建筑物空调负荷预测的支持向量回归机算法研究
空调负荷预测论文 粒子群算法论文 支持向量回归机论文 在线支持向量回归机论文 滚动预测算法论文
论文详情
提高空调负荷预测的准确性是实现空调系统节能运行和优化控制的基础和前提条件。针对现有空调负荷预测算法精度和速度难以满足空调系统优化运行与节能控制需求的问题,本文利用支持向量回归机的强大非线性映射能力,分别对小规模训练样本和大规模训练样本条件下空调负荷预测支持向量回归机模型的在线建模、在线预测算法等方面展开了研究。论文的主要研究工作包括:(1)针对基于SVR的空调负荷预测模型参数难以确定及计算量过大的问题,本文提出了基于粒子群的空调负荷预测SVR模型参数优化算法,并建立了SVR空调负荷预测模型。仿真结果表明,本文提出的粒子群优化算法与网格搜索法、遗传算法比较,具有更快的寻优时间,寻优时间仅为网格搜索法的7.1%~22.7%,遗传算法的22.8%~55.5%,该方法大幅度地缩短了空调负荷预测模型参数寻优时间,为空调负荷SVR预测模型提供了有效的参数优化算法。(2)针对常规离线SVR预测模型需要对模型进行重新训练,效率较差的问题,本文提出了小规模训练样本条件下建筑物空调负荷Online SVR预测算法。仿真结果表明,Online SVR预测模型在较小训练样本集下具有更优越的预测性能,但是,Online SVR预测模型受输入参数的影响较大。(3)针对当前空调负荷预测影响因素“时变”导致空调负荷预测模型不准确,影响负荷预测精度的问题,本文提出了大规模训练样本条件下基于SVR的空调负荷滚动预测算法,建立了SVR滚动预测模型。此外,算法利用当日前一小时的滚动信息,不断对模型进行修正以提高负荷预测精度。论文同时探讨了以期望误差百分比(EEP)为预测评价指标时,不同训练样本长度对神经网络和SVR算法预测精度的影响。预测结果表明,基于SVR的空调负荷滚动预测算法较常规SVR预测算法和神经网络预测算法预测精度分别提高了20.1%和19.8%,当训练样本较少时,本文提出的SVR滚动预测算法预测性能更为优越。
摘要 | 第5-6页 |
ABSTRACT | 第6-7页 |
第一章 绪论 | 第11-19页 |
1.1 课题背景及意义 | 第11-12页 |
1.2 建筑物空调负荷预测研究工作的发展和现状 | 第12-17页 |
1.2.1 基于软件模拟的预测方法 | 第12-13页 |
1.2.2 基于线性回归分析的预测算法 | 第13页 |
1.2.3 基于机器学习的预测算法 | 第13-17页 |
1.3 本文研究的主要内容 | 第17-19页 |
第二章 基于支持向量回归机的预测算法原理 | 第19-30页 |
2.1 机器学习基本概念 | 第19-20页 |
2.1.1 机器学习定义 | 第19页 |
2.1.2 机器学习系统的基本模型 | 第19-20页 |
2.1.3 机器学习的算法类型 | 第20页 |
2.2 常规支持向量回归机的基本原理 | 第20-24页 |
2.3 在线支持向量回归机的基本原理 | 第24-29页 |
2.3.1 训练样本集的分类 | 第25页 |
2.3.2 增量学习算法 | 第25-29页 |
2.3.3 减量学习算法 | 第29页 |
2.4 本章小结 | 第29-30页 |
第三章 空调负荷数据预处理与预测模型评价指标 | 第30-40页 |
3.1 研究对象 | 第30-31页 |
3.2 空调负荷数据样本分类 | 第31-33页 |
3.3 空调负荷预测模型的输入参数选择 | 第33-36页 |
3.4 空调负荷数据归一化处理 | 第36-38页 |
3.5 负荷预测评价指标 | 第38-39页 |
3.6 本章小结 | 第39-40页 |
第四章 基于粒子群的空调负荷预测 SVR 模型参数优化 | 第40-53页 |
4.1 常用的参数优化算法 | 第40-42页 |
4.1.1 网格搜索法 | 第40页 |
4.1.2 遗传算法 | 第40-42页 |
4.1.3 粒子群优化算法 | 第42页 |
4.2 基于 PSO 的建筑物空调负荷预测 SVR 模型参数优化算法 | 第42-45页 |
4.3 基于 PSO 的建筑物空调负荷预测 SVR 模型参数优化 | 第45-49页 |
4.3.1 空调负荷预测数据样本分类 | 第45页 |
4.3.2 输入参数的选择 | 第45-46页 |
4.3.3 训练样本选择及空调负荷预测数据归一化处理 | 第46页 |
4.3.4 建筑物空调负荷预测 SVR 模型核函数选择 | 第46页 |
4.3.5 建筑物空调负荷预测 SVR 模型超参数选择 | 第46-49页 |
4.4 三种寻优算法预测结果比较及分析 | 第49-51页 |
4.5 本章小结 | 第51-53页 |
第五章 建筑物空调负荷 Online SVR 预测算法 | 第53-63页 |
5.1 建筑物空调负荷 Online SVR 预测算法流程 | 第53-55页 |
5.2 建筑物空调负荷 Online SVR 的增量减量算法实现 | 第55-57页 |
5.3 建筑物空调负荷 Online SVR 预测算法实现 | 第57-59页 |
5.3.1 样本数据分类 | 第57页 |
5.3.2 输入参数的选择 | 第57-58页 |
5.3.3 数据归一化处理 | 第58页 |
5.3.4 在线训练样本长度及待预测样本选择 | 第58页 |
5.3.5 核函数及超参数选择 | 第58-59页 |
5.4 三种不同预测算法预测结果比较及分析 | 第59-62页 |
5.5 本章小结 | 第62-63页 |
第六章 建筑物空调负荷 SVR 滚动预测算法 | 第63-75页 |
6.1 建筑物空调负荷 SVR 滚动预测算法步骤 | 第63-65页 |
6.2 建筑物空调负荷 SVR 滚动预测算法实现 | 第65-67页 |
6.2.1 样本数据分类 | 第65页 |
6.2.2 输入输出变量选择 | 第65-66页 |
6.2.3 数据归一化处理 | 第66页 |
6.2.4 训练样本长度及待预测样本选择 | 第66页 |
6.2.5 核函数及超参数选择 | 第66-67页 |
6.3 预测结果比较及分析 | 第67-74页 |
6.3.1 不同训练样本长度下四种预测模型预测性能比较 | 第67-70页 |
6.3.2 输入变量的影响分析 | 第70-73页 |
6.3.3 各种空调负荷预测算法总评价指标的比较与分析 | 第73-74页 |
6.4 本章小结 | 第74-75页 |
结论 | 第75-77页 |
参考文献 | 第77-81页 |
攻读硕士学位期间取得的研究成果 | 第81-82页 |
致谢 | 第82-84页 |
附件 | 第84页 |
论文购买
论文编号
ABS2536754,这篇论文共84页
会员购买按0.30元/页下载,共需支付
25.2。
不是会员,
注册会员!
会员更优惠
充值送钱!
直接购买按0.5元/页下载,共需要支付
42。
只需这篇论文,无需注册!
直接网上支付,方便快捷!
相关论文