论文部分内容阅读
摘 要：由于近年来智慧城市受到了广泛的关注，而对于智慧城市节能减排还并没有更多的研究资料，所以本文中对于智慧城市的节能减排及其管理进行了分析。本文中主要进行研究的是BP神经网络对于智慧城市基础之上大型建筑的耗电量预测，通过预测耗电量可以分析得出建筑的能耗是否合理，以便做出进一步的管理动作。首先本文通过使用云计算的方法对整体的数据处理系统进行了规定，整体数据通过云计算的方式进行存储与计算。随后规定了文章中所使用的BP神经网络模型，通过BP神经网络的方法建立对于大型建筑的能耗预测模型，并且将所获取的数据用来进行模型的训练以及测试。模型的训练结果显示，经过125次迭代之后，整体模型的误差值达到最小。模型测试结果显示出，本文模型可以很好的进行能耗的预测，整体预测趋势与实际检测值基本一致。所以本文所设计模型能够达到跟踪建筑能耗的目的，能够为智慧城市节能减排以及其管理控制提供一定的理论基础。
关键词：BP神经网络;云计算;智慧建筑;节能环保
中图分类号：TU201.5;TP391.44 文献标识码：A 文章编号：1001-5922（2021）10-0090-04
Energy Conservation and Emission Reduction and Its Management Control of Smart Buildings by Using Cloud Computing
Wang Zhenfeng， Xu Mingxia
（Shaanxi Institute of Technology， Xi an710300， China ）
Abstract：In recent years， smart city has attracted extensive attention， but there are few research data on energy conservation and emission reduction of smart city， so energy conservation and emission reduction and its management of smart city are analyzed. Back propagation （BP） neural network is used to predict the power consumption of large buildings in smart city. By predicting the power consumption， whether the energy consumption of buildings is reasonable can be assessed， so as to make further management. First， the overall data processing system is defined by using cloud computing， and the overall data are stored and calculated by cloud computing. Then， the BP neural network model is specified to establish an energy consumption prediction model of large buildings， and the obtained data are adopted for training and testing of the model. The training results of the model indicate that after 125 iterations， the error of the model reaches its minimum value. The test results of the model suggest that the model can predict energy consumption accurately， and the overall prediction trend is consistent with the actual detected value. Thus， the model designed in this paper can achieve the purpose of tracking building energy consumption， and can provide a certain theoretical basis for smart city energy saving and emission reduction as well as its management and control.
Key words：BP neural network; cloud computing; Intelligent building;energy conservation and environmental protection
0 引言
