《外文翻译-一个开放的办公室通过线性和非线性自回归神经网络模型预测空间温度和相对湿度》由会员分享，可在线阅读，更多相关《外文翻译-一个开放的办公室通过线性和非线性自回归神经网络模型预测空间温度和相对湿度（18页珍藏版）》请在金锄头文库上搜索。
1、一个开放的办公室通过线性和非线性自回归神经网络模型预测空间温度和相对湿度摘要:这项研究是一个有关于在现代建筑中的开放式办公室基于线性参数自回归模型与外部输入(ARX)和非线性自回归模型与外部输入(NNARX)的神经网络对温度和湿度的预测,用记录了3个月的内部和外部气候数据来构建模型和预测空间温度和相对湿度（对不同时间尺度要提前30分钟到3h）。为了比较不同，进一步的准确预测，要采用不同性能的条件,如拟合优度、均方误差、平均绝对错误并且要确定系数预测模型的输出量与实际测量量,并进行计算。NNARX模型,测试后的最优网络结构,随后是通过修剪使用最优外部采集策略的完全连接网络。结果证明，这两个模型都
2、提供了相当好的预测但非线性NNARX模型优于线性ARX模型。这些模型都可以通过在暖通空调的植物改善室内空气质量来打造智能控制器,特别是自动化控制系统。关键词:黑盒自回归线性和非线性神经网络模型 建筑管理系统 房间温度和相对湿度 预测 最优的脑外科医生修剪算法PDF英文原件，下载后双击图标即可打开另存1 引言估计能源消耗室内环境质量和能量辐射可以解决使用两种不同类型的造型技术:物理或白盒造型,和数据驱动的黑盒模型。物理模型是基于使用能量和质量平衡积分微分方程,获得准确的模型与这种方法很好很有必要知道建筑的物理性质。这些知识属性可以影响暖通空调的设计和控制植物,当室内空气质量不佳,能源消耗增加。而
3、另一方面,黑箱建模方法(没有知识物理系统的内部结构需要在这些模型是一种信息的数据挖掘技术提取的模型。数据挖掘的结果是黑色的箱数学模型,如线性和非线性模型可以近似系统之间的复杂关系输入(在本例中气象参数和致动器的延时操作的变量)和输出,如室温和相对的湿度。黑盒模型完全取决于实验数据,因此只能开发当数据是可用的。包括所有重要的变量是很重要的,影响建筑物的热行为和省略或无关紧要信息。太多的无关信息会增加网络培训,增加网络学习的负担。与物理模型、黑箱模型适应能力,通过改变它们的参数作为实际的函数性能,模型表现出1 - 4。由于缺乏知识,关于建筑的物理特性检查在这个研究中,黑箱数学模型为构建其热行为。有
4、不同类型的黑盒线性和非线性模型。然而,在这个我们工作有兴趣只在黑盒线性参数自回归模型与外部输入(ARX)和神经网络非线性自回归模型与外部输入(NNARX)。许多研究人员应用黑盒(5 - 8)线性ARX等参数结构,自回归移动平均线与外部输入(ARMAX)、Box-Jenkins(BJ)和输出误差(OE)模型来预测房间温度和相对湿度不同的办公大楼,与天气条件和内部气候相关的数据收集特定时间(分别7天,36天,9个月和一年)。许多研究工作已经使用各种类型的黑盒人工神经网络(ANNs)预测室温和相对的湿度。例如,福斯特和彼得9使用一年的数据和一个NNARX模型来预测在办公室室温建筑,而卢和维尔加宁10
5、记录30天在测试构建和使用一个室温NNARX模型来预测11日- 16日和相对湿度。过去研究4发现非线性模型(例如NNARX,FFBP和RBF)通常表现的更好比线性模型(例如ARX和ARMAX)在预测建筑的室温。线性参数模型相比,哪个可以用来估计物理模型的热参数17,这与非线性神经网络模型是不可能的。然而,神经网络非线性模型可以使用在模型开发验证和删除不重要的输入准备物理建模15。尽管过去的努力工作,在解决这些问题，还有造型问题没有分析。首先,过去的大多数研究工作主要处理室温预测。只有几个过去的研究是预测两个房间工作温度和相对湿度,如卢和维尔加宁10唯一一个非线性NNARX模型。基于以上研究,目
