一、人工神经网络在商场建筑物冷负荷预测中的应用（论文文献综述）
冉彤[1]（2021）在《某机场能源站冰蓄冷空调系统负荷预测与节能优化研究》文中研究指明经济社会的快速发展促进了现代航空业的大发展,机场航站楼作为其中最大的单体建筑,其夏季制冷系统的能耗达到了总能耗的65%左右。冰蓄冷空调作为现代化航站楼制冷系统的主要供冷形式,具有“移峰填谷”的优势,能充分减少制冷机组装机容量、减少系统运行费用。但是当冰蓄冷系统运行策略制定的不当时,会造成设备的运行效率低下、系统运行费用增加、能源浪费严重等问题,因此对冰蓄冷空调系统进行节能优化策略的研究显得至关重要。而空调冷负荷的精准预测是制定节能优化策略的关键,故论文主要针对某机场冰蓄冷系统的负荷预测以及节能优化策略展开研究,主要内容如下:（1）机场航站楼冷负荷预测研究。提出了基于改进的VMD-ARIMA-DBN机场航站楼冷负荷预测模型,首先利用Pearson相关性分析法确定了预测模型输入数据的主要类型,以解决变量与结果相关性较弱的问题;其次采用变分模态分解（Variational mode decomposition,VMD）技术对输入数据进行分解,将分解得到的波动较大、规律性较差的部分利用改进的深度信念网络（Deep Belief Networks,DBN）预测,而分解得到的波动较小、规律性较好的部分用自回归综合移动平均（Autoregressive Integrated Moving Average Model,ARIMA）算法进行预测,最后将两部分分类预测的结果叠加获得最终的航站楼冷负荷预测结果。（2）能源站冰蓄冷系统节能运行策略研究;首先,基于能源站冰蓄冷空调的组成和工作原理,建立了系统的能耗模型,包括多台制冷机组能耗模型、冷却塔、水泵的能耗模型,蓄冰槽的蓄冰模型以及融冰模型。其次以整个系统的运行费用最低、能耗损失最小为目标,实际工程运行的物理条件作为约束,建立并行GA-PSO优化算法进行求解。最后以能源站实际运行数据进行分析,得到冰蓄冷空调系统的逐时运行策略。通过仿真实验验证,文中所提出的冷负荷预测模型在机场航站楼中取得了较好的预测精度,其最大均方根相对误差为2.12%,平均绝对百分误差为3.25%。提出的能源站冰蓄冷系统运行优化策略相较于传统的冷机优先策略,在整个夏季运行工况约节省费用37.29%,减少10.97%的能耗损失;相较于该能源站实际运行的冰槽优先策略,约节省费用14.02%,减少8.11%的能耗损失。故文中所研究的内容对机场能源站的运行策略制定有着借鉴作用,也为绿色、智慧机场的建设提供重要理论依据。
雷磊[2]（2020）在《基于GA-ELM方法的建筑能耗预测研究》文中研究指明随着我国城市化进程的加快以及建筑功能日趋精细复杂,建筑能耗日益增长,现阶段建筑能耗在社会总能耗中占比高达26.7%,存在巨大节能潜力。建筑能耗预测作为建筑节能的一项重要内容,其快速、精准的预测结果是进行建筑节能优化的基础。因此,如何构建一个高效精准的建筑能耗预测模型,是建筑节能优化领域的研究热点之一。以某智能生产办公综合用房为案例,在对建筑能耗数据采集、分析的基础上,重点研究利用遗传算法改进和建立建筑能耗预测模型以提高能耗预测结果的效率和精度,为建筑节能优化提供快速、准确的参考依据,为建筑节能工作奠定基础。从能耗管理系统构建、预测模型建立和工程应用仿真三方面进行重点研究,构建了一个高效、精准的建筑能耗预测系统。论文主要从以下几个方面进行研究:（1）建筑能耗管理系统构建:针对大型公共建筑总能耗大、空调系统能耗占比多等项目特点,构建建筑能耗管理平台。该系统可根据建筑功能分区对能耗监控对象进行相应的调整,可扩展性强,并且该系统可以针对空调冷负荷进行预测,有利于对能耗进行管理。（2）建筑能耗预测模型建立:分析和对比目前典型的能耗预测算法,针对传统BP神经网络应用于建筑能耗预测存在的问题,引入极限学习机算法（Extreme Learning Machine,ELM）,并采取遗传算法进行优化,提出基于遗传算法优化的极限学习机（Genetic Algorithm Extreme Learning Machine,GA-ELM）算法,并对建筑能耗管理系统采集到的能耗数据进行预处理,建立GA-ELM能耗预测模型。（3）能耗预测仿真及节能优化管理:将上述建立的建筑能耗预测模型应用于某实际工程项目,选取合理的负荷类型、时间段、采集点位、评价标准,进行仿真实验并对结果进行比较和分析。研究结果表明:与BP、GA-BP和ELM方法相比,基于GA-ELM方法进行建筑能耗预测是可行的,能够进一步提高预测准确率。在此研究基础上,结合工程实例采取一定的能耗管理策略,研究项目运营阶段能耗合理调配,为进一步节能降耗提供参考。
刘媛[3]（2020）在《基于客流量预测的公共建筑节能优化研究》文中指出随着智慧城市的进程加快,公共建筑在所有建筑中的能源消耗比不断增大。火车站候车厅作为客流量较大的一类特殊公共建筑,在实际运行过程中,由于候车厅人员具有密集性且变化较大的特点,使得空调系统在兼顾人员舒适性标准与建筑节能时较为困难。因此,对这类公共建筑展开节能优化具有很大的意义。另外,随着节能减排冰蓄冷技术的兴起,其更广泛地被应用到火车站建筑空调领域。在动态客流量的基础上,合理、准确地对火车站候车厅冷负荷进行模拟是优化该建筑冰蓄冷空调运行方式的前提。本课题以客流量变化的动态逐时冷负荷值为基础,能源利用率最高、运营成本最低为目标,对该类建筑的冰蓄冷空调优化展开研究,研究内容如下:首先,基于火车站候车厅的历史逐时数据,确定本课题采用的短期客流量预测算法—BP神经网络、ARIMA时间序列以及组合预测算法,经过对历史数据的预处理,设计出上述算法的各自参数值,并分别应用三种算法对历史客流数据展开预测。最终将三种算法预测结果与实际值对比分析,得出组合预测算法具有较高精准度的结论。其次,以预测出来的客流量数据为原型,对影响火车站候车厅空调负荷的不同因素展开定性、定量分析。采用基于Energy Plus软件模拟和模型计算的方法,分别对围护结构和其他因素进行逐时冷负荷模拟,得出火车站候车厅冰蓄冷空调系统的动态逐时冷负荷值。最后,针对空调系统的工艺流程,建立相应的运行模型—冷量模型、功耗模型以及经济模型。在动态逐时冷负荷值的基础上,将能源利用率最高和运营成本最低设为优化目标,结合相关工程约束条件,应用NSGA-II算法对空调系统进行运行优化,并得出相应的冷量分配控制策略。仿真结果表明,在此控制策略的指导下,系统的运营成本费用可以节约13.0%,能源损失率降低14.7%。
