基于GM-BP神经网络的校园建筑能耗预测

格式：pdf
大小：288.32 KB
文档页数：4

定的借鉴意义。
关键词：ＧＭ－ＢＰ￣合模型；ＧＭ（１，１）模型；日聊经网络；能耗预测；建筑节能
中图分类号：ＴＵ２０文献标志码：Ａ文章编号：１６７３ — ７２３７（２０１６）１１－００８０ — ０４
ａｎｄＢＰｎｅｕｒｌａｎｅｔｗｏｒｋｏｄｍｅｌ，ｎｄａｔｈｅｉｔｆｔｉｎｇｐｅｃｆｏｒｍａ￣ｃｅｉｓｂｅｔｔｅｒ．ｈｅＴｒｅｓｅｒｃａｈｒｅｓｕｈｓｈａｖｅｓｏｍ￣ｒｅｆｅｒｅｎｃｅ
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）模型和狮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
２０１６年第１１期（总第４４卷第３０９期）
ｄｏｉ：１０．３９６９￣．ｉｓｓｎ．１６７３ — ７２３７．２０１６．１１．０１８
建筑节能
一电气与智能建筑
基于ＧＭ— ＢＰ神经网络豪
７１００５５）（西安建筑科技大学，西安
摘要：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Ｇ — 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
ＥｎｅｒｇｙＣｏｎｓｕｍｐｔｉｏｎＰｒｅｄｉｃｔｉｏｎｏｆＣａｍｐｕｓＢｕｉｌｄｉｎｇＢａｓｅｄｏｎｔｈｅＧＭ — ＢＰＮｅｕｒａｌＮｅｔｗｏｒｋ
Ａｂｓｔｒａｃｔ：ＡＧＭ－ＢＰｎｅｕｒａｌｎｅｔｗｏｒｋｃｏｍｂｉｎａｔｉｏｎｆｏｒｅｃａｓｔｉｎｇｍｏｄｅｌｉｓｄｅｓｉｇｎｅｄｔｏｅｌｉｍｉｎｔａｅｔｈｅｅｆｆｅｃｔｏｆｔｈｅｓｅｓｏａｎａｌａｌｔｅｒｎｔｉａｏｎ，ｔｅａｃｈｉｎｇｃｔａｉｖｉｔｉｅｓａｎｄｏｔｈｅｒｆｃｔａｏｒｓｏｎｐｕｂｌｉｃｂｕｉｌｄｉｎｇｅｎｅｒｇｙｃｏｎｓｕｍｐｔｉｏｎｏｎｃａｍｐｕｓ．ＭＡＴＬＡＢｓｏｆｔｗａｒｅｉｓｕｔｉｌｉｚｅｄｔｏｃｏｍｐｌｅｔｅｔｈｅｍｏｄｅｌｉｎｇａｎｄｓｉｍｕｌｔｉａｏｎｏｆｂｕｉｌｄｉｎｇｅｎｅｒｇｙ＂ｃｏｎｓｕｍｐ — ｔｉｏｎｔｏｃａｒｒｙｏｕｔｔｈｅｆｏｒｅｃａｓｔａｎａｌｙｓｉｓ．ＡｔｔｈｅｓａｌＹｂｅｔｉｍｅ，ｔｏｅｖｌａｕｔｅａｔｈｅｐｅｒｆｏｒｍｎｃａｅｆｏｔｈｅｆｏｒｅｃｓｔａｍｏｄｅｌ，ｔｈｅａｂｓｏｌｕｔｅｖｌｕａｅｆｏ１７ｔａ￣ｉｍｕｍｒｅｌｔｉａｖｅｅｒｒ０ｒｍ０ｔｈｅａｖｅｒａｇｅｒｅｌｔｉａｖｅｅｒｒｏｒ。（Ｅｖｅａ）ａｎｄｒｏｏｔｍｅａｎｓｑｕｒｅａｅｒｒｏｒ（ＲＭＳＥ）ｒｅａａｄｏｐｔｅｄ．ＴｈｅｒｅｓｕｌｔｓｓｈｏｗｔｈｔａｔｈｅｃｏｍｂｉｎｅｄｏｄｍｅｌｉｓｂｅｔｔｅｒｔｈａｎｔｈｅｓｉｎｇｌｅＧＭ（Ｉ，１）ｏｄｍｅｌ
ｖｌａｕｅｆｏｒｔｈｅｅｎｅｒｇｙｍｎａａｇｅｍｅｎｔｄｅｐａｒｔｍｅｎｔｔｏｆｏｒｍｕｌｔａｅｅｎｅｒｇｙｐｏｌｉｃｙａｎｄｔｈｅｒｅｓｅｒｃａｈｉｎｓｔｉｔｕｔｉｏｎｓｔｏ
ＬＩＭｉｎｇ－ｈａｉ，ＺＨＡ０Ｍｉｎｇ－ｑｉａｎｇ，ＬＩＵＭｉｎ，ＷＡＮＧＴｉａｎ－ｈａｏ
（Ｘｉ ’ ａｎＵｎｉｖｅｒｓｉｔｙｏｆＡｒｃｈｉｔｅｃｔｕｒｅａｎｄＴｅｃｈｎｏｌｏｇｙ，Ｘｉ ’ ｎａ７１００５５，Ｃｈｉｎａ）

