这所院校又添新作:基于组合神经网络的建筑冷负荷混合预测模型
论论资讯 | 2024-04-29 |
47热度
Energy
Explore content
About the journal
Publish with us
Hybrid forecasting model of building cooling load based on combined neural network
Gao Z.; Yang S.; Yu J.; Zhao A.
Published:2024-06-15
DOI:10.1016/j.energy.2024.131317
研究背景
随着社会对空调系统高能耗的担忧日益增加,建筑制冷负荷的准确预测变得至关重要。目前,存在着对空调系统供需匹配的问题,这直接影响其运行效率。因此,如何有效预测建筑制冷负荷成为当前研究领域的关键问题。
研究内容
这项研究提出了一种混合预测模型(BAS-GRNN&LSTM),结合了广义回归神经网络(BAS-GRNN)和长短期记忆神经网络(BAS-LSTM),并通过甲壳虫触角搜索算法进行优化,用于建筑制冷负荷的预测。首先,全面分析影响制冷负荷的因素,并采用随机森林结合递归特征消除(RF-RFE)方法进行特征选择。然后,开发了BAS-GRNN&LSTM模型进行预测。最后,利用中国北部一座大型建筑的实测数据进行了仿真实验。与GRNN、LSTM、BAS-GRNN和BAS-LSTM相比,BAS-GRNN&LSTM在五项性能评估指标(RMSE、MAPE、RRE、MBE和R<sup>2</sup>)中表现更佳,显示出更高的预测准确性。此外,详细的算法性能分析显示,该混合模型在稳健性、泛化能力和计算复杂性方面具有显著优势,可有效应用于建筑制冷负荷预测,并有助于建筑空调系统的优化控制。
研究意义
这项研究的创新点在于提出了一种结合不同神经网络和优化算法的混合预测模型,有效提高了建筑制冷负荷的预测准确性。通过该模型,可以更好地实现空调系统的供需匹配,提高空调系统的运行效率,进而节约能源资源,降低能耗成本,具有重要的实际应用意义。
学术热榜
查看全部
相关资讯
换一批