李佳殷[4]（2020）在《基于神经网络的大型公共建筑新风负荷预测》文中研究表明新风负荷在大型公共建筑的空调能耗中占比较高,对新风负荷进行预测是降低建筑能耗、发展绿色建筑的有效途径。本课题分别针对商场类、旅店类、办公类三种不同类型的大型公共建筑,分析新风负荷对于建筑负荷影响的程度大小,利用层次分析法分析确定影响新风负荷变化的主要印象因素及权重大小,并基于神经网络预测新风负荷,主要研究内容如下:采用DeST软件分别对商场类建筑、旅店类建筑、办公类建筑进行建筑负荷模拟分析,通过对沈阳市佳兆业商场进行模拟分析得出,夏季新风负荷占总负荷36%,冬季新风负荷占总负荷83.5%;对沈阳市友谊宾馆模拟的显示结果,夏季新风负荷占总负荷35%,冬季新风负荷占总负荷62.3%;对抚顺办公楼进行模拟分析得出,夏季新风负荷占总负荷38%,冬季新风负荷占总负荷68.7%;可见新风负荷对于大型公共建筑负荷的影响程度是很大,因此从新风负荷角度入手对于降低建筑负荷能耗具有重要意义。采用层次分析方法,对影响新风负荷的因素进行权重分析,通过新风负荷的特点、相关资料以及专家调查问卷的方法,确定对于新风负荷的影响因素主要有室外温湿度、机组型号、室内人员数量、热扰量等,根据计算结果显示,对于新风负荷影响程度最大的因素为人员数量,达到27.65%,其次为室外温度和室外湿度,占比12.74%,因此选取这三种因素作为预测模型的输入参数会很大程度上提高模型预测精度。分析人工神经网络的适用性,比较各种神经网络算法的优劣,并根据大型公共建筑新风负荷动态变化特点,确定输入层参数、隐含层参数、各种权值阀值的数值等,建立Elman神经网络预测模型,将实际数据带入到模型中进行预测,预测结果显示绝对误差大部分在-0.50.5之间,相对误差大部分低于7.00%,并且预测结果在人员流量大幅度变化的时间误差最大,可以得出预测结果与层次分析法的计算结果一致,具有可行性。但是单一的预测模型容易出现收敛速度慢、陷入局限解的情况,影响结果的准确性。针对Elman神经网络容易陷入局限解的问题,提出采用遗传算法对原有模型进行优化的方法,通过不断地对模型权值和阀值的进行迭代,选取适应度最高的值带入到预测模型,预测结果显示绝对误差基本都可以控制在0.5以内,相对误差基本控制在5%以内,通过与原有的预测模型对比分析,可以看出优化后的Elman神经网络预测模型精确度更高,同时也满足新风负荷的特点,具有可行性。
井文强[5]（2020）在《西安某商场空调系统能耗预测模型与节能诊断研究》文中研究表明随着城市的快速发展,商场建筑的数量也随之迅速增加,其能耗也在迅速增高。商场建筑因为其空调系统负荷大、照明能耗高、用能设备种类多、商场内部人员密集等特点导致商场建筑在其单位面积的平均能耗远远高于其它公共建筑,其在空调系统的耗能约为其他类型公共建筑的空调系统耗能的5倍左右。研究商场建筑空调能耗的特征,寻找到可靠的节能手段对商场建筑节能有着重要意义。故论文针对西安某商场建筑空调系统能耗预测和节能诊断进行研究,主要内容如下:首先,针对西安某商场建筑的空调系统,研究与其能耗相关的影响因素,得到空调系统能耗的影响因素分为室内影响因素和室外气象因素,室内影响因素包括室内的人流量、空调系统的历史运行数据;室外气象因素包括室外的温度、室外的风速、室外的湿度、室外的太阳辐射量,这些因素作为能耗预测模型的输入变量。其次,对模型所选取的输入与输出变量之间进行关联度分析,建立了西安某商场空调系统PSO-BP神经网络能耗预测模型;并借助JMP软件工具,利用Pearson相关性显着性进行检验,剔除关联度低的影响因素,采用关联度高的影响因素作为能耗预测模型的输入变量;利用Markov链进行误差修正,消除PSO-BP神经网络在进行空调系统能耗预测过程中所产生的过程误差,从而对所建立的能耗模型进行了优化,取得了精度更高的预测结果。经过仿真实验验证,改进后的PSO-BP神经网络能耗预测模型较未改进的PSO-BP神经网络能耗预测模型其最大相对误差从33.799%减小到了10.967%,能耗预测模型的均方根误差RMSPE从16.14%减小到了3.06%,表明了所建立的改进PSO-BP神经网络能耗预测模型的精度更高,更适用于工程实际的应用。最后,建立空调系统节能诊断模型。利用K-means聚类算法,从历史数据中选出节能特性较好的数据作为诊断模型的样本数据,建立节能诊断模型。从而能诊断出能耗异常情况,对诊断出的节能特性较差的数据进行异常分析,分析出空调系统运行中的不节能时刻。通过这种建模方式,可以找出空调系统运行中的不合理情况,为建筑节能管理运行提供参考。论文研究了西安某商场建筑空调系统的能耗预测以及节能诊断问题,提出了一种改进PSO-BP神经网络能耗预测模型,建立了节能诊断模型,不仅可以解决西安某商场空调系统的能耗预测与节能管理所存在的问题,而且对西安地区同类型建筑的空调系统的能耗预测以及节能管理具有指导和借鉴作用。
郭锴[6]（2019）在《基于树模型与神经网络模型的住宅建筑供暖负荷预测的研究》文中研究指明当前,我国冬季供暖能耗在社会总能耗中占比较大,供热节能势在必行。对供暖负荷的准确预测可以帮助运维人员提前掌握建筑的用能需求,进行精准调控,从而避免不必要的能源浪费。随着计量装置的普及以及人工智能技术的发展,机器学习技术在建筑物能耗预测方面得到了快速发展。本文以寒冷地区某住宅建筑为例,使用树模型与神经网络模型对供暖负荷进行短期预测与超短期预测,研究了两类在供暖负荷预测中的应用效果。本文首先利用相关性分析法初步筛选影响因子,考虑到建筑物的热惰性,室外变量历史时刻值的影响也被考虑在内。然后利用主成分分析法处理所得的影响因子,获得模型输入参数。最终将所得输入参数输入树模型与神经网络模型。针对树模型,本文使用了DT模型、GBDT模型和XGBoost模型对供暖负荷进行预测。研究发现,XGBoost模型在短期负荷预测与超短期负荷均优于DT模型与GBDT模型。针对神经网络模型,本文使用了LSTM模型及其变体（Dropout-LSTM模型、Bidirection-LSTM模型）和TCN模型对供暖负荷进行预测。研究发现,在短期预测中,加入双向神经网络机制的Bidirectional-LSTM模型对短期负荷预测效果最佳。在超短期预测中,加入双向神经网络机制的Bidirectional-LSTM模型对超短期负荷预测效果最佳,RMSE较LSTM模型下降了22.1%。TCN模型对超短期供暖负荷的预测达到了预期,可以与LSTM模型相媲美,证明了卷积神经网络可用于供暖负荷的预测。综合各方面因素,进行样本量较少、短时间内变化相对平稳的短期供暖负荷预测时,推荐使用XGBoost模型;进行样本量较大、短时间内负荷剧烈变化的超短期供暖负荷预测时,推荐使用Bidirectional-LSTM模型和TCN模型。