基于BP神经网络模型的建筑工程安全损失预测研究

基于ＢＰ神经网络模型的建筑工程安全损失预测研究＊
ＳｔｕｄｙｏｎＰｒｅｄｉｃｔｉｏｎｏｆＣｏｎｓｔｒｕｃｔｉｏｎＥｎｇｉｎｅｅｒｉｎｇＡｃｃｉｄｅｎｔＬｏｓｓ
投入与事故经济损失呈逆向指数关系。即企业安全管理处
于一定水平，增加安全投入可以有效地减少事故的经济损
［４］孙建卫，陈志刚，赵荣饮，等基于投入产出分析的中国碳排放足迹研究Ⅲ 中国人口一资源与环境，２０１０（５）：２８．３４．５高育新，王军，徐芬莲，等．预拌混凝土绿色生产碳排放评估… ．混凝
对建筑工程安全损失进行预测，为合理控制建筑工程安全
业之后的第４大支柱产业… ，２０１０年全国共完成建筑产业总
产值９６０３１１亿元，比上年增长２５．０３％；建筑企业实现利润
３４Ｏ９亿元，增长２０．２５％。建筑业的蓬勃发展，拉动了诸如
损失提供借鉴参考。
兹计算法、野口三郎计算法、Ａｎｄｒｅｏｎｉ法，而国内的计算原则主要是参照企业职工伤亡事故经济损失统计标准》。如冯斌和张守建定义了建筑工程事故机会损失的
１基于文献回顾的建筑工程安全损失影响指标体系建立
金属结构、机械制造、非金属矿物以及建筑材料等之紧密

基于BP神经网络的建筑物用电能耗预测

ＡｓｔｅｔｄｔｎＰａｇｒｈｈｓｓｍｅｕａｏｄｂｅｄｓｄａｔｇｓｓｃｓｔｅｓｏｒｉｉｇｓｅｄｒｉｏａＢｌｏｔｍａｏｎｖｉａｌｉａｖｎａｅｕｈａｈｌｗｔｎｎｐｅｈａｉｌｉａ
１神经网络及其算法
１１Ｂ．Ｐ神经网络
Ａｘ＝一［（）ＶＥｘＶＥｘ］（）（）２式中Ｅ表示误差指标函数Ｅ）（）（的Ｈｓａ矩ｅｓｎｉ阵；（）ＶＥ表示梯度。设误差指标函数：
Ｂ＿３网络是一种单向传播的多层前向网络。Ｐ２，ＢＰ网络是一种具有三层或三层以上的神经网络，包括输入层、中间层（隐层）和输出层；上下层之间实现全连接，每层神经元之间无连接。当一对学习样本提供给网络后，神经元的激活值从输入层经中间层向输出层传播，在输出层的各神经元获得网络的输入响应。然后按照减少目标输出与实际误差的方向，从输出层经过各中间层逐层修改各连接权值和阈值，最后回到输入层。这种算法称为“ 误差反向传播的算法 ” 即Ｂ，Ｐ算法。理论已经证明，当ＢＰ神经网络的隐层神经元数目增加到足够多时，可以以任意精度逼近任何一个具有有限间断点的非线
络的建筑物用电量预测模型。以某市公共建筑原始用电能耗统计数据作为样本，用ＭＴＡ并采ＡＬＢ对预测模型
进行了仿真预测。结果显示：误差在允许范围内。关键词：建筑物用电能耗；Ｐ网络；Ｍ算法；ＴＡ预测模型ＢＬＭＡＬＢ；
中图分类号：Ｕ１１１５Ｔｌ．９文献标识码：Ａ

