通過研究分析夏熱冬冷地區公共建筑能耗變化特點,建立了rbf神經網絡建筑能耗預測模型。在此基礎上運用微粒群算法對模型優化,建立了基于pso-rbf的建筑能耗預測模型。利用大量數據構造樣本集,運用軟件分別對優化前后的預測模型進行訓練,并運用到典型公共建筑能耗值的預測實例中。結果表明基于pso-rbf的建筑能耗預測模型的學習能力和預測能力強,能較準確地實現公共建筑能耗預測。

為降低建筑能耗影響因素間復雜相關性對模型性能的影響,建立了一種基于kpcawlssvm的建筑能耗預測模型。利用核主元分析(kpca)對輸入變量進行數據壓縮,消除變量之間的相關性,簡化模型結構;進一步采用加權最小二乘支持向量機(wlssvm)方法建立建筑能耗預測模型,同時結合一種新型混沌粒子群-模擬退火混合優化(cpso-sa)算法對模型參數進行優化,以提高模型的預測性能及泛化能力。通過將kpca-wlssvm模型方法應用于某辦公建筑能耗的預測中,并與wlssvm、lssvm及rbfnn模型相比,實驗結果表明,kpca-wlssvm模型方法能有效提高建筑能耗預測精度。

針對建筑能耗的預測問題,提出一種基于深度條件受限玻爾茲曼機(crbm)的預測方法.首先,將傳統受限玻爾茲曼機進行擴展,融入一個歷史條件輸入層,使其能夠根據歷史時間序列來預測未來序列.然后,在crbm基礎上構建深度crbm模型,用來執行建筑能耗的預測.在一個\"個體家庭電力消耗\"數據集上的實驗結果表明,提出的方法能夠準確預測出預定時間段內的建筑能耗,能夠為電力調度提供一定的依據.

本文根據《公共建筑節能設計標準》(gb50189-2005)對辦公建筑的相關規定,運用全能耗模擬軟件energyplus對北京等城市節能辦公建筑的逐時冷熱負荷進行了模擬,得出了不同外墻傳熱系數、不同建筑朝向和過渡季節通風換氣次數等對室內進行全年負荷的影響并對其進行了分析,認為從節能角度講,外墻傳熱系數存在合適值而不應盲目減小、既定建筑物存在最佳朝向、過渡季通風可消除室內多余的熱量但實際應用中應因地而異,從而為節能辦公建筑的設計、建造等提供有益的參考。

為評價變頻多聯空調(vrv-ii,以下簡稱vrv)的能耗特征,在建筑能耗動態模擬軟件energyplus的基礎上,開發了vrv的能耗計算模塊,并在一典型的商業建筑模型基礎上,與幾種常見的空調系統方案作了建筑物總能耗仿真比較。結果表明,vrv是最為節能的方案。同時,對于傳統的空調系統,作為冷源方案的水冷式螺桿機相比風冷式螺桿機、以及作為系統方案的風機盤管加新風相比變風量空調,都顯示出更為節能的特性。

我國民用建筑數量巨大,民用建筑能耗增長迅速,2009年底已占全社會終端能耗的30%以上,未來隨著經濟的發展和城鎮化進程的不斷加快,人民生活水平的日益提高,這種快速增長的態勢仍將持續一段時間。民用建筑能耗的巨大需求將會對我國的能源供應、能源安全和資源環境形成巨大壓力。在這種背景下,科學、合理的預測民用建筑能耗,對于適應未來民用建筑能耗的發展需求,實現我國的節能減排目標具有重要意義。文章應用計量經濟學中的協整理論,構建了民用建筑能耗的協整分析預測模型,研究了民用建筑能耗及其影響因素的長期均衡關系。

制冷量關于低溫的曲線: curve:biquadratic f(x,y)= 0.576882692+0.01744795*x+0.000583269*x^2-1.76324e-06*y-7.47e-09*y^2-1.30413e-07*x*y; 制冷量邊界曲線 curve:cubic f(x)=25.73473775-0.03150043*x-0.01416595*x^2 11=<x<=30 制冷量關于高溫的曲線: curve:biquadratic f(x,y)=0.6867358+0.0207631*x+0.0005447*x^2-0.0016218*y-4.259e-07*y^2-0.0003392*x*y; 制冷量總和修正系數(容量配比系數) curve:linear f(x)=0.618055+0.381945*x;（1.