段瑶琪[7]（2019）在《基于RC网络和数据驱动的办公建筑空调负荷预测模型研究》文中提出在能源问题日益紧张的今天,通过精确预测室内动态冷热负荷来实现对室内热环境控制,进而降低系统能耗就显得尤为重要。RC物理模型能较好的体现建筑的热物理性质,基于计算机技术的数据驱动方法可以随时的监测并分析建筑空调系统的实际运行状况。本课题主要开展以分析各类气象因素、室内人员对建筑空调负荷的敏感特性为基础的建筑动态冷热负荷预测模型的研究。利用Design Builder能耗模拟软件,将案例建筑设置成有人模式和无人模式,模拟空调能耗,建立围护结构负荷数据库,以及因人员扰动导致的人员、照明、设备的负荷数据库。基于敏感性分析方法深入地研究各气象和人员因素对负荷影响的显着性,并以标准回归系数作为评价指标,对其进行排序,筛选出影响较大的因素,简化并优化负荷预测模型的输入参数。基于RC热网络理论构建案例建筑的RC简化模型,利用围护结构负荷原始数据库和遗传算法进行参数辨识,确定RC模型的结构参数,建立建筑围护结构负荷预测模型;并基于贝叶斯网络和人员扰动负荷原始数据库建立人员扰动负荷预测模型。随后,本文进一步采用模糊神经网络理论结合前述研究结果建立了办公建筑空调负荷综合预测模型。该预测方法综合利用了RC热网络对建筑围护结构热物理特性的较强体现能力,数据驱动方法对人员因素不确定性的非线性处理能力。经过对比,本文建立的综合负荷预测模型有较高的预测精度。
郑林涛[8]（2019）在《基于机器学习方法的珠三角地区商场空调全年负荷预测研究》文中研究说明合理的建筑设计方案对降低建筑能耗至关重要,但目前在商场建筑方案设计时,一般较少也很难考虑不同方案的建筑能耗比对,造成商场建筑设计方案在节能方面存在先天不足,很难通过围护结构的选型达到降低其能耗的目的。为辅助建筑设计方案决策,快速准确预测商场建筑设计方案的空调全年负荷十分必要。本研究以珠三角地区商场为研究对象,开展实地调研,建立内热源作息模型,实现商场建筑空调负荷计算模型的模块化和参数化,比选各种机器学习方法预测结果的精确性和适用性,建立商场空调全年负荷快速预测模型,开发珠三角地区商场建筑负荷预测分析软件。首先,采用设计资料收集、实地调研、室内温湿度测试以及问卷调研的方法对包括建筑特征因素、业态分布、围护结构热工参数、室内空气参数、内热源参数等在内的珠三角地区商场建筑空调负荷影响因素现状特点进行研究,确定珠三角地区商场空调负荷各影响因素的变化范围。针对商场各层业态特点,提出九种典型业态组合模式,引入模块化设计概念将九种典型业态组合模式作为基本模块,通过调用相应模块并叠加实现对任一商场建筑模型的准确描述。其次,基于商场内热源的数据统计,建立典型业态的人员、照明和电器设备的作息模型,并通过两家商场的实际运行数据验证其准确性。典型商场业态的内热源作息模型的建立,提高了空调全年负荷模拟的精度,实现了商场建筑能耗精细化模拟。第三,提出并验证商场空调负荷计算模型参数化方法。采用拉丁超立方抽样方法生成空调负荷影响因素不同取值的八万组随机组合,利用R语言和EnergyPlus实现八万组计算模型的生成和模拟计算,最后以楼层为单位收集模拟计算结果,形成九种业态组合模式对应的商场模块空调全年负荷样本库,以供后续的机器学习方法进行训练和测试。最后,对比11种不同机器学习方法模型的准确性得出模型质量最高的机器学习方法为梯度提升方法,建立基于梯度提升方法的珠三角地区商场空调全年负荷预测模型,并开发珠三角地区商场建筑负荷预测分析软件。引入敏感性分析确定各影响因素对商场空调全年负荷的影响规律,分析不同输入变量简化方案的预测模型的精度,提出输入变量简化原则。最后,针对后续真实商场样本出现的缺失值导致无法作为完整样本来进一步优化预测模型的问题,确定最佳缺失值填补算法为EM算法和多重填补法,以便于应用实际运行数据对预测模型的修正。
姜明超[9]（2019）在《基于近零能耗建筑能耗预测的能源系统控制策略研究》文中研究说明“近零能耗建筑”是建筑业未来的发展方向,得益于高性能的建筑保温结构以及高能效的建筑能源设备,与传统建筑相比“近零能耗建筑”自身能耗基数小,不合理的运行控制方式将导致实际能耗的严重偏离,造成“节能建筑不节能”的问题。以“沈阳建筑大学被动式超低能耗居住建筑研究中心”为平台,在前期进行建筑负荷预测的基础上对建筑能源系统进行控制策略研究。由于近零能耗建筑的建筑特点,与常规建筑的负荷特点存在很大的差异,在负荷变化的规律上存在较大的不同,所以针对近零能耗建筑的负荷特点对建筑负荷进行准确的预测意义十分重大。最终的主要目的根据近零能耗建筑的建筑负荷变化的特点,得出适用于近零能耗建筑能源系统在不同的建筑负荷下的供水温度曲线,同时探究适用于“近零能耗建筑”能源系统的控制策略与控制方法,实现最大程度上“近零能耗建筑”的运行节能。在建筑负荷预测方面,首先通过DEST软件对示范中心的建筑逐时负荷进行模拟分析,对负荷预测模型的输入与输出数据进行选取和处理,主要对负荷预测的影响因素进行相关性分析,通过相关性系数的大小,选取了6种相关性较高的影响因素作为主要输入量,主要包括室外温度、室内温度、室外风速、工作日类型、新风量指标、太阳辐射时长。对影响因素进行了归一化处理。最后以“沈阳建筑大学被动式超低能耗居住建筑研究中心”为案例进行了负荷预测算法研究,通过对比分析,最终确定采用BP神经网络预测算法进行建筑负荷的预测,同时采用L-M法对算法进行优化训练,最终得到一个预测精度以及收敛速度较快的建筑负荷预测算法。对示范中心的能源系统的控制主要分为三个方面:针对能源系统的热源系统,主要分析太阳能、热泵以及相变储能水箱的控制策略,同时利用TRNSYS软件对比控制目标温度以及温差控制两种方式,最后经过对太阳能集热系统的集热效率以及太阳能集热系统的有效集热量的对比,可以得出太阳能系统主要采用温差控制方式,其上下限控制参数分别取8℃,2℃时,太阳能集热系统的集热效率最高;热泵系统采用室内温度控制热泵启停的控制方式;相变储能水箱采用供水温度控制方式。针对能源系统的末端系统:风机盘管、地板辐射采暖以及新风机组制订了不同的控制方案,通过Energy plus模拟得到了各末端设备在相同舒适度情况下不同方案的能耗值。