基于气象热舒适度的建筑能耗灰色神经网络预测
基于灰色预测与BP神经网络的全球温度预测研究
基于灰色预测与BP神经网络的全球温度预测研究1.引言全球气候变化已成为当今世界面临的重大挑战之一。
许多科学家和环保组织都在努力研究全球气候变化的趋势和影响，以便制定相应的政策和措施。
全球气温的预测是重要的研究课题之一。
本文将基于灰色预测与BP神经网络的方法，对全球气温进行预测研究，以期得到更准确和可靠的预测结果。
2.全球气温变化的背景与意义全球气温的变化对人类社会和自然生态环境都有着重要的影响。
随着工业化、城市化和汽车等化石燃料的大量使用，大气中二氧化碳等温室气体的排放不断增加，导致全球气温不断上升。
据统计，过去一个世纪里，全球气温已经上升了约0.7摄氏度，同时引发了极端天气事件的增多，海平面上升、冰川融化等问题。
预测全球气温的变化趋势对于制定全球环境政策和应对气候变化具有重要意义。
3.基于灰色预测的全球气温预测方法灰色预测是一种基于不完备信息的系统分析方法，它将信息不完全或不确定的问题转化为确定的或较为确定的问题，广泛应用于各种领域的预测与决策中。
对于全球气温的预测，我们将采用GM(1,1)模型进行预测。
GM(1,1)模型是灰色预测理论中常用的一种模型，它通过对原始数据序列进行累加生成新的序列，然后建立微分方程模型，从而进行预测。
具体步骤包括数据序列的累加、建立微分方程、求解微分方程、模型检验和预测精度评价等。
4.BP神经网络在全球气温预测中的应用BP神经网络是一种常用的人工神经网络模型，具有较强的非线性建模能力和适应性。
在全球气温预测中，我们将利用BP神经网络对气温变化模式进行建模和预测。
具体步骤包括数据的预处理、神经网络结构设计、训练和验证、模型评价和预测等。
5.综合模型与实证分析在本研究中，我们将基于灰色预测与BP神经网络的方法进行综合模型建立。
我们将利用GM(1,1)模型对气温的长期变化趋势进行预测。
然后，利用BP神经网络对气温的短期波动进行预测。
将灰色预测和神经网络预测结果进行综合，得到最终的全球气温预测结果。
基于神经网络的建筑能耗预测
科 学 研究 的基础 上 ， 出了神 经 网络 的模 型 。神经 提 网络 的信 息 处理 通 过 神经元 的互 相作 用 来 实现 ， 知
识 与信 息 的存储 表现 为 网络 元件 互连 分布式 的物理
联系 。神 经 网络 的学 习和识 别取 决 于各神经 元连 接 权 系数 的动 态 演化 过程 。它具 有 大 规模 并 行计 算 、 非线性 处理 、 鲁棒 性 、 自组织 及 自适应 性 、 习能力 、 学 分布 式存储 、 联想 能 力等特 点 。
ｓｇ ｉ ｐｌ ｎｄ ａ ｃ ｒ ｔｌ ｉｎ ｓ ｍ ｙ ａ ｃ ｕ ａ ｅｙ
Ｋｅ ｒ ｓ Ｂ ｙ ｗｏ ｄ ： Ｐ ＡＮＮ； ｕ ｌ ｉ ｇ ｅ ｅ ｇ ｏ ｓ ｍｐ ｉｎ ＭＡＴ ＡＢ ｐ ｅ ｉｔ ｂ ｉ ｎ ｎ ｒｙ ｃ ｎ ｕ ｔ ； ｄ ｏ Ｌ ； ｒ ｄ ｃ
１ 引 言
维普资讯
基于神经网络的建筑能耗预测
姚 健 闫成 文 叶 晶 晶 周 燕
摘
宁波大学建筑工程与环境学院
要： 由于 目前 Байду номын сангаас 有 很 少 一部 分 建 筑 师 能 掌握 复 杂 的建 筑能 耗 分 析 ， 因此 本 文 利 用 ＭＡ Ｌ Ｂ 建 立 Ｂ ＴＡ Ｐ神 经 网络 ， 影 响 将
算 的结 果 进 行 网 络学 习 ，建 立 合 适 的神 经 网络 即 可预 测 各 种 建 筑物 的全 年 建 筑 能 耗 。该 方 法 的优 点在 于 ：作 为普 通 工程 设 计 人 员 只需 输 入 建 筑 物 的各 项参 数 ，训 练 好 的 网络 便 能 够 准 确 预 测 建 筑 的能 耗 ，实 现 在 设 计 方案 初 期 预 测 建 筑 物 能 耗 的
基于灰色预测与BP神经网络的全球温度预测研究
基于灰色预测与BP神经网络的全球温度预测研究1. 引言1.1 研究背景全球气候变化是当前世界面临的重大环境问题之一，全球温度的变化对人类社会和自然界造成了重大影响。
随着工业化和城市化的发展，人类活动释放的温室气体不断增加，导致大气中温室气体浓度增加，从而加剧了全球气候变暖的趋势。
全球气候变暖对农业生产、生态环境、水资源和人类健康等方面都会产生负面影响，因此精确预测全球气温的变化趋势对防灾减灾和应对气候变化具有重要意义。