基于GA—BP神经网络的大型公共建筑能耗预测研究

Ｇｕｎａｙｄｉｎ，ＳｅｌｃｅｎＢｉｎｏ１．Ａｒｔｉｉｆｃｉａｌｎｅｕｒａｌｎｅｔｗｏｒｋｓｔｏｐｒｅｄｉｃｔｄａｙｌｉｇｈｔｉｌｌｕｍｉｎａｎｅｉｎ
模型，解决了ＢＰ神经网络连接权值和阈值选
择上存在的随机性缺陷，法对大型公建的能耗预测有更高的精度。
４．２模型验证采用遗传算法优化ＢＰ神经网络的权值和
容易陷于极小点的缺陷。实验表明，ＧＡ优化后的ＢＰ神经网络收敛速度快，训练时间缩短，
表２一测试样本数据及电能耗真实值
Ｏ２Ｏ２Ｏ２Ｏ２０２Ｏ２
日期
２０１３．６．１２Ｏ１３．６．２２Ｏ１３．６．３２Ｏ１３．６．４２Ｏ１３．６．５２Ｏ１３．６．６２Ｏ１３．６．７
同时提高了预测精度。５．２影响大型公共建筑的能耗因素很多，
ｏｆｉｆｃｅｂｕｉｌｄｉｎｇｓ【ｊ】．ＢｕｉｌｄｉｎｇａｎｄＥｎｖｉｒｏｎｍｅ
Ｅｔ均温度（ＦＣ）７７７Ｅ７ｌ均湿度７７（／％）
２５２７２７．５２７
ｉ
３３３３３３
１１ｃ＿、｜
风速
２．４
日照时数（／ｈ）
６．５８４．１４Ｏ２．８７３．５４３．２４２．７６

基于BP神经网络的建筑能耗预测

作者简介：何
磊（９４）男，江舟山人，程师，事建筑设计工作。１７一，浙工从
４８
浙
江
建
筑
２００８年ቤተ መጻሕፍቲ ባይዱ
第２５卷
数据，本文通过应用ＤＳ．件对舟山地区典型居ｅＴｈ软
住建筑进行了建筑能耗分析，析数据作为对神经分网络训练和测试的数据。分析模型：幢３单元６一层传统居住建筑，高２８ｍ，室一厅一厨一卫，层．两每户建筑面积１０ｍ，０总建筑面积３５４５其４．６ｍ，
接权系数的动态演化过程。它具有大规模并行计
算、线性处理、棒性、非鲁自组织及自适应性、习能学
力、布式存储、想能力等特点。分联
１２．神经网络结构
神经元是神经网络的基本处理单元，一般表现
浙江建筑，２第５卷，１第２期，０８年ｌ２０２月
ＺｅｉｇＣｎｔｃｉ，ｏ．５Ｎ．２Ｄｃ２０ｈｊｎｏｓｕｔｎＶ１２，ｏ１，ｅ．０８ａｒｏ
基于ＢＰ神经网络的建筑能耗预测
ＢＰＮｅｒＩｔＷｏｋＢａｅｅｉｔｎｕａＮｅｒｓｄＰｒｄｃｉｏ
数据预测建筑能耗，ＤＳ — 模拟计算得到的结果比较，现相对误差在３５以内，通过实例验证了该网络模型的准确性。与ｅＴｈ发．％并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。关键词：Ｐ网络；筑能耗；ＴＡ预测Ｂ建ＭＡＬＢ；

下载提示

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

基于GM-BP神经网络的校园建筑能耗预测

合集下载

基于BP神经网络模型的建筑工程安全损失预测研究

基于BP神经网络的建筑物用电能耗预测

基于GA—BP神经网络的大型公共建筑能耗预测研究

基于BP神经网络的建筑能耗预测

文档推荐

最新文档