Elman網絡與BP網絡在空調負荷預測中的應用對比研究
格式：pdf
大?。?span id="hb2miwuoln1s" class="single-tag-height" data-v-09d85783>700KB
頁數：3P
人氣 ：70
4.8
為了更準確地進行空調系統負荷的預測,應用了在處理序列輸入輸出數據具有優(yōu)越性的El-man回歸神經網絡建立負荷預測模型,并用2003年7月份的統計數據進行檢測。同時也應用了基于BP算法的靜態(tài)前饋神經網絡進行建模和檢測,比較兩種檢測結果,證明了Elman網絡在動態(tài)預測實驗中與BP網絡相比較的優(yōu)勢。
小波網絡應用于空調負荷預測
格式：pdf
大?。?span id="hb2miwuoln1s" class="single-tag-height" data-v-09d85783>270KB
頁數：4P
準確預測空調負荷不僅對蓄能空調高效運行意義重大,而且也是冷熱電三聯產技術發(fā)揮優(yōu)勢的關鍵所在。本文提出一種小波網絡應用于空調負荷的預測模型,通過小波分解,把空調負荷序列分解為不同頻段的小波系數序列,再將各層的小波系數子序列重構到原尺度上,然后對小波系數序列采用相匹配的bp神經網絡模型進行預測,最后合成空調負荷序列的最終預測結果。該預測模型中的低頻小波系數a3和中頻小波系數d3的神經網絡輸入變量為前1天小波系數值和對應時刻的溫度、相對濕度、風速、總輻射量、天氣狀況和星期幾編碼共7個因子,并采用主成分分析法進行輸入變量的降維;高頻小波系數d2和d1以前幾日的小波系數為輸入因子。經過對西安市某綜合樓的空調負荷進行預測,證明了預測值和實際運行值擬和很好,相對誤差為-10%~8%。該預測模型具有預測精度較高、推廣能力較強及計算速度較快的優(yōu)點。
EBP神經網絡在空調負荷預測中的應用
格式：pdf
大?。?span id="hb2miwuoln1s" class="single-tag-height" data-v-09d85783>163KB
頁數：4P
ebp神經網絡在空調負荷預測中的應用——空調系統負荷是一個典型的具有動態(tài)性、不確定性等隨機特性的非線性模型。傳統方式難于實現準確、快速地預測空調系統動態(tài)負荷。人工神經網絡ann具有高度的非線性運算能力和較強的容錯能力，其中使用最為廣泛的是誤差反向傳...
編輯推薦下載
前饋神經網絡在空調負荷預測中的應用
格式：pdf
大?。?span id="hb2miwuoln1s" class="single-tag-height" data-v-09d85783>672KB
頁數：4P
3
前饋神經網絡在空調負荷預測中的應用——空調系統負荷是一個典型的具有動態(tài)性、不確定性等隨機特性的非線性模型,傳統方式難以實現準確、快速地預測空調系統動態(tài)負荷。人工神經網絡具有高度的非線性運算能力和很強的容錯能力,其中最為廣泛的是前饋神經網絡和采用...
EBP神經網絡在空調負荷預測中的應用
格式：pdf
大小：662KB
頁數：4P
4.4
空調系統負荷是一個典型的具有動態(tài)性、不確定性等隨機特性的非線性模型。傳統方式難于實現準確、快速地預測空調系統動態(tài)負荷。人工神經網絡ann具有高度的非線性運算能力和較強的容錯能力,其中使用最為廣泛的是誤差反向傳播ebp算法。研究結果表明,用ebp神經網絡預測空調負荷和計算結果能較好地吻和。
網絡與BP網絡在空調負荷預測中的應用對比研究熱門文檔
前饋神經網絡在空調負荷預測中的應用
格式：pdf
大?。?span id="hb2miwuoln1s" class="single-tag-height" data-v-09d85783>327KB
頁數：4P
4.7
空調系統負荷是一個典型的具有動態(tài)性、不確定性等隨機特性的非線性模型,傳統方式難以實現準確、快速地預測空調系統動態(tài)負荷。人工神經網絡具有高度的非線性運算能力和很強的容錯能力,其中最為廣泛的是前饋神經網絡和采用誤差反向傳播算法來計算網絡權值。本文討論當誤差不為零或者不為線性函數,即二階項s(w)不能忽略時的hesse矩陣的近似計算,進而訓練網絡。研究結果表明,用該種神經網絡預測空調負荷和計算的結果會較好地吻合。
前饋神經網絡在空調負荷預測中的應用
格式：pdf
大小：189KB
頁數：4P
3
前饋神經網絡在空調負荷預測中的應用——本文討論當誤差不為零或者不為線性函數，即二階項s(w)不能忽略時的hesse矩陣的近似計算，進而練網絡。研究結果表明，用該種神經網絡預測空調負荷和計算的結果會較好地吻合。