随着灰色系统理论和BP神经网络在时间序列预测领域的应用越来越广泛，将这两种方法相结合应用于全球温度预测成为了研究的热点。
灰色预测模型能够处理少量数据、不确定性和不确定性干扰的问题，而BP神经网络模型能够学习到数据中的复杂关系和非线性规律。
利用灰色预测模型和BP神经网络模型相结合进行全球温度预测研究具有很大的潜力和价值。
通过本研究可以提高全球气温预测的准确性和稳定性，为应对气候变化提供可靠的科学依据。
1.2 研究目的本研究旨在结合灰色预测和BP神经网络模型，以提高全球温度预测的准确性和稳定性。
具体目的包括：1. 基于灰色预测模型的全球温度趋势分析，探究全球气候变化的规律性和趋势；2. 建立BP神经网络模型，对全球温度数据进行建模和预测，提高预测精度和稳定性；3. 探讨灰色预测模型和BP神经网络模型的优势与劣势，评估两种模型在全球温度预测中的适用性；4. 提出一种模型融合方法，将灰色预测模型和BP神经网络模型相结合，提高全球温度预测的准确性和可靠性；5. 对全球温度数据进行实验设计和数据分析，验证模型的预测效果和稳定性；6. 探讨本研究的意义和展望，为全球气候变化的研究和应对提供科学依据和参考。
2. 正文2.1 灰色预测模型灰色预测模型是一种基于非线性、非平稳时间序列数据的预测方法，其基本思想是利用已知数据的特征来推断未来数据的变化规律。
灰色预测模型包括GM(1,1)模型、GM(2,1)模型等多种形式，其中GM(1,1)模型是最为常用的灰色预测模型之一。
基于灰色预测与BP神经网络的全球温度预测研究
基于灰色预测与BP神经网络的全球温度预测研究
近年来，全球气候变化引起了广泛的关注。
全球温度的预测对于人类采取应对措施来减缓气候变化至关重要。
本文旨在通过结合灰色预测和BP神经网络方法，对全球温度进行预测研究。
介绍灰色预测方法。
灰色预测方法是一种基于数据序列的建模和预测方法，它适用于具有不完全信息和较少数据的系统。
它通过建立灰色微分方程来表示系统的发展趋势，并使用该方程对未来的发展进行预测。
在全球温度预测中，我们可以将历史温度数据作为输入，通过灰色预测方法预测未来的温度趋势。
介绍BP神经网络方法。
BP神经网络是一种常用的机器学习算法，它模仿人脑的神经网络结构，通过输入数据和权重的调整，学习和训练来对问题进行建模和预测。
在全球温度预测中，我们可以将历史温度数据作为输入，通过BP神经网络来学习温度的发展规律，并预测未来的温度变化。
在本研究中，我们首先收集了全球历史温度数据，并对其进行预处理，包括去除异常值和缺失值的处理。
然后，我们将数据划分为训练集和测试集。
训练集用于训练BP神经网络模型，测试集用于评估模型的性能。
接下来，我们使用BP神经网络对训练集进行训练，并使用训练好的模型对测试集进行预测。
我们还使用灰色预测方法对测试集进行预测。
将两种方法的预测结果进行比较和分析。
通过实验结果的比较，我们可以评估灰色预测和BP神经网络的预测性能，并选择性能较好的方法进行全球温度的预测。
我们还可以通过模型的预测结果来研究全球温度的发展趋势和变化规律，为气候变化的研究和应对提供参考。
基于神经网络和灰色系统的住宅用地需求预测研究
基于神经网络和灰色系统的住宅用地需求预测研究摘 要：科学的住宅用地需求预测是政府管理和调控城市土地市场的前提条件之一。
本文将神经网络和灰色系统引入到住宅用地需求预测中，克服了传统回归分析方法的一些缺点，并对2006-2010年上海市松江区住宅用地需求量进行了预测。
关键词：住宅用地需求预测；神经网络模型；灰色系统0． 引言制订和实施城市住宅供应计划是管理和调控城市土地市场的主要手段，其本质是在科学预测城市住宅需求的基础上，合理配置有限的城市土地资源，尽量满足城市发展对土地资源的各种需要，促进城市房地产市场的健康发展。
可以说，对城市未来住宅用地需求预测是否科学、准确，直接关系到土地供应计划的成败。
然而，对住宅用地需求准确地进行预测并非易事。
在历史资料的收集、整理和分析过程中，我们经常会遇到诸如统计数据缺失、各种资料相互间数据矛盾以及统计口径不一致等问题，这无疑给我们的预测工作带来了极大的难度。
为了尽量弥补预测工作中诸如此类的先天缺陷，我们采用了最新的预测手段与方法，建立了尽可能符合实际的数学模型。
