發(fā)布時間：2023-02-21 10:00

　　在建筑能耗占整個能源消耗的比例不斷增加的現(xiàn)狀下,尤其是當前世界“能源危機”日益緊迫的關頭,空調(diào)建筑節(jié)能已成為節(jié)能領域中的一個非常重要的問題�？照{(diào)節(jié)能的關鍵之一是精確確定空調(diào)系統(tǒng)的負荷,實現(xiàn)負荷預測是空氣調(diào)節(jié)系統(tǒng)優(yōu)化運行的基礎,而一個具有較好泛化性能的太陽輻射預測模型,是獲得空調(diào)負荷精確預測的關鍵性前提。本文擬就對建議的太陽輻射預測小波神經(jīng)網(wǎng)絡模型的泛化性能改善進行深入的探索與研究。 由于太陽輻射具有高度非線性的特點,而小波神經(jīng)網(wǎng)絡處理非線性問題有其特殊的能力,因此本文利用小波神經(jīng)網(wǎng)絡的非線性函數(shù)逼近及自學習、自適應的特性,將小波神經(jīng)網(wǎng)絡預測方法作為太陽輻射預測的基礎。 近年來,受生物系統(tǒng)啟發(fā)而設計出來的智能算法越來越受到人們重視。免疫算法、神經(jīng)網(wǎng)絡、遺傳算法并稱為當今三大仿生算法。在各學科相互交叉相互滲透的今天,將遺傳算法、免疫原理與神經(jīng)網(wǎng)絡技術結合,既能利用遺傳算法、免疫算法的全局搜索性能,以較大的概率找到搜索問題的最優(yōu)解,又能利用小波神經(jīng)網(wǎng)絡具有大規(guī)模的并行處理能力、很強的容錯性和自學習、自適應能力以及異域聯(lián)想功能、能夠精確映射任意高度非線性的輸入輸出關系等優(yōu)點,兩者相得益彰,能夠...

【文章頁數(shù)】：154 頁

【學位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
目錄
第一章 緒論
    1.1 課題研究背景和意義
        1.1.1 空調(diào)負荷預測對建筑節(jié)能的重要作用及其現(xiàn)狀
        1.1.2 太陽輻射預測是空調(diào)負荷精確預測的前提條件
        1.1.3 太陽輻射預測神經(jīng)網(wǎng)絡的泛化性能和過擬合問題
    1.2 太陽輻射與大氣層的影響
        1.2.1 大氣層外的太陽輻射
        1.2.2 太陽輻射在大氣中的衰減
        1.2.3 到達地球表面的太陽輻射
    1.3 本文的研究內(nèi)容和方法
    1.4 本章小結
第二章 人工神經(jīng)網(wǎng)絡及其它智能算法簡介
    2.1 人工神經(jīng)網(wǎng)絡簡介
        2.1.1 人工神經(jīng)網(wǎng)絡的產(chǎn)生與發(fā)展
        2.1.2 人工神經(jīng)元模型
            2.1.2.1 人工神經(jīng)元模型
            2.1.2.2 激勵函數(shù)
        2.1.3 人工神經(jīng)網(wǎng)絡模型的拓撲結構
        2.1.4 人工神經(jīng)網(wǎng)絡的學習方法
            2.1.4.1 人工神經(jīng)網(wǎng)絡的學習方式
            2.1.4.2 人工神經(jīng)網(wǎng)絡的學習算法(規(guī)則)
        2.1.5 BP人工神經(jīng)網(wǎng)絡
        2.1.6 小波神經(jīng)網(wǎng)絡的建立
            2.1.6.1 小波神經(jīng)網(wǎng)絡的定義
            2.1.6.2 小波神經(jīng)網(wǎng)絡的結構
    2.2 基本遺傳算法簡介及遺傳神經(jīng)網(wǎng)絡簡介
        2.2.1 基本遺傳算法簡介及遺傳神經(jīng)網(wǎng)絡簡介
            2.2.1.1 遺傳算法的發(fā)展歷史
            2.2.1.2 遺傳算法的基本原理與方法
            2.2.1.3 人工神經(jīng)網(wǎng)絡(ANN)與遺傳算法(GA)的結合
        2.2.2 模擬退火算法簡介及遺傳模擬退火神經(jīng)網(wǎng)絡簡介
