-
公开(公告)号：CN111594996A
公开(公告)日：2020-08-28
申请号：CN202010477527.9
申请日：2020-05-29
Applicant: 桂林电子科技大学
IPC: F24F11/64 , F24F11/61 , F24F11/77 , F24F11/58 , F24F110/12 , F24F110/22 , F24F110/32 , F24F130/20 , F24F140/12
Abstract: 本发明公开了一种基于深度置信神经网络的变风量空调送风量的预测方法，包括以下步骤：(1)确定用于训练基于深度置信神经网络的变风量空调送风量预测的输入参数；(2)利用MATLAB软件将步骤(1)中收集的输入参数和相对应的送风量作为训练样本导入到深度置信神经网络中，建立基于深度置信神经网络的变风量空调送风量预测模型的训练模型，对训练样本进行学习训练，不断地调整模型参数以得到最佳训练模型；(3)确定基于深度置信神经网络的变风量空调送风量预测模型，把测试样本导入到所述预测模型中，对测试样本的相对应的送风量进行预测。本发明的设计解决了传统变风量空调送风量预测模型中准确性和稳定性不足而导致建筑能耗较大的问题。
-
公开(公告)号：CN112381181B
公开(公告)日：2022-10-04
申请号：CN202011459104.0
申请日：2020-12-11
Applicant: 桂林电子科技大学
Abstract: 本发明公开了一种建筑能耗异常的动态检测方法，包括以下步骤，步骤一：收集用于建立建筑能耗数据分类模型的历史数据样本；步骤二：利用Matlab软件导入数据样本，并通过粒子群算法优化的k‑medoids聚类算法对能耗数据进行聚类，确定不同的能耗类别；步骤三：将步骤二中得到的聚类结果结合KNN算法建立起对新输入能耗数据的分类模型；步骤四：通过上述分类模型对单个输入的能耗数据进行分类，并对其所属分类进行异常检测，判断该能耗点是否异常；步骤五：当输入的能耗数据形成最小周期的时间序列后，对该时间序列进行异常检测，判断该时间序列是否异常；步骤六：输出检测结果并标识判定为异常的能耗数据。本发明解决了传统建筑能耗异常检测方法中动态性不足、准确性及实用性不强的问题，为建筑能耗的异常检测提供了一种新的方法。
-
Patent Agency Ranking
公开(公告)号：CN111753470B
公开(公告)日：2022-09-16
申请号：CN202010622331.4
申请日：2020-06-30
Applicant: 桂林电子科技大学
Abstract: 本发明公开了一种基于粗糙集和深度置信神经网络的建筑能耗预测方法，包括以下步骤，步骤一：进行用于粗糙集约简建筑能耗影响因子的数据实测，确定各能耗等级的数值范围；步骤二：利用粗糙集对建筑能耗影响因子进行属性约简预处理；步骤三：进行用于深度神经网络预测建筑能耗的样本数据实测；步骤四：叠加受限玻尔兹曼机，构建深度置信神经网络对训练样本进行学习训练；步骤五：利用Matlab软件将经过属性约简后剩余的重要建筑能耗影响因子作为深度置信神经网络的输入参数，建筑能耗作为深度置信神经网络的输出，进行建筑能耗预测。本发明解决了传统建筑能耗预测方法中准确性不够和实用性不足的问题，为建筑能耗的预测提供了一种新的方法。
-
公开(公告)号：CN111650339A
公开(公告)日：2020-09-11
申请号：CN202010539020.1
申请日：2020-06-13
Applicant: 桂林电子科技大学
Abstract: 本发明公开了一种建筑室内多个污染源释放强度的逆向辨识方法，包括以下步骤：步骤一：对建筑室内环境参数采用CFD数值模拟技术获得稳定热流动场；步骤二：基于污染源贡献率(CRPS)方法获得多个污染源释放的室内浓度与监测点的浓度之间的传输矩阵A，利用传输矩阵A建立逆模型；步骤三：采用Tikhonov正则化方法增强逆模型求解的稳定性；步骤四：选取正则化矩阵L，计算正则化参数λ，基于监测点浓度求解污染源浓度。本发明辨识污染源释放强度方法解决了传统辨识方法的单一性和复杂性，为建筑室内快速有效地辨识多个污染源释放强度提供了新的方案。
-
公开(公告)号：CN111594996B
公开(公告)日：2024-12-03
申请号：CN202010477527.9
申请日：2020-05-29
Applicant: 桂林电子科技大学
IPC: F24F11/64 , F24F11/61 , F24F11/77 , F24F11/58 , F24F110/12 , F24F110/22 , F24F110/32 , F24F130/20 , F24F140/12
Abstract: 本发明公开了一种基于深度置信神经网络的变风量空调送风量的预测方法，包括以下步骤：(1)确定用于训练基于深度置信神经网络的变风量空调送风量预测的输入参数；(2)利用MATLAB软件将步骤(1)中收集的输入参数和相对应的送风量作为训练样本导入到深度置信神经网络中，建立基于深度置信神经网络的变风量空调送风量预测模型的训练模型，对训练样本进行学习训练，不断地调整模型参数以得到最佳训练模型；(3)确定基于深度置信神经网络的变风量空调送风量预测模型，把测试样本导入到所述预测模型中，对测试样本的相对应的送风量进行预测。本发明的设计解决了传统变风量空调送风量预测模型中准确性和稳定性不足而导致建筑能耗较大的问题。
-
公开(公告)号：CN112381181A
公开(公告)日：2021-02-19
申请号：CN202011459104.0
申请日：2020-12-11
Applicant: 桂林电子科技大学
Abstract: 本发明公开了一种建筑能耗异常的动态检测方法，包括以下步骤，步骤一：收集用于建立建筑能耗数据分类模型的历史数据样本；步骤二：利用Matlab软件导入数据样本，并通过粒子群算法优化的k‑medois聚类算法对能耗数据进行聚类，确定不同的能耗类别；步骤三：将步骤二中得到的聚类结果结合KNN算法建立起对新输入能耗数据的分类模型；步骤四：通过上述分类模型对单个输入的能耗数据进行分类，并对其所属分类进行异常检测，判断该能耗点是否异常；步骤五：当输入的能耗数据形成最小周期的时间序列后，对该时间序列进行异常检测，判断该时间序列是否异常；步骤六：输出检测结果并标识判定为异常的能耗数据。本发明解决了传统建筑能耗异常检测方法中动态性不足、准确性及实用性不强的问题，为建筑能耗的异常检测提供了一种新的方法。
-
公开(公告)号：CN111753470A
公开(公告)日：2020-10-09
申请号：CN202010622331.4
申请日：2020-06-30
Applicant: 桂林电子科技大学
Abstract: 本发明公开了一种基于粗糙集和深度置信神经网络的建筑能耗预测方法，包括以下步骤，步骤一：进行用于粗糙集约简建筑能耗影响因子的数据实测，确定各能耗等级的数值范围；步骤二：利用粗糙集对建筑能耗影响因子进行属性约简预处理；步骤三：进行用于深度神经网络预测建筑能耗的样本数据实测；步骤四：叠加受限玻尔兹曼机，构建深度置信神经网络对训练样本进行学习训练；步骤五：利用Matlab软件将经过属性约简后剩余的重要建筑能耗影响因子作为深度置信神经网络的输入参数，建筑能耗作为深度置信神经网络的输出，进行建筑能耗预测。本发明解决了传统建筑能耗预测方法中准确性不够和实用性不足的问题，为建筑能耗的预测提供了一种新的方法。
-
-
-
-
-
-
Search Results
7
records
(took 0.022 seconds)