例如，我们采用神经网络模型，就是看中了这种模型强大的非线性映射能力、学习能力和容错能力；而引入灰色预测模型则是基于其在处理样本数量少、波动较大的数据时较传统方法（主要是回归分析）具有其独特的优势。
本文以上海市松江区为例，研究了住宅用地需求预测的思路与方法，从而为政府制订科学合理的土地供应计划提供了理论依据。
1．建设用地需求预测方法研究在市场经济条件下，很多经济发展因素具有不确定性。
为了更科学地进行规划和建设用地的供应，有必要制定多个预测和供应方案，以应对市场不断变化的新情况。
必须说明的是，我们虽然将预测方法进行了分类，但并不意味着它们是截然分开的。
基于预测对象的复杂性，我们将多种方法结合使用，以求较为准确地得到预测结果。
1.1 标准规模预测标准规模预测，也称定额指标法，即按照国家规定的各类建设用地定额指标，以及对人口发展规模的预测，测算未来一定时期建设用地发展规模。
基于神经网络的智能楼宇能耗预测模型研究
基于神经网络的智能楼宇能耗预测模型研究随着人工智能技术的不断进步，智能楼宇系统已经成为了现代城市建设的重要一环。
而对于智能楼宇能耗的预测，是实现能源可持续性管理的关键步骤。
而基于神经网络的智能楼宇能耗预测模型，则成为了这一领域内的热点研究方向。
一、神经网络模型神经网络是一种模拟人脑功能的算法，它的基本原理是通过模拟大量神经元之间的相互作用，来实现对数据的处理和学习。
在智能楼宇能耗预测的应用中，我们可以将楼宇内各种载荷的数据作为输入，通过神经网络模型来预测未来的能耗。
在神经网络模型中，最常用的是前馈神经网络（Feedforward Neural Network, FNN）和循环神经网络（Recurrent Neural Network, RNN）。
前者是一种基于多层感知器的模型结构，可以根据输入和输出数据，通过多个隐含层的变换，最终得到预测结果。
而后者则是一种可以处理时间序列数据的模型，能够对过去及当前数据的状态进行记忆，进而预测未来状态。
二、智能楼宇能耗预测模型基于神经网络的智能楼宇能耗预测模型，通常包括数据采集、预处理、特征提取、建立神经网络模型和模型训练、预测与评估等步骤。
（一）数据采集与预处理：该步骤通常包括数据获取、数据清洗、异常值处理等。
在智能楼宇场景中，可以通过传感器等设备采集多种载荷数据，如温度、湿度、光照、风速等，作为输入数据。
在预处理阶段，需要对数据进行去噪、归一化等处理，以保证模型的准确性和稳定性。
（二）特征提取：该步骤的主要目的是通过分析数据的特点，提取与能耗相关的特征。
在智能楼宇场景中，特征通常包括时间、季节、人数、天气等因素，同时考虑到楼宇内各种载荷设备的特点和相关性，进行深度特征提取。
（三）建立神经网络模型：在建立神经网络模型时，需要确定模型的结构和参数，通常包括选择网络类别、确定网络层数和节点数、激活函数等。
同时，还需要选择合适的损失函数和优化器，以评估模型的性能和训练模型的速度。
基于灰色预测与BP神经网络的全球温度预测研究
基于灰色预测与BP神经网络的全球温度预测研究引言全球气候变化正逐渐成为世界各国关注的焦点，气候变暖带来的极端天气、海平面上升等问题日益凸显。
对全球气温变化进行预测和分析，对于未来气候变化的规划和决策至关重要。
本研究将基于灰色预测与BP神经网络，对全球气温进行预测研究，旨在提高气候变化的预测精度，并为相关政策的制定提供科学依据。
一、全球气温变化趋势分析全球气温变化一直是世界各国学术界和政府部门关注的焦点，也是气候变化的重要指标之一。
根据世界气象组织统计数据显示，过去百年来，全球平均气温呈现出逐渐上升的趋势，尤其是在最近几十年里，气温上升的速度更是明显增加。
这一趋势对人类社会和自然环境都带来了巨大的影响，因此对全球气温的预测和分析具有重要意义。
二、灰色预测模型灰色预测理论是上世纪80年代提出的一种新的非线性、非统计数学预测方法。
其思想是通过分析非线性系统的灰色信息，通过对数据序列进行插值和拟合，从而找出一种相对精确的模型来进行预测。
灰色预测模型的优点是可以适应小样本、不完整数据，并且对于非线性的变化趋势有较好的预测效果。
在本研究中，我们将应用灰色预测模型对全球气温进行预测分析，通过对历史气温数据的分析和建模，得出全球气温未来的趋势变化。
三、BP神经网络模型BP神经网络是一种常用的人工神经网络模型，具有良好的非线性拟合能力和高精度的预测效果。
BP神经网络的训练过程是通过反向传播算法来不断修正网络参数，使网络的输出结果逼近实际的目标值。