近年來，智慧城市的概念受到了广泛的支持，智慧城市引起了科学界和工业界的广泛关注和兴趣，世界各地涌现出越来越多的国际案例[1-2]。然而，尽管智慧城市在应对近期的城市相关问题时可以发挥重要作用，但由于无法充分发挥其潜力以及被大量厂商炒作而受到批评[3]。过去几年中，智慧城市政策吸引了大量相关的关注和资金[4]。尽管现在看来可以得出这样的结论，智慧城市对城市经济增长产生积极影响的时机已经成熟，但是从这种影响的微观基础来看，情况还不是十分清楚。 Allam 和 Newman（2018）研究提供了有关智慧城市的性质，挑战和机遇的文献综述，根据文化，新陈代谢和治理的维度，提出了一个新的智慧城市框架，这些发现旨在为决策者提供关于智慧城市范式的另一种观点，这种观点主要是注重智慧城市的建设成果，不以技术作为研究方向[5]。近几年，随着中国物联网技术，尤其是5G技术的快速发展，“智慧城市”的建设也成为了可能。Sharma 和Park（2018）提出了智慧建筑的混合网络构架技术，通过对网络和区块链的结合做对比分析，验证智慧城市建筑模型的使用性能和建设可行性，本论文对智慧建筑能耗预测模型进行了仿真模拟，结合不同的性能指标对比实际，来验证建筑节能情况[6]。Zhang等（2017）介绍了有前途的智慧城市应用程序和体系结构，讨论了这些应用程序中的一些安全性和隐私挑战[7]。从上述对于智慧城市的当前研究方向中可以看出，对于智慧城市，各大学者的研究仍在如何进行智慧城市的构建部分，而文章则从新的角度也就是智慧城市节能减排的角度进行有关于智慧城市的研究，并且将引入云计算进行研究。
1 研究方法
1.1 云计算数据中心
云计算是一种典型的数据处理方法，能够提供数据储存、计算等复杂功能[8，9]。在文章中，也就是说在智慧城市的背景之下，是需要通过云计算技术进行智慧城市能耗的监测，而在文章中仅对大型建筑的能耗进行监测与分析。在本文的大型建筑能耗监测系统中将云计算数据中心分为云计算信息服务层，云计算基础平台层以及虚拟化基础设施层。
云计算信息服务层也就是进行整体大型建筑的能耗评估与分析，判断此大型建筑的节能情况，并且需要通过一定的控制手段控制大型建筑的能耗。在云计算基础平台层也就是进行整体数据的管理，而虚拟化基础设施层便是对于大型建筑系统的模拟。
1.2 神经网络下的建筑能耗预测
神经网络算法是目前被广泛应用的算法之一，由于其具有自学习的能力，大量的研究均争先将此方法引入自身的研究领域中，争取能够以更快的速度以及更加优异的精度完成实验或是研究。此种神经网络的方法是模仿人脑的思考过程从而被开发出来的，对于人脑来说，需要首先得到外界的信号并且所有的神经元以及神经突触将所接受到的信号传至人脑，由人脑对相应的信号进行分析、处理。与人脑一致的是神经网络方法也是通过将各个模块分開，各个模块完成属于自身的工作，这样的方法能够大大提升整体算法的计算效率，能够用更短的时间分析更多的数据，并且能够根据不同的数据进行自学习，得到更加符合目标要求的神经网络模型。而BP神经网络是神经网络的一种，属于反向传播的多层前馈神经网络。它由3层结构组成，包括输入层、隐式层和输出层。其结构示意图如图1所示。
由图1可以看出，BP神经网络的每一层由n个神经元组成，各层之间相互连接。但是这层中的神经元是没有连接的。神经网络算法的由误差和信息两个正反向传播过程来实现，其中信息是正向传播，误差是反向传播[10]。具体流程如图2所示。
BP人工神经网络是由正向传播以及反向传播两个过程所组成：正向传播过程是信息传播的主要过程，需要输入的信息，在开始阶段是进入输入层，通过输入层后进入隐含层，最后将信息输入到输出层。在整个过程中，每一次的结果只会对下一层的状态有影响，当输出层的输出结果与所期望的结果有所不符时，则转入反向传播过程。反向传播过程的处理过程为：输出误差—各隐含层—输入层。该处理过程是输出误差反传回去，并且分别传送给隐含层单元，通过隐含层单元分析得出各层单元的误差，通过这些误差的分析，进而修正各部分单元的权值。正向传播过程和反向传播过程相互结合，便完成了一次学习迭代，BP网络就是多次重复这种迭代直到达到预设的学习次数或是满足误差要求。
在正向传播过程中，输入对象被分成n个输入向量，w为权系数，b为偏置向量。对输入向量x进行线性运算，运算函数如式（1）[11]：
式（1）中，zi为第i层神经元的输出。win为第n个神经元的权系数。b是偏差向量，偏差向量需从输入层开始，逐层计算，一直到最后输出结果。BP神经网络通常使用sigmoid函数作为神经元内层的激活函数，以提高算法的表达能力，sigmoid函数g（zi）的表达式如式（2）：
式（2）函数的定义域均为实数集合，范围为[0，1]。在最后一个隐含层输出结果后，交叉熵损失函数计算输出的损失。通过交叉熵损失函数的输出损失值，与建筑能耗预测模型的预测输出值与建筑工程实际值的差值做对比，以此来判断建筑能耗预测模型的预测效果。损失函数可以表示为：
式（3）中，y为实际产值。当损失值过大时，参数更新更快;否则，参数更新会慢一些。
在误差反向传播过程中，损失函数梯度由输出层向后传播到隐含层，损失值分布到每层神经元。通过连续迭代，更新层间的参数，使实际输出值与期望输出值的误差最小。这样确定了与最小误差对应的权值和阈值，增强了BP神经网络的鲁棒性[12]。根据损失函数梯度下降法，沿反向传播过程，梯度下降最大。
式（4）～（5）中：wi+1为更新后的权重系数;wi为当前权重系数;lr为迭代次数的学习率;为损失函数梯度。
1.3 预测模型验证