            2.2.2.1 模擬退火算法簡介
            2.2.2.2 模擬退火算法的基本思想和步驟
            2.2.2.3 遺傳模擬退火神經(jīng)網(wǎng)絡簡介
        2.2.3 自適應遺傳算法簡介及自適應遺傳神經(jīng)網(wǎng)絡簡介
            2.2.3.1 自適應遺傳算法簡介
            2.2.3.2 自適應遺傳神經(jīng)網(wǎng)絡簡介
        2.2.4 多種群遺傳算法簡介及多種群遺傳神經(jīng)網(wǎng)絡簡介
    2.3 蟻群算法簡介及蟻群神經(jīng)網(wǎng)絡簡介
        2.3.1 基本蟻群算法簡介及蟻群神經(jīng)網(wǎng)絡簡介
        2.3.2 基本蟻群算法的數(shù)學模型
        2.3.3 基本蟻群算法的實現(xiàn)步驟
        2.3.4 基于蟻群算法的人工神經(jīng)網(wǎng)絡訓練
        2.3.5 遺傳蟻群神經(jīng)網(wǎng)絡簡介
    2.4 微粒子算法簡介及微粒子神經(jīng)網(wǎng)絡簡介
        2.4.1 微粒子算法簡介
        2.4.2 微粒子神經(jīng)網(wǎng)絡的簡介
    2.5 人工免疫算法簡介及人工免疫神經(jīng)網(wǎng)絡簡介
        2.5.1 人工免疫算法簡介
        2.5.2 人工免疫神經(jīng)網(wǎng)絡簡介
    2.6 本章小結
第三章 太陽輻射預測小波網(wǎng)絡模型的建立
    3.1 太陽輻射建模用各因素分析
        3.1.1 太陽總輻射建模用各因素分析
        3.1.2 太陽散射輻射建模用各因素分析
    3.2 建模用資料數(shù)據(jù)
    3.3 神經(jīng)網(wǎng)絡輸入數(shù)據(jù)處理
        3.3.1 太陽輻射逐日數(shù)據(jù)序列的小波預分解
        3.3.2 太陽輻射數(shù)據(jù)序列的相關性分析
            3.3.2.1 相關性分析原理
            3.3.2.2 相關性數(shù)據(jù)分析
        3.3.3 天氣狀況的模糊化,反模糊化與修正處理
            3.3.3.1 模糊化分析原理
            3.3.3.2 模糊化數(shù)據(jù)分析
    3.4 神經(jīng)網(wǎng)絡訓練算法的確定
        3.4.1 小波網(wǎng)絡學習算法
        3.4.2 附加動量法
        3.4.3 自適應變步長法
    3.5 本章小結
第四章 網(wǎng)絡結構、樣本及訓練精度對太陽輻射神經(jīng)網(wǎng)絡模型的影響
    4.1 固定輸入樣本情況下隱含層節(jié)點個數(shù)對太陽輻射神經(jīng)網(wǎng)絡模型的泛化能力的影響及最佳隱節(jié)點的確定辦法
    4.2 變化輸入樣本情況下隱含層節(jié)點個數(shù)對太陽輻射神經(jīng)網(wǎng)絡模型的泛化能力的影響及最佳隱節(jié)點的確定辦法
    4.3 網(wǎng)絡訓練集樣本的學習訓練精度(訓練次數(shù))對太陽輻射神經(jīng)網(wǎng)絡模型的泛化能力的影響的研究
    4.4 本章小結
第五章 初始化對太陽輻射神經(jīng)網(wǎng)絡模型的泛化能力影響的研究
    5.1 網(wǎng)絡初始化對太陽輻射神經(jīng)網(wǎng)絡模型的泛化能力的影響
    5.2 基于遺傳算法初始化對太陽輻射神經(jīng)網(wǎng)絡模型泛化能力的影響
        5.2.1 基于遺傳算法初始化對太陽輻射神經(jīng)網(wǎng)絡模型的泛化能力的影響
            5.2.1.1 基于遺傳算法初始化太陽日總輻射預測小波網(wǎng)絡模型
            5.2.1.2 太陽散射輻射逐日復合預測模型
        5.2.2 基于遺傳模擬退火算法初始化對太陽輻射神經(jīng)網(wǎng)絡模型泛化能力的影響
            5.2.2.1 基于遺傳模擬退火算法初始化太陽日總輻射預測小波網(wǎng)絡模型
