CN112560345A - 一种地下电力空间通风系统设计方法 - Google Patents

一种地下电力空间通风系统设计方法 Download PDF

Info

Publication number
CN112560345A
CN112560345A CN202011486861.7A CN202011486861A CN112560345A CN 112560345 A CN112560345 A CN 112560345A CN 202011486861 A CN202011486861 A CN 202011486861A CN 112560345 A CN112560345 A CN 112560345A
Authority
CN
China
Prior art keywords
power space
model
underground
ventilation system
electric power
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202011486861.7A
Other languages
English (en)
Other versions
CN112560345B (zh
Inventor
苏康
赵贞欣
李智
张敏
李兵兵
朱青
李静宜
刘健
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
PowerChina Hebei Electric Power Engineering Co Ltd
Original Assignee
PowerChina Hebei Electric Power Engineering Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by PowerChina Hebei Electric Power Engineering Co Ltd filed Critical PowerChina Hebei Electric Power Engineering Co Ltd
Priority to CN202011486861.7A priority Critical patent/CN112560345B/zh
Publication of CN112560345A publication Critical patent/CN112560345A/zh
Application granted granted Critical
Publication of CN112560345B publication Critical patent/CN112560345B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas or water supply
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/08—Thermal analysis or thermal optimisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces

Abstract

本发明公开了一种地下电力空间通风系统设计方法，采用SolidWorks建立地下电力空间的模型，使用有限元软件进行地下电力空间通风系统的模拟计算，对风速场和温度场进行分析，总结普适性规律，并根据计算模拟结果完成通风系统的设计方案，为地下电力空间的实际施工设计方案提供理论依据，具体包括如下步骤：S1：物理模型建立：地下电力空间的模型包括两个进风口、多个排风口和一个发热设备；S2：数据分析：根据近似模型模拟的方法对地下电力空间的模型进行模拟研究。本发明根据近似模型模拟的方法来进行模拟研究，建立真实问题的替代模型，简化优化迭代过中耗时多的模拟计算，同时降低问题非线性，便于找到全局优化点。

