![](https://files.zjtcn.com/group1/M00/BF/0B/CgoBZ2CJtkyAAELGAABOscI2oe4609.jpg)
- 详情
- 2021-04-26
- 简介
pdf
- 2.0MB
- 页数 7P
- 阅读 101
- 下载 37
基于青岛某办公建筑2015年全年逐时总用电能耗及空调用电能耗数据,利用kmeans聚类算法对其进行聚类,将全年能耗水平分为四大类。利用求平均值法得到每一类典型设备使用率曲线。将典型曲线的数据、日前两周数据以及气象数据一同作为BP神经网络的输入,预测未来24小时的建筑总用电和空调用电,该方法比单用日前两周数据及气象数据进行负荷预测能获得更低的相对误差、均方根误差、平均绝对百分误差。BP负荷预测相对误差在5%以内,而kmeans-BP负荷预测算法控制在±2.5%以内;BP预测得到的均方根误差和平均绝对百分误差范围分别在4.6~9.0之间、2.3%~4.4%之间,kmeans-BP将该误差缩小到3.1、2.0%以内,对于负荷预测精度要求上是阶跃性的突破。
对不起,您暂无在线预览权限,如需浏览请
立即登录热门商品
相关推荐
基于kmeans聚类与BP神经网络算法的办公建筑逐时电负荷预测 2.0MB
基于BP神经网络的电力负荷预测算法 82KB
基于Bagging算法和遗传BP神经网络的负荷预测 277KB
基于BP神经网络的短期负荷预测研究 114KB
基于BP神经网络的短期负荷预测研究 114KB
基于BP神经网络的短期负荷预测 120KB
基于BP神经网络和遗传算法的年负荷预测与分析 527KB
基于BP神经网络和遗传算法的年负荷预测与分析 199KB
基于遗传算法和BP神经网络的短期电力负荷预测 586KB
基于BP神经网络的地板辐射供暖系统逐时负荷预测 156KB