西安某公司办公楼，楼高20.65m，办公楼地上面积约6795.65m2，地下面积为1312.38m2，该办公楼的用电主要是中央空调系统、照明插座、动力和特殊用电。用电总耗能为259.64MW·h，其中中央空调系统占比49.32%、照明插座占比34.21%、动力占比11.23%和特殊用电占比5.24%，2020年1～8月的用电数据如表1所示，重点选取2020年6～8月的用电数据作为研究样本。建立起对于该建筑的能耗预测模型，选择6～7月的用电数据进行模型的训练，选择7～8月的数据进行模型的验证。文章中的模型设计是通过当天的气压、风速、温度、湿度进行当天建筑能耗的判断。文章研究所使用的软件是MATLAB。 2 结果与讨论
2.1 BP神经网络仿真结果
首先进行文章中模型所使用BP神经网络的仿真，其仿真结果如图3所示。
从图3中可以看出，在经过125次迭代之后，该BP神经网络的误差达到最低的目标值，说明该BP神经网络可以达到较好的准确性水平，训练后的BP神经网络其运行时间为0.0276s，该均方误差为0.0013，该均方误差的值越小说明BP神经网络的精度越高，说明该BP神经网络可以满足文章中高精度的需求。
2.2 BP神经网络预测结果
随机选取7月中某一天进行BP神经网络的大型建筑能耗预测，其预测结果如图4所示。
从图4中可以看出整体的用电量预测趋势基本一致，进行测试的日期属于工作日，所以在早晨7点中开始直至晚上10点用电量均呈较高状态，而在晚上10点至晚上12点过程中的用电量高于晚上12点至次日凌晨6点。这样的预测结果与实际的测量趋势也有较高的一致性。
随机选取7月一非工作日进行用电情况的预测，其预测结果如图5所示。
从图5的预测结果之中可以看出，BP神经网络对于整体的用电趋势还是能够较好的进行预测，从图5的结果中可以知道，在非工作日，整体的用电量相较于工作日有了非常大幅度的下滑，并且整体的用电量较为平稳，少有用电量非常高的情况，从上述的研究结果中可以看出，文章方法对于大型建筑用电量的预测是非常有效的，说明在今后智慧城市的发展中能够应用相应的方法进行能耗的监测。
3 结论
由于目前对于智慧城市节能减排控制方法的研究内容较少，文章通过结合云计算以及BP神经网络算法对智慧城市北京之下的大型建筑物能耗进行了监测。文章的研究结果显示，可以通过能耗监测模型得到某一时段建筑物的耗电量，凭借此数据可以得出该建筑物是否满足节能减排的标准，若不满足则需要通过其他的控制手段對建筑物的能耗情况进行控制，这便可以达到对能耗进行控制的目的。虽说文章研究取得了一定的成果但是文章研究仍旧存在一些不足之处，文章仅仅对某一大型建筑的耗电量进行了研究，相应获取的数据量较少，仅可以做智慧城市耗能监测基础参考，在面对整个城市的能耗监测时，文章所研究的方法可能会失效，因为城市的耗能监测需要获取更多的数据，文章中所研究的方法可能无法满足大数据情况之下的数据分析、数据计算以及数据存储，所以说今后还需要进行更多的实验以满足更高的城市能耗监测需求。
参考文献
[1]Andrea Caragliu，Chiara F.Del Bo.Smart innovative cities：The impact of Smart City policies on urban innovation[J].Technological Forecasting and Social Change，2019，142：373-383.
[2]李纲，李阳.智慧城市应急决策情报体系构建研究[J].中国图书馆学报，2016，42（3）：39-54.
[3]廖兴国，吴志群.测绘地理信息对促进智慧城市建设的作用探讨[J].科技视界，2019，13：101-102.
[4]郭中梅，朱常波，夏俊杰，等.“疫情大考”下的智慧城市未来发展思考[J].邮电设计技术， 2020（2）：5-8.
[5]Allam Zaheer，Newman Peter.Redefining the smart city：Culture， metabolism and governance[J]. Smart Cities， 2018，1（1）： 4-25.
[6]Pradip Kumar Sharma，Jong Hyuk Park.Blockchain based hybrid network architecture for the smart city[J].Future Generation Computer Systems，2018，86：650-655.
[7]Zhang Kuan，Ni Jianbing，Yang Kan，et al.Security and privacy in smart city applications： Challenges and solutions[J].IEEE Communications Magazine：Articles，News，and Events of Interest to Communications Engineers，2017，55（5）：122-129.
[8]李永先，栾旭伦，李森森.云计算技术在图书馆中的应用探讨[J].图书馆研究，2019，39（1）： 105-106.
[9]王斌锋，苏金树，陈琳.云计算数据中心网络设计综述[J].计算机研究与发展，2016，53（9）： 2085-2106.