Description

一种地下电力空间通风系统设计方法
技术领域
本发明涉及通风系统设计领域，尤其是一种地下电力空间通风系统设计方法。
背景技术
地下空间的含义：地面之下的空间即为地下空间，地下空间和地上空间是一样的有长度、宽度、高度。纵观人类的发展历史，地下空间一直都备受重视，即使在科技高度发展的现今，最简单的地下空间使用措施地窖也广泛存在。地下空间的利用形态非常的多种多样，存在以下形态：
(1)人类为了存储东西，确保安全的：地窖、地下住宅等；
(2)地下空间新时代的利用方式：城市地下变电站、地铁、地下的商业街、地下的停车站和超市等；
(3)为人类城市服务的系统：比如说，城市地下排水系统、城市地下管廊等等。
电力设备在地面上也很容易对周围的环境产生影响，高压设备对城市的美化，起到阻碍作用，城市发展离不开能源，地上过多变电站对周围影响过大。电力地下空间是建于城市地下用于电力设备、电缆以及电力工程管线的建筑物及附属设施，要求其通风系统能够及时排除室内余热和有毒、有害气体，并为检修人员提供新鲜空气。当温度过高的时候，通风系统能够快速响应，保证室内的温度迅速下降，可以使人员快速疏散，减少损失。
CN104008300A公开了一种地下空间通风量算法，但是没有提及电力空间的温度。CN111062115A公开了一种用于电力隧道的通风系统风机配置方法，其提到了模拟仿真计算电力隧道的空气温度、速度，优化通风系统。但是其采用一般的优化设计方法，仿真模型精确度以及计算效率都有待提升。
发明内容
本发明需要解决的技术问题是提供一种地下电力空间通风系统设计方法，克服了实际的地下电力空间系统无法进行精确的大量实验验证的问题，根据近似模型模拟的方法来进行模拟研究，建立真实问题的替代模型，来简化优化迭代过中耗时多的模拟计算，同时降低问题非线性，便于找到全局优化点。
为解决上述技术问题，本发明所采用的技术方案是：一种地下电力空间通风系统设计方法，采用SolidWorks建立地下电力空间的模型，使用有限元软件进行地下电力空间通风系统的模拟计算，对风速场和温度场进行分析，总结普适性规律，并根据计算模拟结果完成通风系统的设计方案，为地下电力空间的实际施工设计方案提供理论依据，具体包括如下步骤：
S1：物理模型建立：地下电力空间的模型包括两个进风口、多个排风口和一个发热设备；
S2：数据分析：根据近似模型模拟的方法对地下电力空间的模型进行模拟研究。
本发明技术方案的进一步改进在于：所述步骤S1中的发热设备为发动机。
本发明技术方案的进一步改进在于：所述步骤S2中根据近似模型模拟的方法对地下电力空间的模型进行模拟研究，包括如下步骤：
1)根据步骤S1中的地下电力空间的模型设置7个工艺参数，分别为进风口位置变化X1、排风口位置变化X2、排风口位置距离墙体位置X3、排风口数量X4、排风口风速X5、进风口风速X6和设备发热功率X7，工艺参数X1～X7均分别分为三个设计水平，分别随机抽取每个工艺参数X1～X7的三个设计水平中的一个,然后进行排列，生成初始种群，经过遗传算法优化后输出抽样结果并抽取一部分作为样本数据；
2)将样本数据随机地分为训练样本和测试样本，进行BP神经网络模型的建立，将样本数据采用fluent软件进行模拟计算，再进行遗传算法优化；
3)将遗传算法应用于约束最优化问题，对优化参数向量x＝(x1，x2，x3，x4，x5，x6，x7)进行编码，随机产生初始解，根据确定的优化问题的目标函数，对每个个体进行评价，得出个体的适应度函数值，由适应度函数数值的大小决定的概率分布来确定哪些个体适应生存，哪些个体被淘汰；
4)对选择出来的个体经过交换和变异再进行组合，产生一个新的个体，新个体产生的过程中可能发生基因变异，变异使某些解的编码发生变化，使解有更大的遍历性，新的个体继承了上一代的优良特性；
5)采用近似模型建立电力空间通风系统遗传算法模型后，利用借助MATLAB工具箱编制遗传算法程序进行求解；