在全球气温预测中，BP神经网络可以很好地拟合复杂的气候系统，从而提高预测的准确性。
四、研究方法1. 数据获取：本研究将收集全球各地的气温数据，包括历史气温变化数据以及实时气温监测数据，以构建全球气温的数据集。
2. 灰色预测模型建立：通过对历史气温数据进行分析，建立灰色预测模型，对全球气温进行未来的预测。
3. BP神经网络模型建立：通过对历史气温数据进行训练，建立BP神经网络模型，对全球气温进行未来的预测。
基于灰色预测与BP神经网络的全球温度预测研究
基于灰色预测与BP神经网络的全球温度预测研究全球气候变化引起了人们对未来全球温度变化的关注。
为了更好地了解全球温度的未来走势，研究者们采用了多种方法。
本文将介绍一种基于灰色预测与BP神经网络的全球温度预测方法，并探讨其效果。
我们先简单介绍一下灰色预测和BP神经网络。
灰色预测是一种建立在数据序列时间相关性的基础上的预测方法。
它适用于短期预测和部分长期预测。
常见的灰色预测模型有GM(1,1)模型和GM(2,1)模型。
通过对已知数据序列的分析，灰色预测模型可以建立起未来数据的数学模型，从而实现对未来数据的预测。
BP神经网络是一种通过模仿人脑神经元之间相互连接的方式进行学习和预测的神经网络。
BP神经网络具有较强的非线性拟合能力和适应能力，广泛应用于各种预测和识别问题中。
在全球温度预测研究中，我们首先需要收集全球温度变化的历史数据。
这些数据可以来自于气象观测站、卫星观测数据等。
接下来，我们将历史数据进行处理，将其按照时间顺序排列，并进行灰色处理。
通过对已知数据序列的灰色分析，我们可以得到未来全球温度变化的趋势。
在得到未来全球温度变化的趋势之后，我们可以将其作为BP神经网络的输入数据，建立起BP神经网络模型。
通过对历史数据的学习和训练，BP神经网络可以得到全球温度变化与各个因素之间的关系，并利用这种关系对未来数据进行预测。
为了验证该方法的准确性和可靠性，我们可以将已知数据与预测数据进行对比。
如果预测数据与实际数据的误差较小，则说明该方法是有效的。
需要注意的是，全球温度变化受到多种因素的影响，如太阳活动、人类活动等。
在进行全球温度预测时，需要考虑这些因素的综合影响，尽量减小误差。
基于灰色预测与BP神经网络的全球温度预测方法可以较好地预测未来全球温度的变化趋势。
对于人们了解全球气候变化趋势，制定应对措施具有重要的参考价值。
需要注意的是，全球温度变化受到多种因素的影响，预测结果可能存在一定的不确定性。
预测结果仅供参考，不具备绝对的准确性。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
[文章编号]1002 8528(2007)10 0049 04基于气象热舒适度的建筑能耗灰色神经网络预测张甫仁(重庆交通大学机电与汽车工程学院,重庆400074)[摘 要]针对建筑能耗受局地气候多因素影响的特点,为了客观准确地对建筑能耗进行预测,本文引入了气象热舒适度来综合分析气候对建筑能耗的影响,并以该指数预测值、建筑能耗原始数据和日期类型作为输入层,进行复合灰色神经网络模型预测建筑能耗。
该方法不仅克服了灰色模型和神经网络存在的预测缺陷,同时还考虑了气象因素对建筑能耗的影响。
通过对北京某大厦的实例应用分析,取得了较高精度的预测结果,证实了该方法的合理可靠,为建筑能耗预测提供了新途径,其预测结果也将为大型建筑空调系统的再优化设计和改造提供参考。
[关键词]气象热舒适度;建筑能耗;灰色神经网络;预测方法[中图分类号]TU 023 [文献标识码]APrediction of Building Energy Consumption with Grey Neural Network Method based on Weather Thermal ComfortZ HANG Fu ren (School o f Mechanical and Electrical En gineering ,Chongqin g Jiaotong Unive rsity ,Chongqing 400074,China )[Abstract ]In order to predict the building energy consumption (BEC)which is influenced by the local weather conditions,the