基于小波變換的神經網絡空調負荷預測研究
格式：pdf
大?。?span id="hb2miwuoln1s" class="single-tag-height" data-v-09d85783>629KB
頁數：5P
4.3
基于小波變換的思想建立了遞歸bp網絡模型來預測空調負荷,改進了網絡權值、閾值的修改算法,引入了折扣系數法以提高近期預測精度,結合一實例進行了空調逐時冷負荷預測,結果表明該方法預測精度高,適用于空調負荷預測。
基于改進BP網絡的空調系統負荷預測
格式：pdf
大小：130KB
頁數：4P
4.7
本文針對bp模型收斂速度慢、易陷入局部極小點等缺點,基于遺傳算法的思想,對訓練算法進行了改進,提高了收斂速度和預測精度。應用表明這種改進模型在空調系統的負荷預測方面是有效的、可行的。
BP神經網絡在建筑物空調負荷預測中的應用評述
格式：pdf
大?。?span id="hb2miwuoln1s" class="single-tag-height" data-v-09d85783>715KB
頁數：3P
4.7
在bp神經網絡的相關理論的基礎上,介紹了其在建筑物空調負荷預測中的應用,指出bp神經網絡是一種有效的建筑物空調負荷預測方式;最后還介紹了當前bp神經網絡算法的改進研究,并指出了下一步亟待開展的工作。
網絡與BP網絡在空調負荷預測中的應用對比研究精華文檔
基于Elman型神經網絡的空調負荷預測模型
格式：pdf
大?。?span id="hb2miwuoln1s" class="single-tag-height" data-v-09d85783>587KB
頁數：4P
4.4
空調系統的負荷與諸多影響因素之間是一種多變量、強耦合、嚴重非線性的關系,且這種關系具有動態(tài)性,因而傳統方法的預測精度不高。而動態(tài)回歸神經網絡能更生動、更直接地反映系統的動態(tài)特性。針對這個特點,建立了基于elman型神經網絡的空調負荷預測模型,并進行了實例預測。文中還比較了elman網絡和bp網絡結構的建模效果,仿真實驗證明了elman神經網絡具有動態(tài)特性好、逼近速度快、精度高等特點,說明elman網絡是一種新穎、可靠的負荷預測方法。
利用神經網絡預測空調負荷
格式：pdf
大小：441KB
頁數：4P
4.5
介紹了神經網絡的基本原理,編制了通用神經網絡程序,并用此程序對一實際工程空調負荷進行了預測,預測結果與計算值相吻合,說明神經網絡是一種新穎、可靠的負荷預測方法
基于神經網絡的空調負荷混沌優(yōu)化預測
格式：pdf
大小：758KB
頁數：5P
4.4
從空調負荷預測的目的出發(fā),詳細介紹了一種基于神經網絡的混沌優(yōu)化方法,對誤差函數及搜索方法作了適當的改進,建立了一個混沌神經網絡模型。并用此改進的模型對一實例進行了空調負荷預測,結果表明該方法簡便、足夠準確可靠。
神經網絡法及其在暖通空調負荷預測中的應用
格式：pdf
大?。?span id="hb2miwuoln1s" class="single-tag-height" data-v-09d85783>425KB
頁數：5P
4.4
綜述了人工神經網絡的發(fā)展歷史及優(yōu)缺點,闡述了人工神經網絡模型的改進及在暖通空調負荷預測方面的應用,并展望了進一步的研究方向。
泛化能力改善的神經網絡方法在空調負荷預測中的應用
格式：pdf
大?。?span id="hb2miwuoln1s" class="single-tag-height" data-v-09d85783>287KB
頁數：5P
4.7
本文針對神經網絡方法進行負荷預測時存在的泛化能力較差的缺點,提出了對歷史數據進行相關性分析和輸入數據主成分分析以提高神經網絡泛化能力。實例分析結果表明:歷史數據的相關性分析為空調負荷預測神經網絡模型輸入參數的合理選擇提供了依據,主成分分析方法在降低神經網絡模型輸入維數、提高該方法泛化能力方面有較好的作用。
網絡與BP網絡在空調負荷預測中的應用對比研究最新文檔
基于BP神經網絡的短期負荷預測研究 基于BP神經網絡的短期負荷預測研究
格式：pdf
大小：114KB
頁數：未知
4.5
電力系統短期負荷預測是能量管理系統的重要組成部分，不但為電力系統的安全、經濟運行提供保障，也是電力市場環(huán)境下編排調度計劃、供電計劃、交易計劃的基礎。因此，短期負荷預測方法的研究一直為人們所重視。
基于BP神經網絡的短期負荷預測研究 基于BP神經網絡的短期負荷預測研究
格式：pdf
大小：114KB
頁數：未知