為提高大型公共建筑能耗的預測精度,提出一種基于灰色模型和最小二乘向量機方法(gm-lssvm)的辦公能耗預測模型.該方法結合灰色建模計算簡單的特點,以及最小二乘支持向量機非線性擬合能力和泛化能力強的優勢,充分發掘樣本數據的規律,并以粒子群優化算法進行模型參數選擇.根據福州某大型公共建筑能耗數據,通過本研究提出的方法建立預測模型,并與神經網絡模型以及最小二乘支持向量機模型的預測結果進行比較,驗證了該方法具備較高的預測精度和較強的泛化能力.

visualeplus—energyplus的中英文圖形化界面工具——energyplus是目前廣泛使用的一種全能耗模擬分析軟件，然而其極不友好的用戶界面是其進一步推廣的一大障礙，第三方界面程序的開發是目前解決該問題的主要思路。visualeplus正是這一類界面程序的一種，而其特點...

建筑的能耗受到如季節、建筑的構造結構等多種因素的影響,目前對一棟建筑樓實現能耗預測往往采用單一模型,往往無法得到相對準確的結果.為了更好地描述建筑能耗規律,以南方某地為研究區域提出一種基于arima和bp神經網絡的復合模型,模型的實例數據來源為南方某地某市政辦公樓近兩年的能耗月數據.首先,通過arima建模得到能耗值的擬合誤差序列,再用bp模型修正誤差值得到最終預測值.結果表明:復合預測模型的平均相對誤差為0.2783%,而單一模型則高達2.6578%,復合模型的預測效果遠優于單一模型,為準確實現建筑節能提出了一種新思路.

本文利用灰關聯分析法,對影響辦公建筑能耗的8個不可控因素進行了排序與篩選,確定了5個顯著不可控影響因素,利用此5個因素與建筑總能耗之間的關聯系數對樣本建筑進行了聚類分析,得到了基于不可控影響因素相似性的建筑能耗分類模型,確定了能耗基準參考值.通過對建筑分項能耗的進一步分析,結合建筑可控影響因素的調研結果,進一步明確了具備節能潛力的樣本建筑,提出了一套完善的建筑能耗基準確定及用能水平評價方法.

通過分析大型公共建筑能耗數據所具有的海量性、隨機性、序列性等特征,建立了基于多元線性回歸與一階自回歸算法的大型公共建筑能耗動態模型。研究了模型參數估計問題,結合f與χ2兩種方法,理論驗證了模型顯著性與有效性;根據西安市某大型公共建筑能耗數據,實驗驗證了該模型的逼真性、可行性與強健性。因此,該模型能對既有與新建大型公共建筑能耗進行實時動態預測,解決了節能定量化研究、定額用能的"瓶頸"問題,為大型公共建筑能耗審計及等節能制度的實現提供科學指導。

建筑能耗數據具有非平穩和非線性特征；單一預測模型很難對其進行精準預測；提出一種用于建筑能耗短期預測的新型混合模型；利用互補集合經驗模態分解方法(ceemd)將波動性較大的能耗數據分解為一組本征模態函數和一個殘差序列；基于反向學習、差分進化算法并引入控制參數λ對鯨魚優化算法(woa)進行改進；有效解決算法早熟收斂與陷入局部最優等的問題；提出改進算法uwoa(upgradedwhaleoptimizationalgorithm)；利用uwoa優化elman神經網絡的權值與閾值；優化后的elman神經網絡對本征模態函數和殘差序列進行預測并集成；得到能耗預測值；應用ceemd-uwoa-elman混合模型對上海某大型公共建筑能耗進行短期預測；結果顯示混合模型獲得很好的預測效果；

針對建筑運行中管理粗放、使用中能源浪費的問題,提出了基于支持向量機的能耗預測與異常診斷方法,為大型公共建筑節能提供理論支撐與實現路徑。由于大型公共建筑具有極大的單位面積耗能量而得到廣泛的關注。本文針對大型公共建筑能耗特點,從歷史能耗數據、氣候因素、時間周期因素三個方面選取11個輸入參數作為樣本特征,構建基于支持向量機的大型公共建筑能耗預測模型,對建筑逐日能耗展開預測。在能耗預測基礎上,以測試集平均相對誤差與最大誤差作為判定標準進行能耗異常診斷,將該方法應用于夏季空調系統能耗異常診斷中,通過能耗預測值與實際值的對比,發現了空調系統運行中存在的不合理使用現象,為建筑節能管理運行提供參考。