6)采用MATLAB程序得到双向最优解程序编制，输入通风系统任意条件参数，能够得到室内温度的预测数值；输入想到达的温度指标，可以预测条件参数。
本发明技术方案的进一步改进在于：所述步骤1)采用拉丁超立方抽样法抽取一百组试验方案作为样品数据，一部分数据作为训练样本，另一部分数据作为测试样本，其中测试样本占样品数据10％以上。
本发明技术方案的进一步改进在于：所述步骤2)中BP神经网络模型预测的绝对误差保持在5.0以内。
本发明技术方案的进一步改进在于：所述步骤2)中BP神经网络模型预测的相对误差保持在10％以内。
本发明技术方案的进一步改进在于：所述步骤3)中遗传算法采用二进制编码。
本发明技术方案的进一步改进在于：所述步骤3)中将遗传算法应用于约束最优化问题，采用罚函数法对约束条件进行处理。
本发明技术方案的进一步改进在于：所述步骤3)中使用样本均方误差作为适应度函数，判断指标时求其最小值，均方误差越小，个体被选择作为最优解的可能性越大。
由于采用了上述技术方案，本发明取得的技术进步是：
1、本发明克服了实际的地下电力空间系统无法进行精确的大量实验验证的问题，根据近似模型模拟的方法来进行模拟研究，近似模型方法包括实验设计和建立数据拟合与预测模型的建模，可以建立真实问题的替代模型，来简化优化迭代过中耗时多的模拟计算，同时降低问题非线性，便于找到全局优化点；
2、本发明采用建立BP人工神经网络模型来进行综合的优化考虑，通过BP神经网络模型预测的绝对误差保持在5.0以内；BP神经网络模型预测的相对误差保持在10％以内；再通过遗传算法来进行最优结果的因素确定，通过大量样本数据，对模型进行训练和测试，得到优化模型，模型更加准确，比现有技术中的一般方法计算效率高。
附图说明
图1是本发明的地下电力空间的模型；
图2是本发明BP神经网络模型预测的绝对误差图；
图3是本发明BP神经网络模型预测的相对误差图；
图4是本发明BP神经网络预测程序中输入参数求结果的示意图；
图5是本发明BP神经网络预测程序中输入结果求参数的示意图。
具体实施方式
下面结合实施例对本发明做进一步详细说明：
一种地下电力空间通风系统设计方法，采用SolidWorks建立地下电力空间的模型，使用有限元软件进行地下电力空间通风系统的模拟计算，对风速场和温度场进行分析，总结普适性规律，并根据计算模拟结果完成通风系统的设计方案，为地下电力空间的实际施工设计方案提供理论依据，具体包括如下步骤：
S1：物理模型建立：建立简化后的地下电力空间的模型如图1，地下电力空间的模型包括两个进风口、多个排风口和一个发热设备，发热设备为发动机；
S2：数据分析：基于单个项目的研究分析都是基于某个影响因素变化的条件下进行的，都是控制其他因素不变的条件下，进行单一因素的改变，而实际是多个因素同时作用的，因此必须进行多个因素的综合考虑确定最优结果。在实际的地下电力空间系统无法进行精确的大量实验验证，本发明根据近似模型模拟的方法对地下电力空间的模型来进行模拟研究，进而可以分析得到优化方案。近似模型方法包括实验设计和建立数据拟合与预测模型的建模，可以建立真实问题的替代模型，来简化优化迭代过中耗时多的模拟计算，同时降低问题非线性，便于找到全局优化点。
本发明采用建立BP人工神经网络模型来进行综合的优化考虑，再通过遗传算法来进行最优结果的因素确定，具体包括如下步骤：
1)根据步骤S1中的地下电力空间的模型设置7个工艺参数，分别为进风口位置变化X1、排风口位置变化X2、排风口位置距离墙体位置X3、排风口数量X4、排风口风速X5、发热设备表面积X6和发热设备发热功率X7，工艺参数X1～X7均分别分为三个设计水平：
进风口位置变化X1是指两个进风口之间的距离，分别以1、2、3标识，1代表近距离：4米、2代表中距离：8米、3代表远距离：12米；
