基于AP-BP神经网络的建筑能耗分析与预测.pdf

【基于AP-BP神经网络的建筑能耗分析与预测】这篇论文主要探讨了如何利用一种结合了Affinity Propagation（AP）聚类和Back Propagation（BP）神经网络的方法来分析和预测建筑能耗。AP-BP神经网络是为了解决传统BP神经网络在处理多维度输入时可能出现的过拟合问题，以及对关键影响因素识别不足的缺陷。 在建筑能耗分析中，AP聚类算法被用来对影响能耗的多种因素进行聚类分析，以识别出最重要的影响因子。这种聚类方法可以帮助提取出对能耗影响最大的变量，这些变量随后作为BP神经网络的输入。BP神经网络则负责根据这些输入因素来预测建筑的热负荷和冷负荷，这两个指标是建筑能耗的关键衡量标准，它们被设置为神经网络的输出。 论文中提到，通过AP聚类优化后的BP神经网络模型在能耗预测上的表现优于传统的BP神经网络。使用RMSE（均方根误差）和ARGE（平均相对泛化误差）作为评估指标，结果显示提出的AP-BP方法提高了预测的准确性，并且通过对输入输出结构的调整，该模型还有助于实现能耗节约，提升能效。 文章背景指出，随着全球经济的快速发展，能源需求剧增，建筑能耗占据了相当大的比例，尤其是在发达国家和地区，建筑能耗已成为节能减排的重要领域。因此，对建筑能耗的精确分析和预测具有重要的经济和环保价值。过去的研究包括使用相变储能技术、改进外墙和窗户的节能措施，以及应用人工神经网络进行能耗预测，但AP-BP神经网络模型提供了一个更为综合和精准的解决方案。 论文作者提到了其他研究中人工神经网络在建筑能耗预测中的应用，表明这一领域的研究在全球范围内都是活跃的。结合AP聚类的BP神经网络模型为建筑能效管理和策略制定提供了新的工具，有助于实现更有效的能源管理，减少建筑行业的能源浪费，从而促进可持续发展。