            5.2.2.2 太陽散射輻射逐日復合預測模型
        5.2.3 基于自適應遺傳算法初始化對太陽輻射神經(jīng)網(wǎng)絡模型泛化能力的影響
            5.2.3.1 基于自適應遺傳算法初始化太陽日總輻射預測小波網(wǎng)絡模型
            5.2.3.2 基于自適應遺傳算法初始化太陽散射輻射逐日復合預測模型
        5.2.4 基于多種群遺傳算法初始化對太陽輻射神經(jīng)網(wǎng)絡模型的泛化能力的影響
            5.2.4.1 基于多種群遺傳算法初始化太陽日總輻射預測小波網(wǎng)絡模型
            5.2.4.2 基于多種群遺傳算法初始化太陽散射輻射逐日復合預測模型
    5.3 基于蟻群算法初始化對太陽輻射神經(jīng)網(wǎng)絡模型泛化能力的影響
        5.3.1 基于蟻群算法初始化對太陽輻射神經(jīng)網(wǎng)絡模型的泛化能力的影響
            5.3.1.1 基于蟻群算法初始化太陽日總輻射預測小波網(wǎng)絡模型
            5.3.1.2 基于蟻群算法初始化太陽散射輻射逐日復合預測模型
        5.3.2 基于遺傳蟻群算法初始化對太陽輻射神經(jīng)網(wǎng)絡模型的泛化能力的影響
            5.3.2.1 基于遺傳蟻群算法初始化太陽日總輻射預測小波網(wǎng)絡
            5.3.2.2 基于遺傳蟻群算法初始化太陽日散射輻射預測小波網(wǎng)絡
    5.4 基于微粒子算法始化對太陽輻射小波網(wǎng)絡模型泛化能力的影響
        5.4.1 基于PSO算法初始化太陽日總輻射預測小波網(wǎng)絡模型
            5.4.1.1 基于PSO算法初始化太陽日總輻射預測小波網(wǎng)絡拓撲結構
            5.4.1.2 基于PSO算法初始化太陽日總輻射預測小波網(wǎng)絡的實驗仿真
        5.4.2 太陽散射輻射逐日復合預測模型
            5.4.2.1 太陽散射輻射逐日預測網(wǎng)絡拓撲結構
            5.4.2.2 基于PSO算法初始化太陽日散射輻射預測小波網(wǎng)絡的實驗仿真
    5.5 基于人工免疫算法初始化對太陽輻射小波網(wǎng)絡模型的泛化能力的影響
        5.5.1 基于人工免疫算法初始化太陽日總輻射預測小波網(wǎng)絡模型
            5.5.1.1 基于人工免疫算法初始化太陽日總輻射預測小波網(wǎng)絡拓撲結構
            5.5.1.2 基于人工免疫算法初始化太陽日總輻射預測小波網(wǎng)絡的實驗仿真
        5.5.2 太陽散射輻射逐日復合預測模型
            5.5.2.1 太陽散射輻射逐日預測網(wǎng)絡拓撲結構
            5.5.2.2 基于人工免疫算法初始化太陽日散射輻射預測小波網(wǎng)絡的實驗仿真
    5.6 本章小結
第六章 論文結論及研究展望
    6.1 本文的初步結論和研究成果
        6.1.1 引入多種智能算法對網(wǎng)絡進行初始化并比較了改善網(wǎng)絡泛化能力的效果
        6.1.2 引入遺傳算法來解決確定最佳隱含層中的神經(jīng)元數(shù)
        6.1.3 研究了樣本、網(wǎng)絡結構以及訓練精度對網(wǎng)絡泛化能力的影響
        6.1.4 對本文提出的預測模型進行了實際驗證
    6.2 本文的創(chuàng)新點
        6.2.1 引入相互融合的混合智能技術來初始化小波網(wǎng)絡
        6.2.2 建立了網(wǎng)絡結構(隱含層節(jié)點個數(shù))和樣本數(shù)同時變化情況下預測誤差變化的三維圖
    6.3 本文的不足與下一步的工作
        6.3.1 基于神經(jīng)網(wǎng)絡的太陽輻射預測模型的工程驗證
        6.3.2 實時預測模型集成軟件的設計開發(fā)
參考文獻
攻讀碩士學位期間發(fā)表論文
致謝



本文編號：3747532