針對建筑運行中管理粗放、使用中能源浪費的問題,提出了基于支持向量機的能耗預測與異常診斷方法,為大型公共建筑節能提供理論支撐與實現路徑。由于大型公共建筑具有極大的單位面積耗能量而得到廣泛的關注。本文針對大型公共建筑能耗特點,從歷史能耗數據、氣候因素、時間周期因素三個方面選取11個輸入參數作為樣本特征,構建基于支持向量機的大型公共建筑能耗預測模型,對建筑逐日能耗展開預測。在能耗預測基礎上,以測試集平均相對誤差與最大誤差作為判定標準進行能耗異常診斷,將該方法應用于夏季空調系統能耗異常診斷中,通過能耗預測值與實際值的對比,發現了空調系統運行中存在的不合理使用現象,為建筑節能管理運行提供參考。

提出一種粒子群算法優化的最小二乘支持向量機回歸模型(pso-ls-svmr),以實現對公共建筑能耗的短期預測。采用某大型公共建筑物連續31期的用電量及所在地區相關天氣指標的實測數據,分別運用pso-ls-svmr模型和lmbp神經網絡模型對其建筑能耗進行短期預測,并對預測結果展開深入研究。研究結果表明,提出的pso-ls-svmr模型在對樣本內數據和樣本外數據的預測上均取得了較好效果,可以滿足公共建筑能耗短期預測的實際需要,為建筑節能管理提供理論支持與決策參考。

規范型建筑能耗模型是一種基于國際能耗規范對建筑能耗現狀進行評價、分析的方法.相比于詳細建筑模型軟件(如energyplus),規范型建筑能耗模型具有建模快、速度快等優勢.基于規范型建筑能耗模型,對中國石油大學(華東)某辦公樓的能耗現狀進行分析,并對節能方案進行評估.結果表明,規范型建筑能耗模型對于我國辦公樓的能耗分析具有較好的應用前景.

介紹了cfd與energyplus兩種暖通空調系統分析軟件,探討了兩種軟件在暖通空調工程領域的應用。

城市建筑在能耗節約的探索與實踐中,摸索出基于多元線性回歸模型的建筑能耗預測與建筑節能分析模型,其以建筑類型、面積、使用人數等為參數,是利用多元線性回歸模型對能耗提出的預測分析方法.最終達到燃氣和電力的節能目的.通過這一預測模型可以對建筑的節能潛力加以評估.

為了能夠準確預測建筑能耗；以人工神經網絡中的前饋神經網絡和物理原理建立的建筑模型作為能耗方案進行預測分析；并建立了從外部和內部獲得熱量的系統方程.以辦公樓為例；對比兩模型對能耗預測結果的準確性；并且輸入實際參數值；將計算結果與實際值進行對比分析.采用energyplus進行了參數分析；以評估不同參數對預測結果的影響.結果表明；兩種模型均適用于能耗預測；內部負荷對能耗預測的影響更為顯著.

傳統的bin模型在評價建筑全年能耗時是穩態計算，只考慮對溫度劃分頻段，認為太陽輻射負荷與溫度成線性關系，精確度較低。為了提高bin模型在建筑能耗評價中的準確性，主要對目前傳統的bin法進行改進，在對溫度劃分頻段時對含濕量也劃分了頻段，形成了溫濕度頻段，并且認為太陽輻射量不與室外溫度成線性關系，對太陽輻射所造成的負荷重新進行計算。提出的改進方法可以使溫濕度頻段劃分得更加精確，減小bin模型進行能耗評價時的誤差，通過對透過玻璃窗的日射得熱、圍護結構不穩定傳熱、室內散熱源的改進，以及對含濕量劃分頻段，獲得newmodifiedbin法（簡稱nm-bin法）。采用nm-bin法和energyplus對熱濕地區建筑能耗進行了能耗模擬，并將模擬結果與建筑實測能耗進行了對比。結果顯示，nm-bin和energyplus的模擬結果與建筑實測能耗的相對誤差分別為3.92%和1.45%，即nm-bin和energyplus的模擬結果只差2.43%。該結果表明新改進的nm-bin法具有較好的準確度。由于nm-bin無需復雜建模，方便手算，因此具有更好的工程實用性。

選用5個氣象參數作為模擬量建立了逐日氣象參數的模擬模型,通過平穩化變換將模擬量變換成平穩時間序列,采用混合回歸模型進行了逐日量的模擬,根據模擬得出的逐日參數建立了逐時氣象參數的模擬模型,用逐日、逐時模型對徐州地區的氣象參數進行了模擬。