4.6
電力系統短期負荷預測是能量管理系統的重要組成部分，不但為電力系統的安全、經濟運行提供保障，也是電力市場環(huán)境下編排調度計劃、供電計劃、交易計劃的基礎。因此，短期負荷預測方法的研究一直為人們所重視。
人工神經網絡在空調系統負荷預測中的應用
格式：pdf
大?。?span id="hb2miwuoln1s" class="single-tag-height" data-v-09d85783>547KB
頁數：3P
4.8
采用理論分析的方法,通過分析國內外在該方面的研究成果,剖析了人工神經網絡在空調系統負荷預測中的應用,指出了利用人工神經網絡(ann)具有的高度的并行處理和可完成復雜的輸入輸出的非線性映射能力,進行空調系統負荷預測精度高、準確度好。ann是一種有效的空調負荷預測手段。
基于BP人工神經網絡的空調降溫負荷預測
格式：pdf
大小：1.2MB
頁數：4P
4.5
空調負荷是近年來增長較快的一類負荷,其特性對電網的電壓穩(wěn)定性影響很大。夏季影響空調負荷的因素主要是溫度和濕度的變化。為了更好的預測空調降溫負荷,研究了溫度和濕度對空調負荷的影響。利用bp人工神經網絡對電網空調負荷進行了預測,經過分析把日平均濕度量化成4段,和日平均濕度實際數值的模型進行計算比較,結果顯示考慮日最高溫度和日平均濕度量化為4段能更好的模擬溫度、濕度和空調負荷之間的非線性關系,能更好的對電網空調負荷進行預測。
基于BP神經網絡的短期負荷預測 基于BP神經網絡的短期負荷預測
格式：pdf
大?。?span id="hb2miwuoln1s" class="single-tag-height" data-v-09d85783>120KB
頁數：未知
4.7
電力系統負荷預測的重要性、分類和主要預測方法,bp神經網絡算法的基本理論和預測過程,建立基于bp神經網絡的短期負荷預測模型,以加州24h的電力負荷預測為例進行matlab仿真,結果顯示預測精度符合電力系統要求。
應用人工神經網絡預測建筑物空調負荷
格式：pdf
大?。?span id="hb2miwuoln1s" class="single-tag-height" data-v-09d85783>412KB
頁數：3P
4.3
用vb編制了人工神經網絡的通用bp算法程序。根據西安參考年氣象參數,采用動態(tài)模擬程序計算了某辦公樓4月至9月逐時冷負荷,結果顯示利用神經網絡的預測值與計算值吻合。
基于互聯網的神經網絡空調負荷預測解決方案
格式：pdf
大?。?span id="hb2miwuoln1s" class="single-tag-height" data-v-09d85783>149KB
頁數：3P
4.4
在分析比較各種負荷預測方法的基礎上,給出了一個基于互聯網的應用神經網絡方法進行負荷預測的方案。該方法通過互聯網以“準在線”的方式可同時滿足較高的逐時負荷預測精度和模型調整的要求,并已在實際工程中使用,取得了一定的效果。
基于神經網絡的空調負荷實時預測模型
格式：pdf
大?。?span id="hb2miwuoln1s" class="single-tag-height" data-v-09d85783>278KB
頁數：4P
3
基于神經網絡的空調負荷實時預測模型——文章針對暖通空調系統優(yōu)化和預測控制，研究了利用神經網絡進行空調負荷預測的方法。
基于RBF神經網絡的建筑逐時空調負荷預測模型
格式：pdf
大?。?span id="hb2miwuoln1s" class="single-tag-height" data-v-09d85783>446KB
頁數：6P
3
基于rbf神經網絡的建筑逐時空調負荷預測模型——分別用徑向基函數(rbf)神經網絡模型和bp神經網絡模型對廣州市一棟辦公樓和一棟圖書館在夏季不同月份的逐時冷負荷進行訓練和預測，發(fā)現rbf神經網絡模型預測的均方根誤差和平均相對誤差都僅是bp神經網絡方法的64％...
基于小波神經網絡冰蓄冷空調負荷預測
格式：pdf
大小：233KB
頁數：3P
3
基于小波神經網絡冰蓄冷空調負荷預測——為了節(jié)省冰蓄冷中央空調系統的運行費用，準確地預測空調冷負荷是必不可少的。采用dbl小波對冰蓄冷空調冷負荷序列進行分解，分別對低頻和高頻序列采用bp網絡進行預測，將預測結果進行疊加得到最終預測值。結合實例進行了...
網絡與BP網絡在空調負荷預測中的應用對比研究相關
文輯推薦
知識推薦
百科推薦
職位：城鄉(xiāng)規(guī)劃及地理信息人員
擅長專業(yè)：土建 安裝 裝飾 市政 園林