[10]Aidong Hou，Shengli Jin，Harald Harmuth，et al.Thermal and Thermomechanical Responses Prediction of a Steel Ladle Using a Back-Propagation Artificial Neural Network Combining Multiple Orthogonal Arrays[J].steel research international，2019，90（7）：1900116.
[11]王健.基于BP神经网络的矿井输送机节能控制研究[J].内蒙古煤炭经济，2019（17）：4-5.
[12]乔维德.基于AHP与BP神经网络的电机系统节能评价[J].南通大学学报 （自然科学版）， 2017，16（03）： 20-26.
关键词：BP神经网络;云计算;智慧建筑;节能环保
中图分类号：TU201.5;TP391.44 文献标识码：A 文章编号：1001-5922（2021）10-0090-04
Energy Conservation and Emission Reduction and Its Management Control of Smart Buildings by Using Cloud Computing
Wang Zhenfeng， Xu Mingxia
（Shaanxi Institute of Technology， Xi an710300， China ）
Abstract：In recent years， smart city has attracted extensive attention， but there are few research data on energy conservation and emission reduction of smart city， so energy conservation and emission reduction and its management of smart city are analyzed. Back propagation （BP） neural network is used to predict the power consumption of large buildings in smart city. By predicting the power consumption， whether the energy consumption of buildings is reasonable can be assessed， so as to make further management. First， the overall data processing system is defined by using cloud computing， and the overall data are stored and calculated by cloud computing. Then， the BP neural network model is specified to establish an energy consumption prediction model of large buildings， and the obtained data are adopted for training and testing of the model. The training results of the model indicate that after 125 iterations， the error of the model reaches its minimum value. The test results of the model suggest that the model can predict energy consumption accurately， and the overall prediction trend is consistent with the actual detected value. Thus， the model designed in this paper can achieve the purpose of tracking building energy consumption， and can provide a certain theoretical basis for smart city energy saving and emission reduction as well as its management and control.
Key words：BP neural network; cloud computing; Intelligent building;energy conservation and environmental protection
0 引言