排风口位置变化X2是指每两个排风口之间的距离，当排风口数量X4设置有两个时，分别以1、2、3标识，1代表近距离：4米、2代表中距离：8米、3代表远距离：12米；当排风口数量X4设置有三个时，分别以1、2、3标识，1代表近距离：2米、2代表中距离：4米、3代表远距离：4米；当排风口数量X4设置有四个时，分别以1、2、3标识，1代表近距离：1米、2代表中距离：2米、3代表远距离：3米；
排风口位置距离墙体位置X3是指排风口距离顶部墙体的垂直距离，垂直距离有三种变化，分别为：0.5m、1m、1.5m；
排风口数量X4分别以2、3、4标识，2代表两个、3代表三个、4代表四个；
排风口风速X5分别以5、6、7标识，5代表5m/s、6代表6m/s、7代表7m/s；
发热设备表面积X6分别以1、2、3标识，1代表发热设备尺寸为8m*4m*6m的表面积：208m2；2代表发热设备尺寸为8m*6m*6m的表面积：264m2；3代表发热设备尺寸为8m*8m*6m的表面积：320m2；
发热设备发热功率X7有三种，分别为100kW、200kW、300kW。
分别随机抽取每个工艺参数X1～X7的三个设计水平中的一个，然后进行排列，生成初始种群，经过遗传算法优化后输出抽样结果并抽取一部分作为样本数据；
工艺参数X1～X7的区间选择需满足以下几点：
(1)区间应尽可能地包含多种情况；
(2)为了避免样本点之间的距离太大而降低准确度，区间范围不宜过大；
(3)结合(1)、(2)两点以及实际情况合理选择区间；
2)采用拉丁超立方抽样法抽取一百组试验方案作为样品数据，一部分数据作为训练样本，另一部分数据作为测试样本，其中测试样本占样品数据10％以上。
抽样原则为:在满足一个超平面内只有一个试验方案的前提下，随机抽取一百组试验方案。
拉丁超立方(LHS)实验设计的实验次数是可以认为控制的，甚至可以出现实验次数小于因素数的情况，便于设置实验者需求的实验次数；其次，拉丁超立方(LHS)实验设计的均匀性更好，不存在像正交实验那样出现实验点堆积问题，即试验点组合没有充满整个实验空间，所得的模型也将不能代表整个参数变化区域。拉丁超立方(LHS)实验设计是一种充满空间设计，使输入组合相对均匀地填满整个试验区间；再者拉丁超立试验设计不像正交和均匀试验设计那样有一套自己的实验表格，因此实验设计更加灵活可控，能够更好地实现抽取的样本代表所有的实验，并且数量可控，效率更高。在通风系统的多因素优化的条件下，抽取九十组样品数据作为训练样本和十组样品数据作为测试样本，以九十组训练样本和十组测试样品作为数据基础来进行后续的BP神经网络模型的建立，将抽取的一百组样本数据采用fluent软件进行模拟计算，再进行神经网络和遗传算法优化；
运用超拉丁立方抽样的通风系统优化的设计水平如表1所示：各个自变量的设计水平均根据前面做过的单因素分析的最优结果中选取，保证后续的研究最优化水平更高。
表1通风系统优化设计水平
Figure BDA0002839540040000071
拉丁超立方抽样算法的具体步骤如下：
Step 1：将工艺参数X1～X7均分别分为三个设计水平；
Step 2：每个设计水平抽取1个数，然后随机排列；
Step 3：将7个参数进行组合，保证了每个超平面仅有1个参数组合；
Step 4：按前3步生成初始种群；
Step 5：经过遗传算法优化后输出抽样结果。
表2拉丁超立方方法抽样及计算结果
Figure BDA0002839540040000081
运用超拉丁抽样抽取的样本见表2所示，其中第2-7列为抽取的样本参数，第9-11列为计算结果，分别取设备表面温度、设备表面1米处温度、出风口温度：
如图2所示：在图2中有十条折线，表示十组数据，每条折线上有三个点分别表示三个输出变量(其中，第一个输出变量为设备表面温度，第二个输出变量设备表面1米处温度，第三个输出变量为出风口温度)的预测的绝对误差，BP神经网络模型预测的绝对误差都保持在5.0以内。
