大空间建筑分层空调冷负荷计算模型研究

基于区域热质平衡理论,建立适合于大空间建筑的分层空调负荷计算模型,进行某大空间建筑夏季工况下的试验测试研究,验证室内垂直温度分布的计算结果,比较同步求解模型计算的分层空调冷负荷和实际大空间建筑空调供冷量,在此基础上,预测分层空调冷负荷在变工况下的变化趋势,计算结果表明实际空调最大供冷量与模型计算结果相差14%,变工况的负荷变化趋势符合实际变化规律.     

基于支持向量回归机的空调逐时负荷滚动预测算法

针对当前空调负荷预测算法精度不高难以满足空调系统节能优化控制的问题,提出基于支持向量回归机(Support Vector Regression,SVR)的空调逐时负荷滚动预测算法,建立SVR滚动预测模型,模型参数采用网格搜索遍历算法进行寻优。为简化模型的复杂性,还对影响空调负荷的主要因素进行了相关性分析。此外,算法利用当日前1 h的滚动信息,不断对模型进行修正以提高负荷预测精度。最后探讨以期望误差为预测精度评价指标时,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:基于支持向量回归机的空调逐时负荷滚动预测算法较BP神经网络算法的预测精度提高10.3%,比常规支持向量回归机算法预测精度提高23.9%,训练样本较小时,算法预测性能更为优越。     

基于RLS的自回归滑动平均模型的两阶段辨识方法

提出了基于递推最小二乘(RLS)的自回归滑动平均模型的两阶段辨识方法.仿真结果表明,方法给出的参数估计精度比递推增广最小二乘算法高.     

基于变权组合模型的时间序列预测

针对时间序列预测中单一模型存在预测精度不高和预测稳定性较差的问题,采用残差赋权方法对单一模型进行组合,并以此为基础,提出基于残差赋权改进的自适应变权组合方法。该方法的基本思想是基于当前时刻的预测结果自适应调整其组成模型的权重值,利用不同的单一模型进行优势互补。将其应用到组合模型中,以实现提高模型的预测精度与稳定性。实验结果表明,该组合方法能有效改善预测稳定性不足的问题,以及进一步提高模型的预测精度。     

基于K均值小波神经网络的二阶段空调负荷预测

结合聚类分析和小波神经网络模型,提出一种二阶段空调负荷建模方法,以提高空调负荷预测精度.首先利用K均值聚类算法将原始负荷样本数据依据其统计分布特性划分为若干簇类,以降低数据相关性对建模精度的影响;然后基于对每个划分簇类所属的样本数据建立相应小波神经网络空调负荷预测模型.最后基于De ST平台模拟数据,将构造的小波神经网络预测模型运用于福建某办公大楼的逐时空调负荷预测.通过对比均方根误差(RMSE)和平均绝对误差(MAPE),结果表明该模型的预测精度明显优于传统单一的小波神经网络和BP神经网络模型.     

两电机变频调速系统的改进RLS逆模型辨识

为弥补现有两电机变频调速系统逆模型辨识中存在的不足,提出一种多模型LSSVM逆模型辨识方案.依据多模型思想,利用LSSVM拟合系统局部逆模型中的非线性映射,将各局部逆模型加权输出,建立离线初始逆模型.根据逆模型输出与系统输入的偏差,通过改进的RLS算法自适应调整局部逆模型权值,对初始逆模型在线校正,使其适应对象的变化,提高辨识精度和收敛速度.分析了两电机变频调速系统及可逆性,阐述了改进的RLS算法和LSSVM算法,给出了多模型LSSVM辨识方案的实现步骤,并对辨识效果进行了仿真试验.仿真结果表明,新型辨识方案是可行有效的,适用于两电机变频调速系统的逆模型辨识.     

风机盘管变工况供冷量灰色预估模型

风机盘管(FCU)变工况供冷性能数据是空调工程设计中FCU选型的重要依据,针对在FCU供冷性能测试过程中变工况实验次数非常多,非常费时和能耗大的问题,研究了运用灰色系统建模理论建立FCU供冷量与工况条件参数的G(1,N)灰色模型,并论述了利用该建模方法预测FCU变工况时供冷量估计值的方法过程.研究结果表明建模拟合精度和预测估计精度都较高,为FCU企业和测试部门在做变工况特性实验时,利用少数几个工况的实验数据和以往同规格品种FCU更多工况的历史数据估计本批次FCU变工况特性提供了有效的方法,从而可以大幅度减少实验次数,提高实验测试的工作效率,节省测试的能源消耗.     

