巴黎人票APP

    <dir id='Mhctbb'><del id='Mhctbb'><del id='Mhctbb'></del><pre id='Mhctbb'><pre id='Mhctbb'><option id='Mhctbb'><address id='Mhctbb'></address><bdo id='Mhctbb'><tr id='Mhctbb'><acronym id='Mhctbb'><pre id='Mhctbb'></pre></acronym><div id='Mhctbb'></div></tr></bdo></option></pre><small id='Mhctbb'><address id='Mhctbb'><u id='Mhctbb'><legend id='Mhctbb'><option id='Mhctbb'><abbr id='Mhctbb'></abbr><li id='Mhctbb'><pre id='Mhctbb'></pre></li></option></legend><select id='Mhctbb'></select></u></address></small></pre></del><sup id='Mhctbb'></sup><blockquote id='Mhctbb'><dt id='Mhctbb'></dt></blockquote><blockquote id='Mhctbb'></blockquote></dir><tt id='Mhctbb'></tt><u id='Mhctbb'><tt id='Mhctbb'><form id='Mhctbb'></form></tt><td id='Mhctbb'><dt id='Mhctbb'></dt></td></u>
  1. <code id='Mhctbb'><i id='Mhctbb'><q id='Mhctbb'><legend id='Mhctbb'><pre id='Mhctbb'><style id='Mhctbb'><acronym id='Mhctbb'><i id='Mhctbb'><form id='Mhctbb'><option id='Mhctbb'><center id='Mhctbb'></center></option></form></i></acronym></style><tt id='Mhctbb'></tt></pre></legend></q></i></code><center id='Mhctbb'></center>

      <dd id='Mhctbb'></dd>

        <style id='Mhctbb'></style><sub id='Mhctbb'><dfn id='Mhctbb'><abbr id='Mhctbb'><big id='Mhctbb'><bdo id='Mhctbb'></bdo></big></abbr></dfn></sub>
        <dir id='Mhctbb'></dir>
      1. 暖通空调杂志社>期刊目次>2019年>第2期

        几种集中供热负荷预测模型对比

        Comparison of several centralized heating load forecasting models

        于晓娟 顾吉浩 齐承英 孙春华
        河北工业大学

        摘要:

        为了精确地预测供热负荷,在预测模型中增加了室内温度影响因子,并采用多元线性回归(MLR)、BP神经网络和基于网格搜索优化支持向量机回归(GS-SVR)的方法,对未来7 d的供热负荷进行了预测。研究结果表明,GS-SVR预测模型的精度最高,其预测精度明显优于MLRBP神经网络,可用于指导工程实践。

        关键词:集中供热,热负荷预测,多元线性回归,BP神经网络,支持向量机回归

        Abstract:

         In order to improve the accuracy of the heating load prediction, adds indoor temperature factor into the prediction models. In addition, applies multivariable linear regression (MLR), BP neural network and support vector machine regression based on grid search (GS-SVR) to the heating load prediction in the next seven days. The obtained results show that GS-SVR model prediction is more accurate than MLR and BP neural network, which can be adopted to guide the engineering practice.

        Keywords:centralheating,heatingloadprediction,multivariablelinearregression,backpropagation(BP)neuralnetwork,supportvectormachineregression

            你还没注册?或者没有登录?这篇期刊要求至少是本站的注册会员才能阅读!

            如果你还没注册,请赶紧点此注册吧!

            如果你已经注册但还没登录,请赶紧点此登录吧!