文章以建筑中可再生能源系统为研究对象,利用长短期记忆(Long Short-Term Memory,LSTM)神经网络建立变频太阳能-空气源热泵(Variable Frequency Solar Air Source Heat Pump,VFAP)系统,在乌鲁木齐市气象条件下选取一个6层办公楼进行分...文章以建筑中可再生能源系统为研究对象,利用长短期记忆(Long Short-Term Memory,LSTM)神经网络建立变频太阳能-空气源热泵(Variable Frequency Solar Air Source Heat Pump,VFAP)系统,在乌鲁木齐市气象条件下选取一个6层办公楼进行分析。首先,在实测数据校验模型的基础上,基于TRNSYS软件搭建VFAP系统,以一个供暖季为研究周期,获取VFAP系统的室外参数和过程运行数据。其次,利用灰色关联度分析(Grey Relation Analysis,GRA)计算各特征与供暖负荷的灰色关联度,并利用局部保留投影算法(Locality Preserving Projection,LPP)进行数据降维,得到VFAP系统的最优预测向量。最后,通过选择合理的网络参数,提出基于LSTM神经网络的VFAP系统的短期负荷预测模型,并与现有预测模型相对比。结果表明,LSTM神经网络对VFAP系统的负荷预测具有较好的识别效果,该精度要优于传统的神经网络预测模型,具有潜在的应用价值。展开更多
为了解决随机功率谱中的数据缺失问题,提出了一种基于K近邻回归(K neighbors regressor)与长短期记忆神经网络(long short term memory,LSTM)的预测方法。在实际工程应用中,功率谱的精度随着时程样本的增加而提高。但是,由于测量的限制...为了解决随机功率谱中的数据缺失问题,提出了一种基于K近邻回归(K neighbors regressor)与长短期记忆神经网络(long short term memory,LSTM)的预测方法。在实际工程应用中,功率谱的精度随着时程样本的增加而提高。但是,由于测量的限制或数据损坏,存在一些数据难以获取或丢失的情况。对此,引入了机器学习的方法来还原随机功率谱。首先,利用K近邻回归方法填充缺失的数据以获得完整时间历史的样本。其次,建立相应的LSTM神经网络模型进行数据训练。模拟实验结果为在缺失30%和50%数据情况下,采用K近邻回归和LSTM神经网络的方法可以很好地还原目标功率谱。目标功率谱与机器学习还原后的功率谱之间的比较证明了方法的准确性和有效性。展开更多
文摘文章以建筑中可再生能源系统为研究对象,利用长短期记忆(Long Short-Term Memory,LSTM)神经网络建立变频太阳能-空气源热泵(Variable Frequency Solar Air Source Heat Pump,VFAP)系统,在乌鲁木齐市气象条件下选取一个6层办公楼进行分析。首先,在实测数据校验模型的基础上,基于TRNSYS软件搭建VFAP系统,以一个供暖季为研究周期,获取VFAP系统的室外参数和过程运行数据。其次,利用灰色关联度分析(Grey Relation Analysis,GRA)计算各特征与供暖负荷的灰色关联度,并利用局部保留投影算法(Locality Preserving Projection,LPP)进行数据降维,得到VFAP系统的最优预测向量。最后,通过选择合理的网络参数,提出基于LSTM神经网络的VFAP系统的短期负荷预测模型,并与现有预测模型相对比。结果表明,LSTM神经网络对VFAP系统的负荷预测具有较好的识别效果,该精度要优于传统的神经网络预测模型,具有潜在的应用价值。
文摘为了解决随机功率谱中的数据缺失问题,提出了一种基于K近邻回归(K neighbors regressor)与长短期记忆神经网络(long short term memory,LSTM)的预测方法。在实际工程应用中,功率谱的精度随着时程样本的增加而提高。但是,由于测量的限制或数据损坏,存在一些数据难以获取或丢失的情况。对此,引入了机器学习的方法来还原随机功率谱。首先,利用K近邻回归方法填充缺失的数据以获得完整时间历史的样本。其次,建立相应的LSTM神经网络模型进行数据训练。模拟实验结果为在缺失30%和50%数据情况下,采用K近邻回归和LSTM神经网络的方法可以很好地还原目标功率谱。目标功率谱与机器学习还原后的功率谱之间的比较证明了方法的准确性和有效性。