自适应加权最小二乘支持向量机的空调负荷预测

为了提高建筑空调负荷的预测精度,在分析空调负荷主要影响因素的基础上提出了一种基于自适应加权最小二乘支持向量机(AWLS-SVM)的建筑空调负荷预测方法。该方法根据预测误差的统计特性,采用基于改进正态分布加权规则,自适应地赋予每个建模样本不同的权值,以克服异常样本点对模型性能的影响。建模过程中采用粒子群优化(PSO)算法对模型参数进行优化,以进一步提高模型预测精度。基于DeST模拟数据将AWLS-SVM方法应用于南方地区某办公建筑的逐时空调负荷预测中,并与径向基神经网络(RBFNN)模型、LS-SVM模型及WLS-SVM模型作比较,其平均预测绝对误差分别降低了51.84%、13.95%和3.24%,并进一步基于实际空调负荷数据将该方法应用于另一办公建筑的逐日空调负荷预测中。预测结果表明:AWLS-SVM预测的累积负荷误差为4.56MW,亦优于其他3类模型,证明了AWLS-SVM具有较高的预测精度和较好的泛化能力,是建筑空调负荷预测的一种有效方法。     

利用支持向量机的摩擦模型参数辨识

以Tustin摩擦模型为参数辨识对象,提出一种基于支持向量机算法的摩擦模型参数辨识的方法.构建训练样本并选取适当的支持向量机模型,选择具有较好泛化能力的径向基核函数和具有稀疏性特点的ε不敏感损失函数,以求解最优化问题,得到最优解.以某直流电机高精度位置伺服系统为对象,用辨识得到的参数估计值设计摩擦力矩的补偿环节,对系统进行补偿,仿真结果表明,算法的辨识精度比较高.     

基于改进的MIMLSVM预测蛋白质功能

针对MIMLSVM算法预测精度不高的问题,设计了一种新的基于改进MIMLSVM预测蛋白质功能模型.首先,采用改进的Hausdorff方法计算包之间的空间距离,并结合K-Medoids方法将MIML(多示例多标签)问题退化为多标签问题,以提高预测精度;然后,利用SVM算法将多标签问题转化为多个独立的二分类问题,结合蛋白质数据的特点,建立蛋白质功能预测模型,并利用粒子群算法优化模型参数;最后,通过对7种生物蛋白质功能预测的实验,证明所建模型的优越性.     

基于人工神经网络的建筑多目标预测模型

为得出一种能快够速且准确预测建筑能耗和室内热舒适状况的方法,提出应用人工神经网络来预测建筑能耗和室内热舒适状况的方法,并通过遗传优化算法对神经网络的连接权进行优化;其次,对影响建筑能耗和室内热舒适状况的主要因素进行分析,并针对这些主要因素建立基于GA-BP网络的建筑能耗和室内热舒适状况的预测模型;结合EnergyPlus模型计算所得出的144组样本数据,训练和测试所建立的住宅建筑能耗和室内热舒适状况的GA-BP网络模型,测试结果表明该模型有较高的预测精度.该预测方法的建立使建筑师在设计阶段能够简单且准确地获得设计建筑的能耗和室内舒适状况,从而使设计向着有利于建筑节能和改善室内热环境的方向发展.     

置换通风加毛细管地板辐射空调的模拟研究

节能环保以及室内环境的舒适性是现代暖通空调技术发展的一个基本趋势.毛细管辐射空调由于其舒适性高、导热能力快、不占用建筑使用空间、节能效果明显等优点越来越受人们的关注.在此背景下,提出通过建立置换通风+毛细管地板辐射的热传导模型,数值模拟该复合空调供给的热湿环境参数,并与实验测得的温度、湿度、速度、PMV、PPD值进行对比,得出不同供水温度与换热量的关系,分析该复合空调的供冷能力.该研究为促进供暖/供冷一体化技术在长春地区的发展应用提供一定的参考价值.     

基于免疫遗传算法的GMDH网络模型及其应用

针对传统GMDH网络建模用最小二乘法辨识参数时常常陷入局部极小导致模型预测效果不理想的问题,提出将免疫算法与遗传算法结合起来,引入到GMDH网络,来辨识其部分描述式系数.给出自适应免疫遗传算法,构建了基于该算法的GMDH网络模型,并将IGA-GMDH模型应用于苏州一交叉口的交通流量数据的仿真研究.结果表明,该算法既保证了全局寻优和所求解的精度,又进一步提高了全局与局部寻优能力;所构建的IGA-GMDH网络模型比传统的GMDH网络预测精度高.     

