会议室温度变化

会议室温度变化

 

一、概述与背景分析

       常用于拟合温度变化模型的有线性回归和非线性回归组合模型，由于会议室的温度在很多时候都是随机的、非线性的变化，所以显然线性回归模型并不是很适合。

       目前业界比较多的是用BP神经网络模型拟合会议室温度变化，但是RBF神经网络结构更简单，而且在逼近能力和训练速度都有良好的性能，因此在业内也越来越流行。

 

BP神经网络	RBF神经网络
1、 实行权连接，而RBF神经网络输入层到隐层单元之间为直接连接，隐层到输出层实行权连接。 2、隐层单元的转移函数一般选择非线性函数（如反正切函数） 3、隐层和隐层节点数不容易确定，一旦网络的结构确定下来，在训练阶段网络结构将不再变化 4、易限于局部极小值，学习过程收敛速度慢，隐层和隐层节点数难以确定	1、 输入层到隐层单元之间为直接连接，隐层到输出层实行权连接。 2、 隐层单元的转移函数是关于中心对称的RBF（如高斯函数） 3、 隐层单元数在训练阶段自适应地调整 4、 动态确定网络结构和隐层单元的数据中心和扩展常数，学习速度快，可并行高速地处理数据

（BP神经网络和RBF神经网络的差异）

二、解决方案

1、找出对会议室温度的影响因子

       着重分析会议室内没有供热和其他设备散热以及人体散热的情况，主要的影响因子：室外温度，太阳辐射强度，风速，室内相对湿度，建筑材料，会议室的通风情况。

 

 

 

 

 

 

2、筛选影响因子，提取主要影响因子

       由于会议室已经固定，即建筑材料和通风情况不变，可以剔除（或通过PCA,信息增益等方式筛选）；选取室外温度，太阳辐射强度，风速，室内相对湿度为输入变量。考虑到气象因子采集的延迟，把采集时刻也包含在内。

 

3、数据提取

       连续10天（根据条件增加）每10分钟采集一组影响因子和会议室的温度，得到有效数据1440条并对数据进行归一化变换。

       得到以下记录表

时间	室外温度	辐射强度	风速	室内相对湿度	室内温度

 

4、实验方案

       1、把1440条数据平均分成A, B两组，A组训练，B组测试

       2、对于RBF和BP神经网络，首先用A组数据的时间，室外温度，太阳辐射强度，风速，室内相对湿度作为输入量，A组的会议室温度作为目标值进行训练，获得会议室的温度模型。

       3、用B组数据的时间，室外温度，太阳辐射强度，风速，室内相对湿度作为输入量，模型会输出预测的结果。

       4、将模型输出的预测结果与实际的会议室温度值进行对比，画出各模型的时刻方差图，比较两种模型的效果。

       5、选取均方差最小的模型作为描述会议室温度变化的模型

5、技术难点

1、数据难以每次都能准确采集

2、特征值选择的合理性

3、不同算法模型的调试

 

三、项目人员配置

1、项目主管（1个）

是项目中人、财、物、技术、信息和管理等所有生产要素的组织管理人，把控整个项目的执行进度。

2、技术人员（2个）

把控数据采集的质量，指定数据采集规则，分析采集数据，寻找技术方案，并实现算法模型的训练，得到能正确描述会议室温度变化的模型。

3、数据采集人员（1个）

主要负责实验数据的采集，整理和智能采集机器的维护。

四、项目时间节点

总时间：48天

五、资金预算

1、设备购置费：11286元

设备	单价(人民币)	数量	总价格
高精度温度传感器	480	6	2880
太阳辐射传感器	2222	3	6666
风速风向传感器	400	3	1200
湿度传感器	180	3	540

 

2、劳务费：101200

人员	工资（元/人日）	人数	工作日	总价格
项目经理	700	1	48	33600
技术人员	600	2	48	57600
采集人员	500	1	20	10000

 

3、其他费用：5000

       传感器的二次开发，运算服务器，电费，水费等

综上，申请资金为：11286 + 101200 + 5000 = 117486

六、预期效果

利用外部的气象因素和时间序列对会议室温度进行建模，模型基本上能拟合会议室的温度变化趋势，并且对预测会议室下一时刻的温度能有比较满意的结果。

 

转载于:https://my.oschina.net/whx403/blog/865984