密度、窗墙比等参数对cbd建筑总能耗影响较大,天津市cbd能耗预测回归模型r~2为0.966,估计标准偏差为1.122w/m~2；能耗预测值与模拟值的最大偏差分别为-12.813%和-7.063%。

通过研究分析夏热冬冷地区公共建筑能耗变化特点,建立了rbf神经网络建筑能耗预测模型。在此基础上运用微粒群算法对模型优化,建立了基于pso-rbf的建筑能耗预测模型。利用大量数据构造样本集,运用软件分别对优化前后的预测模型进行训练,并运用到典型公共建筑能耗值的预测实例中。结果表明基于pso-rbf的建筑能耗预测模型的学习能力和预测能力强,能较准确地实现公共建筑能耗预测。