双率Hammerstein系统的极大似然递推辨识

针对一类双率Hammerstien系统的参数辨识问题,基于辅助模型辨识思想,利用极大似然原理和递推辨识技术,提出一种极大似然递推辨识算法.主要方法是针对模型中的未知输出构造一个辅助模型,用辅助模型的输出预测未知输出.该方法可以直接基于双率输入输出数据进行参数辨识.仿真实验表明,所提出的算法能有效地辨识双率Hammers...     

基于改进的BP神经网络算法的控制系统在线辨识方法

 讨论了以计算机虚拟仪器为核心器件,搭建了动态测试与系统辨识硬件平台,使用Delphi语言编写辨识模块,实现对控制系统的在线辨识。在非线性系统辨识方面,针对BP神经网络算法中存在的收敛速度比较慢和辨识精度不高的问题,提出一种基于降低网络灵敏度的MBP神经网络辨识算法和一种基于小波分析的神经网络辨识算法,实现了对控制系统的状态进行预测估计。并以“防空武器半实物仿真系统”中的三轴稳定平台为对象,试验验证了算法的正确性。     

基于机器学习的拉矫延伸率预测模型及数值分析

在冷轧弯曲矫直过程中,针对拉矫机工艺参数设置问题,利用经验公式、有限元仿真建立的延伸率模型预测精度不高.为提高预测精度,基于传统解析模型与机器学习算法进行研究,比较了两种方法预测模型的精度,得到机器学习算法的延伸率预测模型要比数值解析模型的拟合优度高.比较BP神经网络算法和支持向量机(SVM)算法,得到两种机器学习算法的预测模型精度基本一致.为进一步提高预测精度,采用Adam算法对BP神经网络进行优化,采用遗传算法对SVM预测模型的参数进行优化,最终得到最优预测模型的均值绝对百分比误差MAPE以及拟合优度R^○2分别为13.4%和0.953,可以为实际生产提供技术指导.     

基于VFF-RLS的力传感器的动态特性研究

在科学实验与工业生产中,力传感器动态特性会直接影响传感器的精度,因此研究力传感器动态特性具有重要意义。针对应用于手术机器人的应变式力传感器动态特性难以满足精度要求的问题,文中研究了基于最小二乘参数辨识方法在力传感器振动结构中的应用。由于递推最小二乘（RLS）对于二阶振动系统模型辨识难以同时保证快速性和抗干扰性,文中提出了一种基于可变遗忘因子的递推最小二乘参数辨识方法。首先,通过建立随机振动系统模型,对系统的输入/输出特性进行仿真与分析,确定了遗忘因子函数中的参数,仿真结果表明,文中提出的方法在保持更快收敛速度的同时,使参数辨识误差和收敛预测误差相比于RLS有明显的降低,相比于最小二乘有良好的时变性;然后,在阶跃测试标定法基础上对微创外科手术机器人力传感器的动态参数进行辨识,获得该传感器系统的结构动态特性,即固有频率和阻尼比。实验结果表明,文中提出的方法有较好的收敛性和稳定性,有效地提高了辨识精度。     

考虑饱和效应的同步发电机参数辨识

针对传统分析方法对同步发电机的运行分析都基于其线性化模型的问题,以考虑磁路饱和效应的同步电机模型为研究对象,将一种新的优化方法——蚁群算法应用于同步发电机参数辨识,并给出了参数辨识算法的详细步骤.仿真算例表明,使用考虑饱和效应的同步发电机模型能有效地提高辨识精度.     

制冷系统蒸发器动态过程数学模型模糊辨识

建立制冷系统动态过程数学模型是实现制冷装置优化控制的重要基础.制冷蒸发器是一类过程复杂的两相流动与换热系统,具有明显的非线性和不确定性,其精确的机理模型难以建立.该文通过熵方法和竞争学习算法对输入空间进行聚类,利用递推最小二乘辨识算法(RLS)确定模型的结论参数,实现了蒸发器动态过程数学模型的在线模糊辨识.通过仿真实例,验证了模糊辨识方法对于制冷系统蒸发器在线建模过程的有效性,所建立的模糊规则模型不仅具有较高的辨识精度,同时还具有较为理想的泛化性能和在线跟踪能力.     

时延力觉临场感遥操作机器人系统预测控制研究

通讯时延是造成力觉临场感遥操作机器人系统不稳定和操作性能下降的关键因素 ,针对时延问题 ,提出了一种适用于时延力觉临场感遥操作机器人系统的广义预测控制方法 ,该方法通过预测控制器产成实时的预测力反馈以消除时延的影响 .此外 ,为使该方法应用于遥操作机器人未知环境作业 ,本文采用AUDI辨识算法对环境模型进行辨识 .构造实验系统 ,通过实验验证了该方法的有效性 .