6、前处理ARX的性能和NNARX工作模型在预测房间温度和相对湿度,他们也提出了比较分析。第二,比较获得的参数的数量最好的ARX和NNARX模型提出了,以前的研究工作没有。第三,长时间的数据采集(三个月的数据收集从一个真正的办公大楼),大多数过去的研究只使用短时间内的数据从实验大楼条件可以收集操纵。第四,二氧化碳浓度用于入住率的模型视为开放的办公室,而没有过去的研究工作(4-16)考虑到这个输入。相反,他们中的许多人在一天(工作或非工作天)中不同的时间使用建筑物的信息类型未被考虑占用(5 - 8)。这项研究的主要目的在本文报道探索发展的潜在模型离线空间温度和相对湿度的预测从获得的数据现有的建筑管理
7、系统(BMS),因此,避免额外的仪器。在输入和输出数据收集之后,著名的模型识别包等系统识别工具箱线性参数模型和系统识别的神经网络工具箱(NNSYSID)中使用模式的发展。这些包以前使用的其他研究人员(9-19)在建筑领域的热行为预测。预测ARX的房间温度和相对湿度和NNARX模型可以利用在控制策略计算控制信号,如建筑物的温度和相对湿度,是基于预测控制变量的未来值。使用预测模型是常见的许多应用程序和这些被称为模型预测控制控制12。以往的研究工作,如托马斯和穆赫辛尼12,经常建议模型应该有良好的预测能力至少提前15 - 30分钟(所需的最小时间尺度所选模型用于空调系统的控制策略)。因此,如果新开发
8、的模型具有良好的预测领先一步预测的能力值大于30分钟(例如,在卢和维尔加宁10,托马斯和穆赫辛尼经常和古德儿等人之前的时间规模分别8 h,1 h,45分钟和2 h ,提前3.5小时的获得目前的研究),这意味着这些模型的预测设备-密度比那些模型具有良好的预测质量时间尺度30分钟。因此,发展预测模型(基于建筑和真正的热行为HVAC植物)高阶预测之前,会导致建筑准确的自适应控制器,可能,反过来,导致大量的节约能源,改善室内环境质量和减少碳排放(3、4)。本文的组织结构如下:第二节介绍了签证构建和数据收集的BMS的过程。第三节专注于线性参数和ARX模型技术非线性神经网络NNARX模型,而第四节讨论步骤
9、确定适当的ARX和NNARX模型,第五节介绍了模型的结果与讨论这些,第六节未来的工作提供一个结论和地址。2 签证的过程构建和数据的描述集合本研究主要探讨开放式办公室(房间)的位置签证的七楼建筑,位于伦敦(见图1)。办公室的设计包括三个4米长， 2米高的窗户在东南方面,和三个相同的西北一侧。其他双方(面向东北和西南)宽侧墙由14厘米， 39厘米长空心砖、他们不包含任何窗户。窗户/墙的关系每一方(东南部和西北部)是24/54 = 0.4。建设的取向是西北。总的来说,有三种空气处理单元(摘要)放置在建筑物的屋顶。大厦8层,打开办公室分析维度260平方米， 2.7米的身高和定位在7楼。空气处理单元(摘
10、要)供应条件第六、第七和第八层和给空气流经下面的治疗:首先,来自不同的回风混合层来自外面的新鲜空气。这种混合的比例在内部和外部条件和由百时美施贵宝;其次,这种混合后,空气预热时通过通过加热线圈;第三,然后当它冷却下来通过冷却线圈。此外,作为的函数外面的价值相对湿度和房间的相对湿度置位点,空气在这个阶段可以加湿和除湿;第四,最后穿过的空气加热线圈可以加热的温度,取决于房间吗温度设定点。从摘要的空气内管的主要是通过二级管水平放置在天花板上每层楼,那里的空气穿过风机盘管机组(FCU)。那儿的总共三十个机组分布于整个7楼空间,每个FCU覆盖大约9平方米。通过这些足够对整个房间的空气加热或冷却 4摄氏度
11、，来自摘要AHU。它们之间的距离和定位在7号楼是有限的,因为只有一层屋顶和7楼之间导管很孤立。因此,T的值和RH(TA和HA)相关的空气的摘要保持几乎不变的二级管放置在天花板上的7楼(因为能量的损失空气从摘要和的路上可以忽略不计)。最后,应该注意,热水和冷水分别通过加热和冷却线圈安装在摘要和相同加热和冷却的锅炉和冷水机组放置在这栋大楼的屋顶。这三个传感器,测量室温度、相对湿度和碳二氧化碳浓度定位,如图1所示。在一般情况下,室内空气质量的水平被控制的需求通风策略,利用二氧化碳浓度作为指标持续监测内入住率水平房间。图1 打开办公室的布局7楼确定模型的参数描述真正的建筑、房间温度和相对湿度的时间序列
