Resumen

Este trabajo propone un nuevo método para realizar predicciones a corto plazo de los tres tipos de consumo de energía primaria: electricidad, iluminación y aire acondicionado ventilado en la estación de metro. En primer lugar, el artículo extrae los cinco factores principales que influyen en el consumo energético de la estación de metro mediante el análisis de componentes principales del kernel (KPCA). En segundo lugar, se fusionó la optimización de colonias genéticas mejorada (G-ACO) en la red neuronal BP para entrenar y optimizar los pesos de conexión y los umbrales entre cada capa de la red neuronal BP. A continuación, el artículo construye un modelo neuronal G-ACO-BP para realizar predicciones a corto plazo sobre diferentes consumos energéticos en la estación de metro para predecir la energía consumida por la electricidad, la iluminación y el aire acondicionado ventilado. Los resultados experimentales mostraron que el modelo neuronal G-ACO-BP podía dar una predicción más precisa y eficaz para el consumo principal de energía en una estación de metro.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Neurofisiología Proceso de aprendizaje
• Subjects:Artificial intelligence Data mining Genetic algorithms Neurophysiology Learning processes
• Palabras claves:estación de metro, modelo neuronal, aire acondicionado, predicción de términos, pb, capa de red neuronal, papel, análisis de componentes principales, consumo de energía, consumo de energía primaria
• Keywords:metro station, neural model, air conditioning, terms prediction, bp, neural network layer, paper, principal components analysis, consumption of power, primary energy consumption