如图3所示：在图3中也是有十条折线，表示十组数据，每条折线上有三个点表示三个输出变量(其中，第一个输出变量为设备表面温度，第二个输出变量设备表面1米处温度，第三个输出变量为出风口温度)的相对误差，BP神经网络模型预测的相对误差都在10％以内。
综上所述：说明BP神经网络模型真实有效，证明了各类输入参数与系统内温度的相关性。
3)将遗传算法应用于约束最优化问题，对优化参数向量X＝(X1，X2，X3，X4，X5，X6，X7)进行编码，随机产生初始解，根据确定的优化问题的目标函数,也称为适应度函数，是程序自学习拟合出来的函数，对每个个体进行评价，得出个体的适应度函数值，由适应度函数数值的大小决定的概率分布来确定哪些个体适应生存，哪些个体被淘汰；在遗传算法中个体指的是每一组样品数据，通过适应度函数筛选，留下的更符合程序运算精度要求的数据为适应生存的样品数据；
4)对选择出来的个体经过交换和变异再进行组合，产生一个新的个体，新个体产生的过程中可能发生基因变异，变异使某些解的编码发生变化，使解有更大的遍历性，新的个体继承了上一代的优良特性；
5)采用近似模型建立电力空间通风系统遗传算法模型后，利用借助MATLAB工具箱编制遗传算法程序进行求解；
采用近似模型建立电力空间通风系统遗传算法模型后，利用借助MATLAB工具箱编制遗传算法程序进行求解。编制程序要点如下：
一、遗传算法采用二进制编码优点在于编码、解码操作简单，交叉、变异等遗传操作便于实现，缺点在于对于一些多维、高精度要求的连续函数优化，存在着连续函数离散化时的映射误差，编码较短时达不到精度要求。后来许多学者对遗传算法的编码进行了多种改进，提出了浮点数(实数)编码、符号编码法。对于函数优化问题，浮点数(实数)编码最为有效，在函数优化领域和约束优化领域，浮点数(实数)编码比二进制编码更有效。对优化参数向量X＝(X1，X2，X3，X4，X5，X6，X7)，实数编码长度为7。
二、适应度函数：通风系统模型是一个复杂的非线性模型，其目标函数很难用显式表示，所以这里使用样本均方误差作为适应度函数。判断指标时求其最小值，均方误差越小，个体被选择作为最优解的可能性越大。
三、约束条件处理：将遗传算法应用于约束最优化问题关键是对约束条件的处理，常采用罚函数法。
6)采用MATLAB程序得到双向最优解程序编制，输入通风系统任意条件参数，能够得到室内温度的预测数值；输入想到达的温度指标，可以预测条件参数。
如图4所示：输入条件参数[3 3 1.5 4 7 2 300],代表含义为：进风口位置变化X1为12米，排风口位置变化X2为3米，排风口位置距离墙体位置X3为1.5米，排风口数量X4为4个，排风口风速X5为7m/s，发热设备表面积X6为264m2，发热设备发热功率X7为300kW,点击开始计算，可以得到输出结果[237 37 39.7],分别表示为：设备表面温度为237℃、设备表面1米处温度为37℃、出风口温度为39.7℃。
如图5所示：可得到某结果条件下的输入参数预测结果，输入结果参数[2004040]，分别表示为：设备表面温度为200℃、设备表面1米处温度为40℃、出风口温度为40℃；可以得到输入参数[2 2 1 4 6 1 300]，分别表示为：进风口位置变化X1为8米，排风口位置变化X2为2米，排风口位置距离墙体位置X3为1米，排风口数量X4为4个，排风口风速X5为6m/s，发热设备表面积X6为208m2，发热设备发热功率X7为300kW。
本发明克服了实际的地下电力空间系统无法进行精确的大量实验验证的问题，根据近似模型模拟的方法来进行模拟研究，近似模型方法包括实验设计和建立数据拟合与预测模型的建模，可以建立真实问题的替代模型，来简化优化迭代过中耗时多的模拟计算，同时降低问题非线性，便于找到全局优化点。
本发明采用建立BP人工神经网络模型来进行综合的优化考虑，再通过遗传算法来进行最优结果的因素确定，通过大量样本数据，对模型进行训练和测试，得到优化模型，模型更加准确，比现有技术中的一般方法计算效率高。