parameter of weather thermal comfort (WTC )was introduced to analyze BEC.Furthermore,the prediction value of WTC ,original data of BEC,and date type were taken as input cells for grey neural network method to carry ou t the prediction.On one hand,this method could overcome the shortcomings of grey model and neural network in forecast process,on the other hand,the effects of weather condi tions were taken i nto accoun t.Based on the discussion of a real project in Beijing,the relatively accurate prediction results were obtained and the dependabili ty of this method was proved.As a resul t,this method could be considered as a new strategy to predict BEC,and corresponding references for retrofitting and re opti mization design of air conditioning systems in large scale buildings could be provided.[Keywords ]weather thermal comfort;building energy consu mp tion;grey neural network;prediction method[收稿日期]2007 04 24 [一次修回]2007 05 21[二次修回]2007 05 23[基金项目]重庆市教委科技项目(KJ060408);重庆交通大学博士基金项目[作者简介]张甫仁(1975 ),男,博士,副教授[联系方式]zh -feixue@1 引 言准确的建筑能耗预测是对供暖空调系统设备合理选型的基础,也是对既有建筑设备系统进行优化的前提,对降低建筑能耗,实现建筑节能有十分重要的意义。
建筑能耗是建筑负荷的直接体现,目前建筑负荷的计算方法理论上已基本发展成熟。
现行计算分析的方法很多,例如有限差分法、反应系数法、谐波反应法、传递函数法、热平衡法;还有以上述计算方法为核心且发展成熟的计算软件,主要有DOE 、EnergyPlus 、DeST 等。
但这些方法和软件计算过程相对繁琐且需要参数非常多,而能耗负荷预测的方法相对简单且需要参数也较少,其在可靠参数的基础上可以得到精度较高的预测结果,尤其体现在对既有建筑的能耗分析上。
建筑能耗是以供暖空调等建筑设备所消耗的能量来衡量的[1],而建筑能耗的动态变化是气象、地域、经济等多种因素共同作用的结果。
气象条件是影响城市建筑能耗最主要的因素,其它因素在相同条件下的影响相对较小。
因此,准确的预测必须考虑气象条件的影响。
在同比条件下,建筑能耗的变化表现在冬季采暖负荷和夏季制冷负荷的变化上。
气象因素是环境温度、风速、相对湿度和日照时数的综合,而人们常以环境温度来近似代替气象参数的影响,忽视了其它气象因素。
气象的综合作用应表第23卷第10期2007年10月建 筑 科 学BUILDING SCIE NCEVol 23,No 10Oct.2007现为气象热舒适度对建筑能耗的影响。
故此,本文提出气象热舒适度概念,综合考虑气温、风速、湿度和日照时数对人体的影响,分析热舒适度与实际能耗间的关系,并将其实际应用到人工神经网络法负荷预测中,以代替原有的各单个气象因素,这样既简化了神经网络预测输入层的参数,也全面考虑了建筑能耗的气象影响因素,提高了预测结果的可靠性。
2 建筑能耗与气象2 1 建筑能耗与气候虽然人们在分析热舒适度的时候综合考虑了气象的相关因素(温度、相对湿度、风速),而在进行建筑能耗预测的时候,却常常只考虑温度的影响,忽略了相对湿度和风速这2个重要参数。