其中风机盘管采用三速风机控制,自动模式下根据实际温度与目标温度的偏离度进行切换,回水干管处设置比例式电磁阀对系统流量进行阶段性整体控制,即最终采用变风量变水流量的控制方式;地板辐射采暖采用平均辐射温度控制,分集水器设置流量调节阀可进行分室调节;针对新风系统:新风换气机以CO2浓度为主要判定依据,预留PM2.5、VOC数据接口做综合判定。在整个能源系统的控制系统中,热源、输配管网、末端三个主要部分的控制是通过PLC进行联动控制的,使得三者在实际运行中可以完美的衔接,最终使整个能源系统的运行效率最高,同时也使得整个能源系统的能源利用效率达到最大。建筑负荷预测算法与能源系统优化的控制策略完美的结合决定着整个控制体系的可靠性以及节能性显着,所以最终研究得到了基于实际气象参数的建筑负荷预测算法和能源系统的控制策略以及阶段性质调节曲线。将阶段性质调节曲线生成在上位机中,在上位机中将曲线与能源系统的控制策略相结合,将曲线中输出的供水温度作为PLC控制系统的数字量输入模块,以此来控制整个控制系统的工况切换以及每个子系统控制方式的执行。针对近零能耗建筑多能互补耦合热源,基于实际运行效果和热源特点,建筑负荷预测算法以及优化的控制策略与控制方法的研究,为近零能耗建筑运行阶段的节能提供了有力保障。通过多能互补协同运行,实现能源的合理高效利用。采用低温间歇采暖、预测控制可以在保证舒适度的同时有效降低建筑运行能耗。研究具有一定的学术价值,同时可以进行标准化设计与推广,最大程度上产生明显的经济与社会效益。
王少康[10]（2018）在《办公建筑动态空调负荷预测方法研究》文中指出准确的负荷预测有利于根据负荷变化提前制定合理的系统运行策略,是优化暖通空调系统运行的基础,为提高建筑室内热舒适、降低建筑的运行能耗提供重要依据。因此,本课题主要以各类室外气象因素与建筑历史负荷为基础对建筑动态冷热负荷预测模型进行研究。首先本文利用eQUEST能耗模拟软件,基于敏感性分析方法深入地研究了干球温度、含湿量、太阳辐射强度、风速等气象因素对负荷影响的差异性,并以敏感系数作为评价指标,筛选出对负荷影响较大的气象因素。为了减小预测模型的误差,本文考虑了建筑热惰性与建筑业态对负荷的影响,在模型的输入变量中引入历史气象参数及历史负荷,利用相关性分析方法,进一步优化冷热负荷预测模型的输入。其次,基于BP和RBF神经网络算法分别建立了四种预测时间步长的建筑动态冷热负荷预测模型。并采用回归模型与日负荷系数结合的方法,分别对建筑日平均热负荷及逐时热负荷作了预测。模型训练样本均采用实际气象参数与建筑实际负荷,将筛选出的影响因子作为BP与RBF神经网络的输入变量。利用平均绝对相对误差、绝对相对误差和均方根误差验证负荷预测模型准确性。最后,分析了冬夏季典型周模型预测误差的变化,引入模型修正系数提高模型整体精度。研究结果表明:（1）BP神经网络热负荷的预测精度更高,模型相对绝对误差为7.9%;（2）RBF神经网络冷负荷的预测精度更好,模型相对绝对误差为7.3%;（3）办公建筑业态对预测模型精度影响很大。
二、人工神经网络在商场建筑物冷负荷预测中的应用（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、人工神经网络在商场建筑物冷负荷预测中的应用（论文提纲范文）
（1）某机场能源站冰蓄冷空调系统负荷预测与节能优化研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 建筑物冷负荷预测研究 |
| 1.2.2 冰蓄冷空调优化运行策略研究 |
| 1.3 研究目的及意义 |
| 1.4 研究内容及论文结构 |
| 1.4.1 研究内容 |
| 1.4.2 论文结构 |
| 2 冰蓄冷空调系统 |
| 2.1 研究对象 |
| 2.2 常规冰蓄冷空调系统工艺流程 |
| 2.2.1 冰蓄冷空调系统类型及特点 |
| 2.2.2 冰蓄冷空调系统的运行模式 |
| 2.2.3 冰蓄冷空调系统的运行方式 |
| 2.3 机场能源站冰蓄冷空调系统 |
| 2.3.1 系统工艺流程及现存问题 |
| 2.3.2 机场能源站供冷监控系统 |
| 2.4 小结 |
| 3 基于改进VMD-ARIMA-DBN的航站楼冷负荷预测 |
| 3.1 空调冷负荷计算 |
| 3.2 空调冷负荷预测方案 |
| 3.3 航站楼冷负荷预测模型的建立 |
| 3.3.1 改进的自适应深度信念网络 |
| 3.3.2 自回归移动平均模型 |
| 3.3.3 变分模态分解 |
| 3.3.4 冷负荷预测模型的建立 |
| 3.3.5 模型评价标准 |
| 3.4 基于改进的VMD-ARIMA-DBN模型的冷负荷预测 |
| 3.4.1 输入数据预处理 |
| 3.4.2 模型参数设置 |
| 3.4.3 模型训练以及验证分析 |
| 3.5 小结 |
| 4 能源站冰蓄冷空调系统的节能优化运行策略 |
| 4.1 系统组件模型 |
| 4.1.1 多台制冷机组能耗模型 |
| 4.1.2 冷却塔能耗模型 |
| 4.1.3 水泵能耗模型 |
| 4.1.4 蓄冰槽模型 |
| 4.2 多目标运行优化模型 |
| 4.2.1 优化目标 |
| 4.2.2 约束条件 |
| 4.2.3 适应度评价函数 |
| 4.3 基于并行GA-PSO的冰蓄冷空调优化运行研究 |
| 4.3.1 GA-PSO算法 |
| 4.3.2 并行GA-PSO算法 |
| 4.4 冰蓄冷空调系统的节能运行策略结果分析 |
| 4.4.1 75%-100%负荷率下节能优化策略 |
| 4.4.2 50%-75%负荷率下节能优化策略 |
| 4.4.3 25%-50%负荷率下节能优化策略 |
| 4.4.4 25%负荷率以下负荷节能优化策略 |
| 4.5 冰蓄冷空调经济性分析 |
| 4.6 小结 |
| 5 总结与展望 |
| 5.1 主要工作与结论 |
| 5.2 创新点 |
| 5.3 展望 |
| 参考文献 |
| 作者攻读硕士期间研究成果及获奖情况 |
| 致谢 |
（2）基于GA-ELM方法的建筑能耗预测研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 研究主要内容及解决问题 |
| 1.4 论文组织架构 |
| 2 建筑能耗管理系统构建 |
| 2.1 建筑能耗管理系统总体架构设计 |
| 2.1.1 现场设备层 |
| 2.1.2 网络通讯层 |
| 2.1.3 中央控制层 |
| 2.2 建筑能耗管理系统软硬件设计 |
| 2.2.1 现场级硬件选型 |
| 2.2.2 控制级硬件选型 |
| 2.2.3 管理级硬件选型 |
| 2.2.4 建筑能耗管理系统软件设计 |
