期刊导航
期刊开放获取
cqvip
退出
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
1
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于IKHCMAC神经网络的建筑冷/热负荷预测研究
被引量：
4
1
作者
邹明君
丁绪东
+1 位作者
吴盼红
段培永
《山东建筑大学学报》
2018年第1期46-50,共5页
随着能源危机的爆发,建筑节能已成为我国可持续发展战略的重要组成部分,研究一种精准有效的建筑负荷预测方法是实现建筑供能系统的节能优化运行的重要基础。文章基于人工神经网络研究了一种建筑冷/热负荷智能预测新方法,采用改进的HCMA...
随着能源危机的爆发,建筑节能已成为我国可持续发展战略的重要组成部分,研究一种精准有效的建筑负荷预测方法是实现建筑供能系统的节能优化运行的重要基础。文章基于人工神经网络研究了一种建筑冷/热负荷智能预测新方法,采用改进的HCMAC神经网络作为预测模型,将粒子群优化与K-means聚类算法相结合,构建了一种新型的IKHCMAC神经网络预测模型,并借助TRNSYS模拟实验平台获得实验数据,与基于Kmeans聚类算法的HCMAC神经网络模型(KHCMAC)及经典IHCMAC神经网络模型相比较。结果表明:IHCMAC神经网络模型的迭代次数最高,收敛速度较慢,IKHCMAC神经网络模型较IHCMAC模型相比,迭代次数降低了75.86%,收敛速度更快;IKHCMAC模型的训练误差为0.29,在3种模型的训练误差中最小,IKHCMAC神经网络模型的学习精度更高;与IHCMAC模型相比,KHCMAC模型的泛化误差较之降低了26.67%,而IKHCMAC模型较之降低了93.33%,其泛化能力更强。
展开更多
关键词
建筑冷/热负荷
HCMAC
神经网络
ikhcmac
神经网络
K-MEANS聚类
下载PDF
职称材料
题名
基于IKHCMAC神经网络的建筑冷/热负荷预测研究
被引量：
4
1
作者
邹明君
丁绪东
吴盼红
段培永
机构
山东建筑大学信息与电气工程学院
山东省智能建筑技术重点实验室
山东师范大学信息科学与工程学院
出处
《山东建筑大学学报》
2018年第1期46-50,共5页
基金
国家自然科学基金项目(61773246
61374187)
文摘
随着能源危机的爆发,建筑节能已成为我国可持续发展战略的重要组成部分,研究一种精准有效的建筑负荷预测方法是实现建筑供能系统的节能优化运行的重要基础。文章基于人工神经网络研究了一种建筑冷/热负荷智能预测新方法,采用改进的HCMAC神经网络作为预测模型,将粒子群优化与K-means聚类算法相结合,构建了一种新型的IKHCMAC神经网络预测模型,并借助TRNSYS模拟实验平台获得实验数据,与基于Kmeans聚类算法的HCMAC神经网络模型(KHCMAC)及经典IHCMAC神经网络模型相比较。结果表明:IHCMAC神经网络模型的迭代次数最高,收敛速度较慢,IKHCMAC神经网络模型较IHCMAC模型相比,迭代次数降低了75.86%,收敛速度更快;IKHCMAC模型的训练误差为0.29,在3种模型的训练误差中最小,IKHCMAC神经网络模型的学习精度更高;与IHCMAC模型相比,KHCMAC模型的泛化误差较之降低了26.67%,而IKHCMAC模型较之降低了93.33%,其泛化能力更强。
关键词
建筑冷/热负荷
HCMAC
神经网络
ikhcmac
神经网络
K-MEANS聚类
Keywords
prediction of cold / heat load of building
HCMAC neural work
ikhcmac
neural work
K-means clustering
分类号
TU996 [建筑科学—供热、供燃气、通风及空调工程]
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
基于IKHCMAC神经网络的建筑冷/热负荷预测研究
邹明君
丁绪东
吴盼红
段培永
《山东建筑大学学报》
2018
4
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