12、收集相关数据为2005年的夏季。收集的数据被划分成周,然后分析天(星期一-星期五)和周末。因为空调工厂关闭在星期六,星期天和在假日的时候。在工作日,晚上,空调系统与挫折,和摘要,锅炉和制冷机关闭,晚上挫折通常是BMS预定,这晚七点开始,终止于次日07:00。夜间是考虑的模型,这可以清楚的看到吗从图3和4在第五节,室温的价值高于其价值白天工作时间。所有输入输出然后预处理为零均值和方差。一般造型练习,采样周期由系统的反应速度(或时间常数)。过去研究人员如扬和安德伍德发达的以下步骤来确定采样频率:首先,适用每个输入信号的阶跃响应18。其次,找到主导时间常数(代表所花费的时间明显的阶跃响应总体变化达到
13、63.21%3)。第三,采样频率必须的十分之一主导时间常数,这些步骤应用到每个输入信号,在目前的研究中发现主导时间常数订单的90分钟。因此,理论采样频率应该是十分之一的90分钟,对应9分钟。而这项研究,实际的采样频率是固定在5分钟。过去的研究人员(10、12、15、16),它是认识到模型的泛化预测的空间温度和相对的湿度在建筑需要许多输入信号以获得所需的精度。最重要的变量的影响室内气候直接连接到室外气候室外温度、太阳辐射、室外湿度,墙上温度和风力。其他变量连接到建筑内部的活动,如的人数,他们当前的活动,电力使用和通风流量数据在目前的工作包括:收集外部温度在摄氏度(C或摄氏度);相对湿度Ho在外面
14、百分比(%),室温C;房间相对湿度 %;供应空气相对湿度在HA %(供应空气相对湿度和空气来自摘要和相关流经;送风温度锡箔C(供应空气温度与空气来自摘要和流动);供应空气流率R立方米/秒(立方米/秒)(送风空气流量与来自摘要和流经);冷冻水温度TCC(冷冻水,流在来自冷水机);C *热水温度(内流动的热水来自锅炉);房间二氧化碳浓度在ppm * cco2(比较)百万分。主要的假设模型的发展内部温度和相对湿度是直接影响通过外部温度变化和内部空气。这种假设连接到这一事实动态热响应时间的分钟影响主要由房间的能量平衡的空气3。因此,房间的热响应的织物是忽略其影响在室温的小时。电的影响部分设备考虑NNA
15、RX和ARX模型作为一个额外的热量增益之间交换的空气流动房间里和流动的冷却水循环里面冷却线圈放置和摘要。此外,加强上述假设关于内部得热房间入住率等因素,另一个变量称为二氧化碳浓度(一个合理的比例关系之间存在入住率和二氧化碳浓度3)添加到这种分析了室温和造型相对湿度。数据分析表明,正常工作一天有一个相关性入住率和二氧化碳浓度,其价值作为时间的函数总结如下:(1)在夜间的二氧化碳最小值的浓度500 ppm,(2)从上午9点大约11点其价值增加线性值700 ppm(更多的人继续抵达办公室),(3)11点到下午15:30其价值680之间仍然几乎不变和710 ppm(有小变化,但在办公室的人数仍然几乎不
16、变),(4)从下午15:3021:00其价值降低大约线性降至500 ppm(人们继续离开办公室),(5)从晚上九点到上午9点第二天在500 ppm(没有占用它的值保持不变房间)。最后,在设计阶段,太阳辐射建设进行了分析,得出的结论是,获得热量这种来源小。这是因为建筑是在树荫下的时间(这是其他建筑包围的类似的高度),和伦敦的天气是多云的(从日常天气状况的分析发现在设计阶段)相同。房间的温度、相对湿度和二氧化碳浓度传感器放置在1.7米的高度地板上。没有其他传感器可以添加和现有的传感器的位置不能改变,接受,在这项研究中使用现有的传感器的数量有限,因为(1)温度、湿度和二氧化碳浓度不同区域的变化和(2)的一些调查好传感器位置在BMS进行安装可以忽略不计。3 ARX和NNARX模型结构在这项工作中,一个自回归线性参数和ARX模型基于神经网络的非线性自回归NNARX模型*选择(见图2)来预测室温和相对的湿度,因为他们的