| 2.3 能耗管理系统监控点布置 |
| 2.3.1 基本规则 |
| 2.3.2 能耗计量点位选择 |
| 2.4 能耗管理系统运行界面 |
| 2.5 本章小结 |
| 3 建筑能耗预测算法研究 |
| 3.1 典型的能耗预测算法模型 |
| 3.2 BP神经网络原理 |
| 3.2.1 BP神经网络的结构 |
| 3.2.2 BP神经网络预测模型构建 |
| 3.3 GA-BP网络优化过程 |
| 3.4 ELM网络原理 |
| 3.4.1 ELM网络的结构 |
| 3.4.2 ELM网络预测模型构建 |
| 3.5 GA-ELM网络优化过程 |
| 3.6 时间复杂度分析 |
| 3.7 能耗预测模型性能评价指标 |
| 3.8 本章小结 |
| 4 基于GA-ELM方法能耗预测工程应用研究 |
| 4.1 工程概况 |
| 4.2 实验数据选取 |
| 4.3 GA-BP时间序列预测模型 |
| 4.3.1 BP神经网络模型预测结果分析 |
| 4.3.2 GA-BP模型预测结果及分析 |
| 4.4 GA-ELM时间序列预测模型 |
| 4.4.1 ELM网络预测模型及结果 |
| 4.4.2 GA-ELM模型预测结果及分析 |
| 4.5 GA-ELM预测模型与其他算法的对比分析 |
| 4.6 建筑能耗节能优化管理 |
| 4.7 本章小结 |
| 5 结论与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 攻读硕士期间发表的学术成果 |
| 参考文献 |
| 致谢 |
（3）基于客流量预测的公共建筑节能优化研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 课题研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.2.3 热点问题梳理 |
| 1.3 课题研究内容 |
| 2 短期客流量预测算法研究 |
| 2.1 短期客流量预测算法介绍 |
| 2.1.1 BP神经网络 |
| 2.1.2 ARIMA时间序列 |
| 2.1.3 组合预测算法 |
| 2.2 数据预处理 |
| 2.2.1 归一化 |
| 2.2.2 平稳性检验 |
| 2.2.3 算法参数设计 |
| 2.3 客流量数据预测 |
| 2.4 本章小结 |
| 3 火车站空调冷负荷模拟研究 |
| 3.1 常见冷负荷模拟方法 |
| 3.1.1 冷负荷模拟方法分类 |
| 3.1.2 模拟方法选择 |
| 3.2 目标火车站候车厅冷负荷模拟过程 |
| 3.2.1 Energy Plus负荷计算原理 |
| 3.2.2 Energy Plus模拟过程 |
| 3.2.3 其他负荷模拟过程 |
| 3.3 空调冷负荷模拟 |
| 3.3.1 静态负荷模拟 |
| 3.3.2 动态负荷模拟 |
| 3.3.3 火车站冷负荷探究分析 |
| 3.4 本章小结 |
| 4 火车站冰蓄冷空调运行模型研究 |
| 4.1 冰蓄冷空调工艺流程 |
| 4.1.1 常规冰蓄冷空调 |
| 4.1.2 冰蓄冷空调运行模式 |
| 4.1.3 冰蓄冷空调常见控制策略 |
| 4.2 目标火车站冰蓄冷空调系统 |
| 4.2.1 系统工艺流程图 |
| 4.2.2 系统运行现状与优化分析 |
| 4.3 冰蓄冷空调运行模型建立 |
| 4.3.1 冷量模型 |
| 4.3.2 功耗模型 |
| 4.3.3 经济模型 |
| 4.4 本章小结 |
| 5 冰蓄冷空调多目标优化运行研究 |
| 5.1 遗传算法优化带约束的多目标问题 |
| 5.1.1 多目标优化问题数学描述 |
| 5.1.2 基本遗传算法 |
| 5.1.3 NSGA-II算法 |
| 5.1.4 支配关系处理约束条件 |
| 5.2 基于NSGA-II的冰蓄冷空调运行优化 |
| 5.2.1 目标函数及约束条件 |
| 5.2.2 NSGA-II优化 |
| 5.2.3 目标火车站冰蓄冷空调运行策略优化 |
| 5.3 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士期间发表的学术论文及成果 |
（4）基于神经网络的大型公共建筑新风负荷预测（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究的背景和意义 |
| 1.1.1 课题背景及来源 |
| 1.1.2 研究目的及意义 |
| 1.2 国内外发展现状 |
| 1.2.1 冷负荷的计算方法 |
| 1.2.2 能耗模拟软件的发展 |
| 1.2.3 能耗预测算法的研究现状 |
| 1.2.4 神经网络预测技术的发展历程 |
| 1.3 存在的主要问题 |
| 1.4 研究内容 |
| 第2章 空调系统冷负荷计算方法分析 |
| 2.1 模拟软件介绍 |
| 2.1.1 DeST模拟软件的特点和作用 |
| 2.1.2 DeST计算模型 |
| 2.2 建筑概况及DEST建模 |
| 2.2.1 建筑概况 |
| 2.2.2 建筑模型建立 |
| 2.3 建筑负荷模拟结果分析 |
| 2.3.1 商场类建筑模拟结果 |
| 2.3.2 旅店类建筑模拟结果 |
| 2.3.3 办公类建筑模拟结果 |
| 2.4 本章小结 |
| 第3章 基于层次分析法的新风负荷影响因素分析 |
| 3.1 层次分析法概述 |
| 3.2 AHP计算方法 |
| 3.3 新风负荷影响因素权重分析 |
| 3.3.1 建立层次分析模型 |
| 3.3.2 构造两两比较矩阵及一致性检验 |
| 3.3.3 结果与分析 |
| 3.4 本章小结 |
| 第4章 Elman神经网络的新风负荷预测 |
| 4.1 人工神经网络的结构和特点 |
| 4.1.1 人工神经网络的结构 |
| 4.1.2 人工神经网络的特点 |
| 4.2 人工神经网络的学习规则 |
| 4.2.1 Hebb学习规则 |
| 4.2.2 纠错规则 |
| 4.2.3 竞争学习规则 |
| 4.3 Elman神经网络预测理论 |
| 4.3.1 Elman神经网络的结构 |
| 4.3.2 Elman神经网络的算法 |
| 4.4 新风负荷预测模型建立 |
| 4.4.1 神经网络输入、输出节点的选择 |
| 4.4.2 神经网络隐含层数据个数的选取 |
| 4.4.3 新风负荷预测流程 |
| 4.5 实际案例 |
| 4.6 本章小结 |