同时,在分析气象热舒适度时,日照时数也是十分重要的参数。
下面,本文将以北京市2003年的气象数据和某大厦日建筑能耗数据为例进行说明,表1给出其中部分数据。
表1 2003年北京某大厦建筑能耗与气象数据[1]日期平均温度 相对湿度 %平均风速 (m s)日照时数 h 建筑能耗kWh 6月3日23 3532 259 4297006月4日23 8662 08 7305406月17日27 9472 58 9323407月3日27662 53 6336007月24日25 4872 250337207月28日30 2702 010 *******月29日30691 010 *******月30日25 6792 50334207月31日26 4820 51 135100由表1可见,在夏季,6月4日相对湿度和7月3日相同,均为66%,而日平均温度相差3 2 ,6月4日的建筑能耗要比7月3日的低3060kWh,占当日能耗的10%,可见,气温对建筑能耗有很重要的影响;另外,6月17日较7月24日的气温高2 5 ,而相对湿度却低40%,其建筑能耗比后者要低1380kWh,占当日能耗的4 3%,可见,湿度对建筑能耗也有较大的影响;7月30日气温和湿度较7月31日相差不大,温度低0 8 ,湿度低3%,但由于其风速较31日要大许多,故其建筑能耗要比31日低1680kWh,占当日能耗的5%,这说明风速对建筑能耗也有相当程度的影响;7月28日的日平均温度和湿度均较7月29日稍高一些,但其风速较大,且日照时数稍小一些,故建筑能耗较29日要低1 6%,可见风速和日照时数的影响也是很大的。
综合上述分析,只考虑温度这1个气象参数的建筑能耗预测将会与实际情况出现较大的偏差,且没有反映出气象与建筑能耗的实质关系。
因此,需要综合考虑温度、湿度、风速和日照时数这4个主要的气象参数,这样建筑能耗预测才是可靠、合理的。
由于热舒适度气象参数不唯一,因而在进行预测时输入参数复杂,同时,根据现有研究结果可知,气象复合参数 热舒适度可以代替气象综合参数。
这样,既能够保证预测精度,同时又能够简化在神经网络应用中的输入层参数,加快训练速度。
由此,本文采用热舒适度代替综合气象参数进行建筑能耗预测。
据该大厦2003年6月1日~7月31日的建筑能耗[1],如图1所示,不难发现,建筑能耗随星期的变化呈现出周期性变化,因此,星期的类型也是在建筑能耗预测时必须考虑的1个因素。
图1 北京某大厦6月1日~7月31日建筑能耗2 2 气象热舒适度分析模型针对热舒适度[2 6]的研究已经较为成熟,目前主要有模糊、灰色、可拓以及经验计算等多种方法。
上述研究方法中,灰色、模糊及可拓分析方法,计算过程相对复杂,但计算结果具有一定的通用性;而经验计算法是根据大量数据统计分析得出的,计算方法简单,但应用需要针对相应地域而进行调整和修正。
气象热舒适度(WTC )是温度、湿度和风速的函数关系,其通用函数表达式为:WTC =f (T ,R H ,V ,ST )(1)式中T 、R H 、V 、ST 分别为温度、相对湿度、风速和日照时数。
虽然目前已经有适合北京市的人体热舒适度经验模型 DI 预报模型[5 6],但由于该模型没有考虑到日照时数的影响,故在分析气象热舒适度对建筑能耗的影响时存在缺陷和误差。
故此,本文将采50建筑科学第23卷用上海市的人体气象舒适度指数(SSDI )[7 8]计算公式,结合文献[5]和[6]中公式给予修正,得到如下气象热舒适度计算公式:WTC =1 8T +0 145R H (1 8T -26)+a 1(T -33)V +0 134ST +32(2)式中a 1在5~10月取0 1,其它月份取0 15。
3 复合灰色神经网络预测3 1 复合预测模型构建思路对1个变量进行预测,可以选用多种不同的预测模型,每1种预测模型均包含一定的样本信息,任何单个模型都难以全面地反映变量的变化规律,如果对多种预测模型进行有机合成,就能十分有效地利用多种有用信息,更加全面反映系统的变化规律,减少随机性,提高预测精度[8]。
在目前预测的方法中,人工神经网络己经被证明适合解决短期负荷预测,而灰色预测方法通过累加生成来削弱随机干扰的影响,比较适合中长期负荷预测[9]。
由于人工神经网络和灰色预测方法在预测中存在其自身的优缺点,因此,为了取得精确的预测结果,就必须要克服各自存在的缺点。