近年來，智慧城市的概念受到了广泛的支持，智慧城市引起了科学界和工业界的广泛关注和兴趣，世界各地涌现出越来越多的国际案例[1-2]。然而，尽管智慧城市在应对近期的城市相关问题时可以发挥重要作用，但由于无法充分发挥其潜力以及被大量厂商炒作而受到批评[3]。过去几年中，智慧城市政策吸引了大量相关的关注和资金[4]。尽管现在看来可以得出这样的结论，智慧城市对城市经济增长产生积极影响的时机已经成熟，但是从这种影响的微观基础来看，情况还不是十分清楚。 Allam 和 Newman（2018）研究提供了有关智慧城市的性质，挑战和机遇的文献综述，根据文化，新陈代谢和治理的维度，提出了一个新的智慧城市框架，这些发现旨在为决策者提供关于智慧城市范式的另一种观点，这种观点主要是注重智慧城市的建设成果，不以技术作为研究方向[5]。近几年，随着中国物联网技术，尤其是5G技术的快速发展，“智慧城市”的建设也成为了可能。Sharma 和Park（2018）提出了智慧建筑的混合网络构架技术，通过对网络和区块链的结合做对比分析，验证智慧城市建筑模型的使用性能和建设可行性，本论文对智慧建筑能耗预测模型进行了仿真模拟，结合不同的性能指标对比实际，来验证建筑节能情况[6]。Zhang等（2017）介绍了有前途的智慧城市应用程序和体系结构，讨论了这些应用程序中的一些安全性和隐私挑战[7]。从上述对于智慧城市的当前研究方向中可以看出，对于智慧城市，各大学者的研究仍在如何进行智慧城市的构建部分，而文章则从新的角度也就是智慧城市节能减排的角度进行有关于智慧城市的研究，并且将引入云计算进行研究。
1 研究方法
1.1 云计算数据中心
云计算是一种典型的数据处理方法，能够提供数据储存、计算等复杂功能[8，9]。在文章中，也就是说在智慧城市的背景之下，是需要通过云计算技术进行智慧城市能耗的监测，而在文章中仅对大型建筑的能耗进行监测与分析。在本文的大型建筑能耗监测系统中将云计算数据中心分为云计算信息服务层，云计算基础平台层以及虚拟化基础设施层。
云计算信息服务层也就是进行整体大型建筑的能耗评估与分析，判断此大型建筑的节能情况，并且需要通过一定的控制手段控制大型建筑的能耗。在云计算基础平台层也就是进行整体数据的管理，而虚拟化基础设施层便是对于大型建筑系统的模拟。
1.2 神经网络下的建筑能耗预测
神经网络算法是目前被广泛应用的算法之一，由于其具有自学习的能力，大量的研究均争先将此方法引入自身的研究领域中，争取能够以更快的速度以及更加优异的精度完成实验或是研究。此种神经网络的方法是模仿人脑的思考过程从而被开发出来的，对于人脑来说，需要首先得到外界的信号并且所有的神经元以及神经突触将所接受到的信号传至人脑，由人脑对相应的信号进行分析、处理。与人脑一致的是神经网络方法也是通过将各个模块分開，各个模块完成属于自身的工作，这样的方法能够大大提升整体算法的计算效率，能够用更短的时间分析更多的数据，并且能够根据不同的数据进行自学习，得到更加符合目标要求的神经网络模型。而BP神经网络是神经网络的一种，属于反向传播的多层前馈神经网络。它由3层结构组成，包括输入层、隐式层和输出层。其结构示意图如图1所示。
由图1可以看出，BP神经网络的每一层由n个神经元组成，各层之间相互连接。但是这层中的神经元是没有连接的。神经网络算法的由误差和信息两个正反向传播过程来实现，其中信息是正向传播，误差是反向传播[10]。具体流程如图2所示。
BP人工神经网络是由正向传播以及反向传播两个过程所组成：正向传播过程是信息传播的主要过程，需要输入的信息，在开始阶段是进入输入层，通过输入层后进入隐含层，最后将信息输入到输出层。在整个过程中，每一次的结果只会对下一层的状态有影响，当输出层的输出结果与所期望的结果有所不符时，则转入反向传播过程。反向传播过程的处理过程为：输出误差—各隐含层—输入层。该处理过程是输出误差反传回去，并且分别传送给隐含层单元，通过隐含层单元分析得出各层单元的误差，通过这些误差的分析，进而修正各部分单元的权值。正向传播过程和反向传播过程相互结合，便完成了一次学习迭代，BP网络就是多次重复这种迭代直到达到预设的学习次数或是满足误差要求。
在正向传播过程中，输入对象被分成n个输入向量，w为权系数，b为偏置向量。对输入向量x进行线性运算，运算函数如式（1）[11]：
式（1）中，zi为第i层神经元的输出。win为第n个神经元的权系数。b是偏差向量，偏差向量需从输入层开始，逐层计算，一直到最后输出结果。BP神经网络通常使用sigmoid函数作为神经元内层的激活函数，以提高算法的表达能力，sigmoid函数g（zi）的表达式如式（2）：
式（2）函数的定义域均为实数集合，范围为[0，1]。在最后一个隐含层输出结果后，交叉熵损失函数计算输出的损失。通过交叉熵损失函数的输出损失值，与建筑能耗预测模型的预测输出值与建筑工程实际值的差值做对比，以此来判断建筑能耗预测模型的预测效果。损失函数可以表示为：
式（3）中，y为实际产值。当损失值过大时，参数更新更快;否则，参数更新会慢一些。
在误差反向传播过程中，损失函数梯度由输出层向后传播到隐含层，损失值分布到每层神经元。通过连续迭代，更新层间的参数，使实际输出值与期望输出值的误差最小。这样确定了与最小误差对应的权值和阈值，增强了BP神经网络的鲁棒性[12]。根据损失函数梯度下降法，沿反向传播过程，梯度下降最大。
式（4）～（5）中：wi+1为更新后的权重系数;wi为当前权重系数;lr为迭代次数的学习率;为损失函数梯度。
1.3 预测模型验证
西安某公司办公楼，楼高20.65m，办公楼地上面积约6795.65m2，地下面积为1312.38m2，该办公楼的用电主要是中央空调系统、照明插座、动力和特殊用电。用电总耗能为259.64MW·h，其中中央空调系统占比49.32%、照明插座占比34.21%、动力占比11.23%和特殊用电占比5.24%，2020年1～8月的用电数据如表1所示，重点选取2020年6～8月的用电数据作为研究样本。建立起对于该建筑的能耗预测模型，选择6～7月的用电数据进行模型的训练，选择7～8月的数据进行模型的验证。文章中的模型设计是通过当天的气压、风速、温度、湿度进行当天建筑能耗的判断。文章研究所使用的软件是MATLAB。 2 结果与讨论