| 第5章 基于遗传算法优化Elman神经网络的新风负荷预测 |
| 5.1 遗传算法简介 |
| 5.1.1 遗传算法的基本构成要素 |
| 5.1.2 遗传算法的操作流程 |
| 5.1.3 遗传算法的特点 |
| 5.2 遗传算法改进Elman神经网络 |
| 5.2.1 对遗传算法进行参数的选取 |
| 5.2.2 遗传算法优化流程 |
| 5.3 实际案例分析 |
| 5.4 本章小结 |
| 第6章 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 攻读硕士期间研究成果 |
| 致谢 |
（5）西安某商场空调系统能耗预测模型与节能诊断研究（论文提纲范文）
| 摘要 |
| abstract |
| 主要符号表 |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内研究现状 |
| 1.2.1 常规方法 |
| 1.2.2 人工智能方法 |
| 1.2.3 混合方法 |
| 1.3 研究内容及论文结构 |
| 2 西安某商场空调系统能耗影响因素分析 |
| 2.1 商场内部因素与空调系统运行能耗的关系 |
| 2.2 商场外部条件与空调系统能耗的关系 |
| 2.3 历史数据与空调能耗的关系 |
| 2.4 本章小结 |
| 3 西安某商场空调系统能耗预测模型 |
| 3.1 本章研究思路 |
| 3.2 建模方法研究 |
| 3.2.1 数据采集及预处理 |
| 3.2.2 神经网络的构建 |
| 3.2.3 预测结果的评估标准 |
| 3.3 西安某商场空调系统能耗预测模型验证 |
| 3.3.1 BP神经网络预测结果 |
| 3.3.2 SVM预测结果 |
| 3.3.3 PSO-BP预测结果 |
| 3.4 本章小结 |
| 4 西安某商场空调系统能耗预测模型优化研究 |
| 4.1 本章研究思路 |
| 4.2 建模方法研究 |
| 4.2.1 JMP数据关联度分析 |
| 4.2.2 Markov链修正理论 |
| 4.2.3 Markov链修正过程 |
| 4.2.4 JMP、Markov链改进的PSO-BP神经网络 |
| 4.3 西安某商场空调系统能耗预测仿真实验分析 |
| 4.3.1 冷负荷变化机理研究分析 |
| 4.3.2 实例验证分析 |
| 4.3.3 Markov链修正 |
| 4.4 本章小结 |
| 5 西安某商场空调系统节能诊断模型研究 |
| 5.1 本章思路 |
| 5.2 节能诊断模型研究 |
| 5.2.1 数据筛选 |
| 5.2.2 预测模型建立 |
| 5.2.3 能耗异常判断标准 |
| 5.2.4 异常分析 |
| 5.3 案例研究 |
| 5.3.1 数据来源 |
| 5.3.2 节能数据的筛选 |
| 5.3.3 诊断模型建立 |
| 5.3.4 诊断结果 |
| 5.3.5 异常判断及讨论 |
| 5.4 本章总结 |
| 6 总结与展望 |
| 6.1 研究结论 |
| 6.2 下一步工作展望 |
| 参考文献 |
| 攻读硕士期间发表的论文及成果 |
| 附录 商场部分运行数据以及气象数据 |
| 致谢 |
（6）基于树模型与神经网络模型的住宅建筑供暖负荷预测的研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 课题背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 供暖负荷预测的输入特征 |
| 1.2.2 供暖负荷预测方法 |
| 1.3 主要存在的问题 |
| 1.4 研究目的与内容 |
| 第2章 理论与方法 |
| 2.1 模型输入参数的获得 |
| 2.1.1 供暖负荷预测模型中影响因子选择 |
| 2.1.2 相关性分析 |
| 2.1.3 输入参数获得 |
| 2.2 树模型相关理论 |
| 2.2.1 梯度增强回归树(GBDT)算法理论 |
| 2.2.2 极限梯度提升树(XGBoost)算法理论 |
| 2.3 神经网络相关理论 |
| 2.3.1 预测模型 |
| 2.3.2 双向记忆神经网络 |
| 2.3.3 激活函数 |
| 2.3.4 Dropout层 |
| 2.3.5 自适应学习率算法 |
| 2.4 模型评价指标以及过拟合判断 |
| 2.4.1 均方根误差(RMSE) |
| 2.4.2 平均绝对误差(MAE) |
| 2.4.3 变异系数均方误差(CV-RMSE) |
| 2.4.4 过拟合判断 |
| 2.5 本章小结 |
| 第3章 住宅建筑供暖数据获取及分析 |
| 3.1 原始数据获取 |
| 3.1.1 测试对象 |
| 3.1.2 测试参数及仪器 |
| 3.1.3 测试数据传输与存储 |
| 3.1.4 测试结果 |
| 3.2 数据预处理 |
| 3.2.1 数据清洗 |
| 3.2.2 构建新特征 |
| 3.2.3 规范化处理 |
| 3.3 输入参数获得 |
| 3.3.1 相关性分析 |
| 3.3.2 主成分分析 |
| 3.4 本章小结 |
| 第4章 基于树模型的住宅建筑供暖负荷预测 |
| 4.1 训练集、测试集的划分与超参数调优 |
| 4.1.1 训练集、测试集的划分 |
| 4.1.2 模型参数选择 |
| 4.2 决策树(DT)实验 |
| 4.2.1 DT模型构建 |
| 4.2.2 DT模型评价 |
| 4.3 梯度提升树(GBDT)实验 |
| 4.3.1 GBDT模型构建 |
| 4.3.2 GBDT模型评价 |
| 4.4 XGBoost模型实验 |
| 4.4.1 XGBoost超参数 |
| 4.4.2 XGBoost模型评价 |
| 4.5 本章小结 |
| 第5章 基于神经网络模型住宅建筑供暖负荷预测 |
| 5.1 基于LSTM模型住宅建筑供暖负荷预测 |
| 5.1.1 模型构建及参数选择 |
| 5.1.2 LSTM模型预测结果分析 |
| 5.2 自适应学习率优化器在LSTM模型中的应用 |
| 5.3 Dropout机制与双向神经网络机制的应用 |
| 5.3.1 加入Dropout机制 |
| 5.3.2 加入双向神经网络机制 |
| 5.4 基于TCN模型的住宅建筑供暖负荷预测 |
| 5.4.1 TCN模型理论 |
| 5.4.2 TCN模型构建及预测结果分析 |
| 5.5 本章小结 |
| 第6章 住宅建筑供暖负荷预测结果对比 |
