小波网络在空调负荷预测中的应用

摘要

空调系统是重要的用电大户，精确的负荷预测是节约能耗的途径，也是优化控制的基础。实现空调负荷的预测可以更好地满足建筑物内供冷的要求，并在此前提下尽可能地减少运行费用。随着冰蓄冷空调系统发展的逐渐成熟，进行空调负荷预测更有着深远意义。 BP神经网络是类似于人脑学习记忆的方法，它能够解决具有动态性、时变性、多扰量性、不确定性等随机特性的问题，而预测空调系统冷负荷正是这样一个典型的非线性模型。但BP网络需进行改进才能达到良好的精度。可以对BP神经网络进行改进的小波分析方法则是一门新兴的理论，它克服了传统Fourier分析的不足，在时域和频域都具有良好的局部化特性，在信号处理、图像处理、语音分析等领域有重要的应用价值。 本文首先建立了一个BP神经网络模型，并通过MATLAB语言实现这一模型，但在预测中发现其预测精度不高，所以又引入小波分析的方法对BP神经网络进行改进.所以本文第二步又建立了基于小波变换和BP神经网络的小波神经网络预测模型，即利用小波分解-重构-预测的方法实现对空调冷负荷的预测。建立这一模型的具体做法就是首先确定网络模型的输入参数，即室外温度、风速、太阳辐射、天气状况、星期几、前一日的冷负荷值这六个参数，并对空调系统的冷负荷进行小波分解与重构，找到冷负荷的变化规律。然后确定小波网络的拓扑空间及训练、传递函数的形式。最后采用MATLAB编程，实现了小波网络预测模型的建立。 通过对西安市一综合楼的冷负荷预测模型的训练以及仿真表明，小波网络进行空调系统冷负荷的预测精度较高，并且有较好的推广能力。

目录

文摘

英文文摘

声明

1绪论

1.1选题背景及意义

1.1.1选题背景

1.1.2选题意义

1.2空调负荷预测的研究现状

1.3神经网络的研究现状

1.4小波分析的研究现状

1.5本文的主要工作

1.6本文的技术路线

2神经网络的基本理论

2.1神经网络概述

2.1.1人工神经元模型

2.1.2神经元的拓扑结构

2.1.3神经网络的学习方式

2.2 BP神经网络概述

2.2.1 BP神经网络的网络结构

2.2.2 BP神经网络的学习算法

2.2.3 BP网络的局限性

2.2.4 BP算法改进

2.3 BP神经网络的训练与仿真

2.3.1 BP神经网络的训练

2.3.2 BP神经网络的仿真

2.4 BP算法的应用问题

2.4.1数据的预处理

2.4.2 BP网络推广能力的提高

2.4.3网络拓扑结构的确定

2.5本章小结

3空调负荷的BP神经网络预测模型

3.1资料来源

3.2预测因子的选择

3.2.1影响空调负荷的因素

3.2.2预测因子的确定

3.3预测因子的预处理

3.3.1原始数据的确定

3.3.2数据的归一化

3.4 BP神经网络拓扑结构的设计

3.5基于MATLAB的BP神经网络开发

3.5.1 BP神经网络工具箱函数

3.5.2 MATLAB图形用户接口GUI工具

3.6 BP神经网络的实现及误差分析

3.7本章小结

4空调负荷的小波神经网络预测模型

4.1小波分析的基本理论

4.1.1傅里叶变换，窗口傅里叶变换与小波变换

4.1.2小波变换

4.1.3常用的小波函数

4.1.4多分辨分析(MRA)

4.1.5 Mallat算法

4.1.6小波分解及重构

4.2小波网络的实现及误差分析

4.2.1小波分解和重构

4.2.2各小波系数建模和预报

4.2.3合成最终预报及进行误差分析

4.3本章小结

5结论

5.1主要结论

5.2工作展望

致 谢

参考文献

附 录 攻读硕士学位期间发表的论文