Claims (9)

1.一种地下电力空间通风系统设计方法，其特征在于：采用 SolidWorks 建立地下电力空间的模型，使用有限元软件进行地下电力空间通风系统的模拟计算，对风速场和温度场进行分析，总结普适性规律，并根据计算模拟结果完成通风系统的设计方案，为地下电力空间的实际施工设计方案提供理论依据，具体包括如下步骤：
S1：物理模型建立：地下电力空间的模型包括两个进风口、多个排风口和一个发热设备；
S2：数据分析：根据近似模型模拟的方法对地下电力空间的模型进行模拟研究。
2.根据权利要求1所述的一种地下电力空间通风系统设计方法，其特征在于：所述步骤S1中的发热设备为发动机。
3.根据权利要求1所述的一种地下电力空间通风系统设计方法，其特征在于：所述步骤S2中根据近似模型模拟的方法对地下电力空间的模型进行模拟研究，包括如下步骤：
1）根据步骤S1中的地下电力空间的模型设置7个工艺参数，分别为进风口位置变化X1、排风口位置变化X2、排风口位置距离墙体位置X3、排风口数量X4、排风口风速X5、发热设备表面积X6和发热设备发热功率X7，工艺参数X1～X7均分别分为三个设计水平，分别随机抽取每个工艺参数X1～X7的三个设计水平中的一个，然后进行排列，生成初始种群，经过遗传算法优化后输出抽样结果并抽取一部分作为样本数据；
2）将样本数据随机地分为训练样本和测试样本，进行BP神经网络模型的建立，将样本数据采用fluent软件进行模拟计算，再进行遗传算法优化；
3）将遗传算法应用于约束最优化问题，对优化参数向量X=（X1，X2，X3，X4，X5，X6，X7）进行编码，随机产生初始解，根据确定的优化问题的目标函数，对每个个体进行评价，得出个体的适应度函数值，由适应度函数数值的大小决定的概率分布来确定哪些个体适应生存，哪些个体被淘汰；
4）对选择出来的个体经过交换和变异再进行组合，产生一个新的个体，新个体产生的过程中可能发生基因变异，变异使某些解的编码发生变化，使解有更大的遍历性，新的个体继承了上一代的优良特性；
5）采用近似模型建立电力空间通风系统遗传算法模型后，利用借助MATLAB工具箱编制遗传算法程序进行求解；
6）采用MATLAB程序得到双向最优解程序编制，输入通风系统任意条件参数，能够得到室内温度的预测数值；输入想到达的温度指标，可以预测条件参数。
4.根据权利要求3所述的一种地下电力空间通风系统设计方法，其特征在于：所述步骤1）采用拉丁超立方抽样法抽取一百组试验方案作为样品数据，一部分数据作为训练样本，另一部分数据作为测试样本，其中测试样本占样品数据10%以上。
5.根据权利要求3所述的一种地下电力空间通风系统设计方法，其特征在于：所述步骤2）中BP神经网络模型预测的绝对误差保持在5.0以内。
6.根据权利要求3所述的一种地下电力空间通风系统设计方法，其特征在于：所述步骤2）中BP神经网络模型预测的相对误差保持在10%以内。
7.根据权利要求3所述的一种地下电力空间通风系统设计方法，其特征在于：所述步骤3）中遗传算法采用二进制编码。
8.根据权利要求3所述的一种地下电力空间通风系统设计方法，其特征在于：所述步骤3）中将遗传算法应用于约束最优化问题，采用罚函数法对约束条件进行处理。
9.根据权利要求3所述的一种地下电力空间通风系统设计方法，其特征在于：所述步骤3）中使用样本均方误差作为适应度函数，判断指标时求其最小值，均方误差越小，个体被选择作为最优解的可能性越大。
CN202011486861.7A 2020-12-16 2020-12-16 一种地下电力空间通风系统设计方法 Active CN112560345B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011486861.7A CN112560345B (zh) 2020-12-16 2020-12-16 一种地下电力空间通风系统设计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011486861.7A CN112560345B (zh) 2020-12-16 2020-12-16 一种地下电力空间通风系统设计方法