| 6.1 住宅建筑短期负荷预测结果对比及分析 |
| 6.2 住宅建筑超短期负荷预测结果对比及分析 |
| 第7章 结论与展望 |
| 7.1 结论 |
| 7.2 展望 |
| 参考文献 |
| 参加科研情况说明 |
| 致谢 |
（7）基于RC网络和数据驱动的办公建筑空调负荷预测模型研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 研究内容和技术路线 |
| 第2章 负荷预测模型框架及输入参数筛选 |
| 2.1 负荷预测模型框架的构建 |
| 2.2 原始负荷数据库的建立 |
| 2.2.1 气象和人员数据的获取 |
| 2.2.2 基于Design Builder建立办公建筑模型 |
| 2.2.3 有人模式与无人模式的原始负荷数据库 |
| 2.3 负荷预测模型输入参数的筛选 |
| 2.3.1 敏感性分析的理论基础 |
| 2.3.2 围护结构负荷影响因素 |
| 2.3.3 人员扰动负荷影响因素 |
| 2.4 本章小结 |
| 第3章 基于RC热网络的围护结构负荷预测模型 |
| 3.1 RC热网络理论的介绍 |
| 3.2 建筑围护结构负荷预测模型 |
| 3.2.1 简化的RC模型 |
| 3.2.2 外墙壁RC传热模型 |
| 3.2.3 窗户RC传热模型 |
| 3.2.4 屋顶RC传热模型 |
| 3.2.5 内部蓄热体RC传热模型及参数辨识 |
| 3.3 模型有效性验证 |
| 3.4 本章小结 |
| 第4章 基于数据驱动的人员扰动负荷预测模型 |
| 4.1 贝叶斯网络理论基础 |
| 4.1.1 贝叶斯预测方法理论基础 |
| 4.1.2 动态贝叶斯网络理论 |
| 4.2 人员扰动负荷预测模型 |
| 4.2.1 基于贝叶斯网络的人员扰动负荷预测流程 |
| 4.2.2 人员扰动负荷模型建立与验证 |
| 4.3 本章小结 |
| 第5章 办公建筑空调动态负荷预测模型 |
| 5.1 模糊RBF神经网络理论 |
| 5.1.1 RBF神经网络 |
| 5.1.2 模糊RBF神经网络 |
| 5.1.3 基于模糊RBF网络的逼近算法 |
| 5.2 空调系统动态负荷综合预测模型 |
| 5.3 模型有效性的对比分析 |
| 5.4 本章小结 |
| 第6章 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 发表论文和参加科研情况说明 |
| 致谢 |
（8）基于机器学习方法的珠三角地区商场空调全年负荷预测研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 课题背景 |
| 1.2 国内外研究现状 |
| 1.2.1 商场人员数据调研研究现状 |
| 1.2.2 机器学习方法应用研究现状 |
| 1.2.3 敏感性及缺失值填补研究现状 |
| 1.3 本课题主要工作 |
| 1.3.1 研究目标 |
| 1.3.2 主要研究内容 |
| 1.3.3 工作框架 |
| 第二章 商场空调负荷影响因素调研分析 |
| 2.1 概述 |
| 2.2 珠三角地区商场建筑特点 |
| 2.2.1 商场建筑分类 |
| 2.2.2 珠三角地区商场建筑分布 |
| 2.2.3 珠三角地区商场建筑能耗调研 |
| 2.2.4 珠三角地区商场建筑现存问题及应对策略 |
| 2.3 调研内容及方法 |
| 2.4 调研对象确定 |
| 2.5 商场调研结果 |
| 2.5.1 建筑特征因素 |
| 2.5.2 业态组合模式及分布比例 |
| 2.5.3 围护结构热工参数 |
| 2.5.4 室内设计参数 |
| 2.5.5 空调运行时间 |
| 2.6 本章小结 |
| 第三章 商场典型业态内热源作息模型建立 |
| 3.1 概述 |
| 3.2 调研内容与方法 |
| 3.2.1 调研内容 |
| 3.2.2 调研方法 |
| 3.3 商场人员密度调研及人员作息模型建立 |
| 3.3.1 公共区域人员密度调研和作息模型建立 |
| 3.3.2 其余典型业态人员密度调研和作息模型建立 |
| 3.4 商场照明、电器设备功率密度调研及作息模型建立 |
| 3.4.1 商场照明、电器设备作息模型建立 |
| 3.4.2 商场照明、电器设备功率密度调研 |
| 3.5 本章小结 |
| 第四章 商场空调全年负荷计算模型参数化及验证 |
| 4.1 概述 |
| 4.2 建模数据收集及分区 |
| 4.2.1 建模数据收集 |
| 4.2.2 建模模型分区 |
| 4.3 简化模型方法验证 |
| 4.3.1 WL商场简化模型验证 |
| 4.3.2 SS商场简化模型验证 |
| 4.3.3 结果汇总 |
| 4.4 计算模型参数化及样本库建立 |
| 4.5 本章小结 |
| 第五章 商场空调全年负荷预测模型建立 |
| 5.1 概述 |
| 5.2 机器学习方法选用和模型评估 |
| 5.2.1 机器学习方法选用 |
| 5.2.2 模型评估 |
| 5.3 不同机器学习方法模型预测效果对比 |
| 5.4 敏感性分析 |
| 5.5 缺失值填补 |
| 5.5.1 单个变量缺失的数据填补比较 |
| 5.5.2 多个变量缺失的数据填补比较 |
| 5.6 珠三角地区商场建筑负荷预测分析软件开发 |
| 5.7 本章小结 |
| 结论与展望 |
| 本文主要结论 |
| 本文创新点 |
| 未来研究工作展望 |
| 参考文献 |
| 附录一 基于R语言的模型生成部分代码 |
| 附录二 机器学习方法代码 |
| 附录三 缺失值填补算法调用代码 |
| 附录四 机器学习方法、敏感性分析方法、缺失值填补方法的原理 |
| 攻读博士学位期间取得的研究成果 |
| 致谢 |
| 附件 |
（9）基于近零能耗建筑能耗预测的能源系统控制策略研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外发展现状及发展趋势 |
| 1.2.1 国内研究现状 |
| 1.2.2 国外研究现状 |
| 1.2.3 研究发展趋势 |
| 1.3 论文研究内容及技术路线 |
| 1.3.1 论文主要研究内容 |
| 1.3.2 研究技术路线图 |
| 2 建筑负荷预测的理论基础 |
| 2.1 建筑能耗预测主要典型方法 |
| 2.1.1 人工神经网络法 |
| 2.1.2 其它方法 |
| 2.2 建筑负荷预测的影响因素及特点 |
