建筑基于BP神经网络节电65%调查报告中文翻译.docVIP

建筑基于BP神经网络节电65%的调查报告 摘要 随着建筑材料的开发和空调设备能源效率的提高，建筑电力节省65%已经被考虑在内。在这份研究报告内，主要的目的是预测建筑围护结构性能参数电力消耗的潜力，并确定措施采用BP神经网络建筑节能65%。通过一个三层bp神经网络组合模型和bp神经网络组合的MATLAB工具箱预测，结果表明,bp神经网络组合给出了令人满意的输出与成功的预测率超过98%,并提供了节能措施来达到建筑节电65%。 I 简介 世界上近乎一半的新建筑物现在都在中国，每一年新建建筑面积约20亿平方米。超过90%的新建建筑被认为是高用电量的建筑。中国建筑物消耗国家主要总电量从1970年代末的10%到2006年上升至25%以上，并且到2020年预计将进一步增加到35%。总的来说，在中国，建筑物向空气中排放18%的二氧化碳。因此，在中国五个气候区实行许多设计标准提高能源效率，并且这些标准规定，相对建于1980年代初的建筑，新建造的建筑应该采取有效的措施在设计阶段使得电力消耗至少50%（达到节电率为50%）。随着建筑材料的开发和空调设备能源效率的提高，已经达到节省电力65%。由于建筑物之间围护结构性能参数对电力消耗的影响，基于耗费时间精力构建建筑几何模和计算建筑物电力消耗型软件的仿真，表明可节省65%的电力。因此，需要另寻方法来完成这个任务。最近开发出来的技术人工神经网络（ANN）可以提供这样的一个替代方法。据我们所知,还没有研究对研究建筑节电65%与反向传播神经网络(bp神经网络组合)。 本文的重要性在于它给了一个新的、快速的分析方法,使用BP神经网络可以节省65%的电力。使用软件DeST，根据测试的数据集，预测并计算了冷却和加热的建筑物电力消耗。这是一款使用MATLAB实现bp神经网络组合7 0 4,它有一个内置的神经网络工具箱的软件。 II.反向传播的 BP神经网络 选择输入参数 在建设经营期限之内许多方面都会影响电力的消耗，如居住者的行为和空调时间表等。然而在早期设计阶段,设计师并没有考虑在内，甚至可能视这些方面为常量值,预算建筑电力消耗,和围护结构性能参数是唯一可以确定的因素来预测电力消耗，对于在夏热冬冷地区的住宅可以按同样规定的设计标准预算电效率 [7]。因此本文选择一个典型的住宅建筑围护结构的性能参数作为输入bp神经网络组合的下列研究。这栋建筑是一栋3544平方米的房子如图。 其围护结构性能参数包括外墙的传热系数（千瓦），屋顶（Kr），窗户，窗口在每个方向的壁厚比，建筑遮阳系数，窗户取向，太阳能吸收、渗透速率和窗户在每个方向的遮阳系数。这些18栋楼的围护结构性能参数变化(见表)分别在DeST中,例如u值的外墙参数从0.8到2.0，每次增加0.1,其他参数不变的情况下,获得总共96个不同的计算结果,冷却用电量每年(Ec)和年度采暖耗电量(Eh),那么总建筑电力消费可以计算(E = Eh + Ec)。这些对现有参数的变化几乎都在标中的范围之内，因此BP神经网络必将广泛使用于预测电力消耗。于是四分之三的这些结果同样选择是从仿真结果的每个参数值用于测试网络得来，那么剩下的这些数据时用来预测加热和冷却的年度用电，预测后，建筑节省电率可由下列公式计算： η=【（ Ebaseline – E）/ Ebaseline】*100% (1) EERc= Fc/ Ec (2) EERh= Fh/ Eh (3) 备注：η 是建筑电力节省的效率； EERc 是空调冷却时的效率比； EERh 是空调加热时的效率比； Fc 是进行冷却时所需的能耗； Fh 是进行加热时所需的能耗； Ebaseline 是建于1980年代初建筑的用电量87千瓦时/平方米。 神经网络组合模型 1) 结构 理论和实践证明，三层反向传播神经网络模型来模拟复杂的非线性充分输入和输出之间的关系。更多的层可以改善bp神经网络组合的能力来模拟更复杂的问题,但它可能在同一时间占用更多的计算机资源。本研究采用一个三层BP神经网络模型和GUI的Matlab的解决方案。 2) 隐藏节点 在输出层和输入层的神经元数量被用于在一个三层BP神经网络来研究。然而，目前没有理论指导来确定隐藏节点的数量。同时太少的节点不能提供良好的容错性和太多的节点可能会延迟时间的研究。一些论文提出在中间层的神经元数目可以超过一半的输入和输出神经元的总数量或他们的总和。然后,我们可以调整数量依实