2.1 BP神经网络仿真结果
首先进行文章中模型所使用BP神经网络的仿真，其仿真结果如图3所示。
从图3中可以看出，在经过125次迭代之后，该BP神经网络的误差达到最低的目标值，说明该BP神经网络可以达到较好的准确性水平，训练后的BP神经网络其运行时间为0.0276s，该均方误差为0.0013，该均方误差的值越小说明BP神经网络的精度越高，说明该BP神经网络可以满足文章中高精度的需求。
2.2 BP神经网络预测结果
随机选取7月中某一天进行BP神经网络的大型建筑能耗预测，其预测结果如图4所示。
从图4中可以看出整体的用电量预测趋势基本一致，进行测试的日期属于工作日，所以在早晨7点中开始直至晚上10点用电量均呈较高状态，而在晚上10点至晚上12点过程中的用电量高于晚上12点至次日凌晨6点。这样的预测结果与实际的测量趋势也有较高的一致性。
随机选取7月一非工作日进行用电情况的预测，其预测结果如图5所示。
从图5的预测结果之中可以看出，BP神经网络对于整体的用电趋势还是能够较好的进行预测，从图5的结果中可以知道，在非工作日，整体的用电量相较于工作日有了非常大幅度的下滑，并且整体的用电量较为平稳，少有用电量非常高的情况，从上述的研究结果中可以看出，文章方法对于大型建筑用电量的预测是非常有效的，说明在今后智慧城市的发展中能够应用相应的方法进行能耗的监测。
3 结论
由于目前对于智慧城市节能减排控制方法的研究内容较少，文章通过结合云计算以及BP神经网络算法对智慧城市北京之下的大型建筑物能耗进行了监测。文章的研究结果显示，可以通过能耗监测模型得到某一时段建筑物的耗电量，凭借此数据可以得出该建筑物是否满足节能减排的标准，若不满足则需要通过其他的控制手段對建筑物的能耗情况进行控制，这便可以达到对能耗进行控制的目的。虽说文章研究取得了一定的成果但是文章研究仍旧存在一些不足之处，文章仅仅对某一大型建筑的耗电量进行了研究，相应获取的数据量较少，仅可以做智慧城市耗能监测基础参考，在面对整个城市的能耗监测时，文章所研究的方法可能会失效，因为城市的耗能监测需要获取更多的数据，文章中所研究的方法可能无法满足大数据情况之下的数据分析、数据计算以及数据存储，所以说今后还需要进行更多的实验以满足更高的城市能耗监测需求。
参考文献
[1]Andrea Caragliu，Chiara F.Del Bo.Smart innovative cities：The impact of Smart City policies on urban innovation[J].Technological Forecasting and Social Change，2019，142：373-383.
[2]李纲，李阳.智慧城市应急决策情报体系构建研究[J].中国图书馆学报，2016，42（3）：39-54.
[3]廖兴国，吴志群.测绘地理信息对促进智慧城市建设的作用探讨[J].科技视界，2019，13：101-102.
[4]郭中梅，朱常波，夏俊杰，等.“疫情大考”下的智慧城市未来发展思考[J].邮电设计技术， 2020（2）：5-8.
[5]Allam Zaheer，Newman Peter.Redefining the smart city：Culture， metabolism and governance[J]. Smart Cities， 2018，1（1）： 4-25.
[6]Pradip Kumar Sharma，Jong Hyuk Park.Blockchain based hybrid network architecture for the smart city[J].Future Generation Computer Systems，2018，86：650-655.
[7]Zhang Kuan，Ni Jianbing，Yang Kan，et al.Security and privacy in smart city applications： Challenges and solutions[J].IEEE Communications Magazine：Articles，News，and Events of Interest to Communications Engineers，2017，55（5）：122-129.
[8]李永先，栾旭伦，李森森.云计算技术在图书馆中的应用探讨[J].图书馆研究，2019，39（1）： 105-106.
[9]王斌锋，苏金树，陈琳.云计算数据中心网络设计综述[J].计算机研究与发展，2016，53（9）： 2085-2106.
[10]Aidong Hou，Shengli Jin，Harald Harmuth，et al.Thermal and Thermomechanical Responses Prediction of a Steel Ladle Using a Back-Propagation Artificial Neural Network Combining Multiple Orthogonal Arrays[J].steel research international，2019，90（7）：1900116.
[11]王健.基于BP神经网络的矿井输送机节能控制研究[J].内蒙古煤炭经济，2019（17）：4-5.
[12]乔维德.基于AHP与BP神经网络的电机系统节能评价[J].南通大学学报 （自然科学版）， 2017，16（03）： 20-26.