| 2.2.1 室内热源散热影响 |
| 2.2.2 室内新风负荷 |
| 2.2.3 建筑本身性质影响 |
| 2.2.4 室外气象参数影响 |
| 2.3 建筑负荷预测的模型 |
| 2.3.1 建筑负荷回归分析 |
| 2.3.2 建筑负荷神经网络预测分析 |
| 2.4 本章小节 |
| 3 近零能耗居住建筑示范中心设计 |
| 3.1 近零能耗建筑设计 |
| 3.1.1 建筑概况 |
| 3.1.2 围护结构 |
| 3.2 能源系统 |
| 3.2.1 热泵系统 |
| 3.2.2 太阳能光热系统 |
| 3.2.3 相变储能 |
| 3.2.4 全热回收新风热交换系统 |
| 3.2.5 末端系统 |
| 3.3 示范建筑控制系统平台搭建 |
| 3.3.1 平台总体框架 |
| 3.3.2 平台控制方案 |
| 3.4 本章小结 |
| 4 基于BP神经网络负荷预测模型建立及实例分析 |
| 4.1 软件介绍 |
| 4.1.1 MATLAB软件简介 |
| 4.1.2 DeST软件简介 |
| 4.2 负荷预测控制设计思想 |
| 4.3 建筑负荷预测模型建立 |
| 4.3.1 DeST建筑负荷模拟的基本步骤 |
| 4.3.2 示范中心建筑逐时负荷 |
| 4.4 示范中心负荷预测模型数据的选取及处理 |
| 4.4.1 输入和输出变量的选取 |
| 4.4.2 输入和输出参数的预处理 |
| 4.4.3 历史数据的预处理 |
| 4.4.4 负荷预测影响因素的预处理 |
| 4.5 示范中心负荷预测实例分析 |
| 4.5.1 神经网络在供能负荷预测中的模型结构 |
| 4.5.2 神经网络的学习步骤和权值调整 |
| 4.5.3 神经网络负荷预测的比较以及权值调整和优化 |
| 4.6 本章小节 |
| 5 基于建筑预测负荷的能源系统节能控制策略 |
| 5.1 建筑变负荷供能控制 |
| 5.1.1 示范中心变负荷供能控制 |
| 5.1.2 示范中心变负荷的特点 |
| 5.1.3 示范中心变负荷过程分析 |
| 5.2 能源系统运行工况分析 |
| 5.2.1 夏季制冷工况 |
| 5.2.2 冬季供暖工况 |
| 5.2.3 供暖工况分析 |
| 5.3 建筑物能源系统控制系统控制策略 |
| 5.3.1 热源系统控制策略 |
| 5.3.2 末端系统控制策略 |
| 5.3.3 新风系统控制策略 |
| 5.4 节能效果分析 |
| 5.5 控制系统控制流程总结 |
| 5.6 本章小结 |
| 6 结论与展望 |
| 6.1 本文的主要研究内容及结论 |
| 6.2 局限性与展望 |
| 参考文献 |
| 作者简介 |
| 作者在攻读硕士学位期间获得的学术成果 |
| 致谢 |
（10）办公建筑动态空调负荷预测方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景 |
| 1.2 研究现状 |
| 1.3 研究意义 |
| 1.4 研究内容和技术路线 |
| 第2章 建筑动态负荷研究理论 |
| 2.1 回归分析方法 |
| 2.2 神经网络算法 |
| 2.2.1 BP神经网络算法 |
| 2.2.2 RBF神经网络模型 |
| 2.3 评价指标 |
| 第3章 办公建筑冷热负荷气象因素分析 |
| 3.1 实际办公建筑模型搭建 |
| 3.1.1 eQUEST能耗模拟软件介绍 |
| 3.1.2 办公建筑模型基本信息 |
| 3.1.3 建筑模型分区及建筑设计参数 |
| 3.1.4 模型暖通空调系统搭建 |
| 3.2 模拟结果分析及验证 |
| 3.2.1 能耗模拟结果验证指标 |
| 3.2.2 实际数据收集 |
| 3.2.3 初步能耗模拟结果 |
| 3.2.4 模拟修正 |
| 3.3 敏感性分析 |
| 3.3.1 敏感性分析方法 |
| 3.3.2 热负荷敏感性分析 |
| 3.3.3 冷负荷敏感性 |
| 3.4 本章小结 |
| 第4章 办公建筑动态热负荷预测 |
| 4.1 热负荷预测基础 |
| 4.2 回归分析热负荷预测模型 |
| 4.2.1 日平均热负荷回归方程建立 |
| 4.2.2 逐时热负荷预测 |
| 4.2.3 预测模型结果验证 |
| 4.3 神经网络预测模型 |
| 4.3.1 输入参数的确定 |
| 4.3.2 基于BP与 RBF神经网络算法的热负荷预测模型 |
| 4.4 模型有效性验证 |
| 4.4.1 不同热负荷预测模型对比 |
| 4.4.2 冬季典型周日逐时热负荷实际与模型对比 |
| 4.5 本章小结 |
| 第5章 办公建筑动态冷负荷预测 |
| 5.1 冷负荷预测基础 |
| 5.1.1 输入参数的确定 |
| 5.1.2 基于BP与 RBF神经网络算法的冷负荷预测模型 |
| 5.2 模型有效性验证 |
| 5.2.1 不同冷负荷预测模型对比 |
| 5.2.2 夏季典型周逐时冷负荷实际与模型对比 |
| 5.3 本章小结 |
| 第6章 总结与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 发表论文和参加科研情况说明 |
| 致谢 |
四、人工神经网络在商场建筑物冷负荷预测中的应用（论文参考文献）
- [1]某机场能源站冰蓄冷空调系统负荷预测与节能优化研究[D]. 冉彤. 西安建筑科技大学, 2021
- [2]基于GA-ELM方法的建筑能耗预测研究[D]. 雷磊. 西安建筑科技大学, 2020(01)
- [3]基于客流量预测的公共建筑节能优化研究[D]. 刘媛. 西安建筑科技大学, 2020(01)
- [4]基于神经网络的大型公共建筑新风负荷预测[D]. 李佳殷. 沈阳工业大学, 2020(01)
- [5]西安某商场空调系统能耗预测模型与节能诊断研究[D]. 井文强. 西安建筑科技大学, 2020
- [6]基于树模型与神经网络模型的住宅建筑供暖负荷预测的研究[D]. 郭锴. 天津大学, 2019(01)
- [7]基于RC网络和数据驱动的办公建筑空调负荷预测模型研究[D]. 段瑶琪. 天津大学, 2019(01)
- [8]基于机器学习方法的珠三角地区商场空调全年负荷预测研究[D]. 郑林涛. 华南理工大学, 2019(06)
- [9]基于近零能耗建筑能耗预测的能源系统控制策略研究[D]. 姜明超. 沈阳建筑大学, 2019(05)
- [10]办公建筑动态空调负荷预测方法研究[D]. 王少康. 天津大学, 2018(06)