原创力文档- 1、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。。
- 2、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击 这里二次下载。
- 3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
- 4、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
- 5、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
- 6、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 7、VIP文档为合作方或网友上传，每下载1次， 网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
查看更多
第24卷第6期 建 筑 科 学 V01．24。No．6
2008年6月 BUILDINGSCIENCE Jun．2008
[文章编号]1002．8528(2008)06．0090．05
基于多规则实时学习组合型
BP神经网络的城市建筑能耗预测模型
夏栋良，龚延风(南京工业大学城建学院，南京210009)
[摘要]本文在建立城市层面的建筑用电量预测模型时．针对常规BP神经网络模型存在的诸多缺陷，进行了多种优
化：组合模型预测取均值以克服随机性；加入统计规则以剔除个别奇异预测值的影响；实时学习以提高长期预测的精度。此
外，针对影响冈素的未来趋势难以准确预测的问题．增加了月份周期变量和月份序列变量这2个变量作为网络的输入，以提高
模型的精度。结果显示，该方法预测效果明显优于常规BP神经网络和时间序列等方法。
[关键词]建筑用电量；BP神经网络；多规则；实时学习；组合预测
[中图分类号】TUlll．19+5[文献标识码】A
of
PredictionModelUrban Basedon
BuildingEnergyConsumption
BPNeuralNetworkwithMuhi—rulesReal．time
Training
—
XIA of 210009。China)
Dong-liang，GONGYan-feng(NanfingUniversityTechnology，Naming
viewof Oilthe BP network modelofurban
[Al撼traet]In conventionalneural model，the
manydisadvantages impwvedprediction
electric wagestablished．Somewere inthemodel，the valueof valueswas
building consumption optimizationspresented average prediction
toovercomethe were to individual
calculated statisticalrules theinfluencesof
firstly randomness．Secondly，someappliedreject singular
Wasusedto the of itwa．sdifficult
predictionvalues．Thinly，real—timetraining precisionlong·term
improve prediction．Furthermore．because
to the ofinfluencefactors，two variableand variableofmonthwereselectedas
preciselypredicttendency variables，periodicsequence inputs
ofthenetworkfor aconclusion，this methodWas toother
文档评论（0）