Publications (2)

Publication Number Publication Date
CN112560345A true CN112560345A (zh) 2021-03-26
CN112560345B CN112560345B (zh) 2022-12-06

Family

ID=75063853

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011486861.7A Active CN112560345B (zh) 2020-12-16 2020-12-16 一种地下电力空间通风系统设计方法

Country Status (1)

Country Link
CN (1) CN112560345B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113673039A (zh) * 2021-09-06 2021-11-19 江南造船(集团)有限责任公司 基于热环境仿真的船舶通风系统设计方法、系统、介质及终端
CN116826577A (zh) * 2023-08-29 2023-09-29 川开电气有限公司 预制舱内通风散热控制方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105373859A (zh) * 2015-11-27 2016-03-02 国网重庆市电力公司电力科学研究院 一种小区配电房的散热优化方法及系统
CN106094694A (zh) * 2016-08-16 2016-11-09 浙江群力电气有限公司 一种基于地下变电所的热监测方法
CN106909727A (zh) * 2017-02-20 2017-06-30 武汉理工大学 基于bp神经网络和遗传算法ga的激光焊接温度场有限元模拟方法
CN109932903A (zh) * 2019-02-25 2019-06-25 北京妙微科技有限公司 多父代优化网络和遗传算法的风机控制多目标优化方法
CN111191316A (zh) * 2020-01-06 2020-05-22 沈阳建筑大学 一种基于响应面的建筑自然通风性能优化模型及优化方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105373859A (zh) * 2015-11-27 2016-03-02 国网重庆市电力公司电力科学研究院 一种小区配电房的散热优化方法及系统
CN106094694A (zh) * 2016-08-16 2016-11-09 浙江群力电气有限公司 一种基于地下变电所的热监测方法
CN106909727A (zh) * 2017-02-20 2017-06-30 武汉理工大学 基于bp神经网络和遗传算法ga的激光焊接温度场有限元模拟方法
CN109932903A (zh) * 2019-02-25 2019-06-25 北京妙微科技有限公司 多父代优化网络和遗传算法的风机控制多目标优化方法
CN111191316A (zh) * 2020-01-06 2020-05-22 沈阳建筑大学 一种基于响应面的建筑自然通风性能优化模型及优化方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
曹益坚 等: "关于通风系统室外进排风口最小距离的探讨", 《建筑热能通风空调》 *
蒋丹 等: "地下低压配电房通风降噪仿真与分析", 《电工电气》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113673039A (zh) * 2021-09-06 2021-11-19 江南造船(集团)有限责任公司 基于热环境仿真的船舶通风系统设计方法、系统、介质及终端
CN113673039B (zh) * 2021-09-06 2023-12-12 江南造船(集团)有限责任公司 基于热环境仿真的船舶通风系统设计方法、系统、介质及终端
CN116826577A (zh) * 2023-08-29 2023-09-29 川开电气有限公司 预制舱内通风散热控制方法
CN116826577B (zh) * 2023-08-29 2023-11-14 川开电气有限公司 预制舱内通风散热控制方法

Also Published As

Publication number Publication date
CN112560345B (zh) 2022-12-06

Similar Documents

Publication Publication Date Title
CN107420743B (zh) 一种智能城市燃气pe管网测控系统及测控方法
CN112560345B (zh) 一种地下电力空间通风系统设计方法
CN106960410A (zh) 基于bim和gis技术的地下综合管廊信息管理方法
Izadyar et al. Intelligent forecasting of residential heating demand for the District Heating System based on the monthly overall natural gas consumption
CN105449713A (zh) 考虑分布式电源特性的有源配电网智能软开关规划方法
CN115685787B (zh) 用于城市燃气管网的建模仿真方法、建模仿真系统和介质
CN104951834A (zh) 基于遗传算法和粒子群集成的lssvm风速预测方法
CN108564205A (zh) 一种基于实测数据的负荷模型及参数辨识优化方法
CN104063805A (zh) 综合能源规划中区域建筑冷热电负荷预测数据的处理方法及装置
CN110083910A (zh) 一种基于nsga-ⅱ的混沌时间序列预测样本获取方法
CN107220735A (zh) 一种电力行业分类的多变量农网电量预测方法
CN106886156A (zh) 基于二进制多目标粒子群算法的供水管网关阀方法
CN115471679A (zh) 一种天然河道水位流量同步同化方法及智能系统
CN108764522A (zh) 一种基于多变量输入的局部负荷预测方法
CN116050460B (zh) 基于注意力神经网络的气温数据空间插值方法
CN110765726B (zh) 能源网规划图的智能生成系统
CN109886316B (zh) 基于云系相似度权重分配的变压器状态参量组合预测方法
CN116484688A (zh) 一种城市内涝数值实验方法
CN110569571A (zh) 基于极限学习机的城市供水管网爆管预警方法
CN115712976A (zh) 基于多元供热机组的热能及电负荷优化方法及相关设备
CN113792919A (zh) 一种基于迁移学习深度学习相结合的风电功率预测方法
CN106650293A (zh) 一种基于am嵌套抽样算法的地下水模型评价方法
Ying et al. Research on town ecological landscape planning and governance based on fuzzy optimization method of Internet of things technology
Liu et al. Crack Prediction Based on Wavelet Correlation Analysis Least Squares Support Vector Machine for Stone Cultural Relics
CN100403320C (zh) 设计城市雨水管道的方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant