期刊导航
期刊开放获取
河南省图书馆
退出
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
3
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式:
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于XGBoost-神经网络的建筑负荷预测模型构建
1
作者
魏东
杨洁婷
+1 位作者
韩少然
朱准
《科学技术与工程》
北大核心
2023年第29期12604-12611,共8页
针对建筑负荷预测模型特征选择工作量大、泛化能力提升难的问题,提出一种基于极限梯度提升(extreme gradient boosting,XGBoost)-神经网络的建筑负荷特征筛选及预测方法,利用XGBoost算法训练滤波处理后的数据,基于平均绝对误差百分比(me...
针对建筑负荷预测模型特征选择工作量大、泛化能力提升难的问题,提出一种基于极限梯度提升(extreme gradient boosting,XGBoost)-神经网络的建筑负荷特征筛选及预测方法,利用XGBoost算法训练滤波处理后的数据,基于平均绝对误差百分比(mean absolute percentage error,MAPE)确定最优特征子集,以改善模型精度和泛化能力;采用贝叶斯正则化算法训练前馈神经网络,以便能够在训练优化过程中降低网络结构复杂性,从而避免网络过拟合,进一步提升其泛化能力。针对某商业建筑的负荷预测实验结果表明,特征筛选后较筛选前模型均方误差(mean squared error,MSE)降低43.29%,有效提高了模型预测精度;分别以贝叶斯正则化和Levenberg-Marquardt(L-M)算法对神经网络进行训练,前者5次试验均方根误差(root mean squared error,RMSE)和MAPE平均值较后者分别降低87.08%、85.33%,预测模型泛化能力得到有效提升。
展开更多
关键词
负荷预测
XGBoost
特征筛选
神经网络
下载PDF
职称材料
数据中心制冷系统非线性模型预测控制
2
作者
魏东
韩少然
+4 位作者
冉义兵
李白玉
石艳彩
肖志铭
赵若辰
《控制与决策》
EI
CSCD
北大核心
2024年第4期1240-1250,共11页
数据中心制冷系统具有非线性、强耦合和大滞后特性,目前常用的PID方法无法实现系统整体能效提升,而现有非线性优化算法计算量大,不易工程实现.鉴于此,提出一种数据中心制冷系统模型预测控制策略,上层优化层设计预测控制器,其目标为在满...
数据中心制冷系统具有非线性、强耦合和大滞后特性,目前常用的PID方法无法实现系统整体能效提升,而现有非线性优化算法计算量大,不易工程实现.鉴于此,提出一种数据中心制冷系统模型预测控制策略,上层优化层设计预测控制器,其目标为在满足制冷要求的前提下降低系统能耗,优化层采用神经网络作为反馈控制器,将系统整体优化目标函数作为神经网络控制器优化性能指标,结合变分法与随机梯度下降法,通过滚动优化求取下层各回路被控变量最优设定值,算法占用存储区适中、计算量小;下层现场控制层通过实时控制使各回路被控变量跟踪最优设定值,可以在不破坏原有现场控制系统的情况下实现性能优化.构建Trnsys-Matlab联合仿真平台,针对系统夏季、过渡季和冬季的控制策略进行仿真实验.结果表明,所提出控制策略能够在满足数据中心安全运行的前提下,实现系统整体能效提升,且具有良好的鲁棒性.
展开更多
关键词
模型预测控制
非线性控制
数据中心
原文传递
基于Stacking模型的数据中心能效指标预测
3
作者
魏东
卢鸿健
韩少然
《低温与超导》
CAS
北大核心
2024年第5期63-71,共9页
提出一种基于Stacking集成学习的数据中心制冷系统能效指标预测模型。分别以XGboost、RF、SVR算法建立能效指标基模型,并采用线性回归法构建元模型;分别组合不同堆叠结构,使用K折交叉验证和基于网格搜索法的超参数优化增强模型性能;并...
提出一种基于Stacking集成学习的数据中心制冷系统能效指标预测模型。分别以XGboost、RF、SVR算法建立能效指标基模型,并采用线性回归法构建元模型;分别组合不同堆叠结构,使用K折交叉验证和基于网格搜索法的超参数优化增强模型性能;并引入期望误差百分比(EEP)、平均偏移误差(MBE)及决定系数(R2)三项评价指标检验模型性能。针对北京市某数据中心制冷系统的建模实验表明,所提出的XGboost+RF结构堆叠模型与单一模型相比,各项性能指标提升约5%~19%。
展开更多
关键词
数据中心
制冷系统
预测模型
Stacking集成学习
能效指标
原文传递
题名
基于XGBoost-神经网络的建筑负荷预测模型构建
1
作者
魏东
杨洁婷
韩少然
朱准
机构
北京建筑大学电气与信息工程学院
建筑大数据智能处理方法研究北京市重点实验室
北京京诚瑞达电气工程技术有限公司
北京城建设计发展集团股份有限公司
出处
《科学技术与工程》
北大核心
2023年第29期12604-12611,共8页
基金
北京市属高校高水平创新团队建设计划(IDHT20190506)
住房城乡建设部科学技术项目(研究开发项目)(2019-K-120)
北京建筑大学高级主讲教师培育计划(GJZJ20220803)。
文摘
针对建筑负荷预测模型特征选择工作量大、泛化能力提升难的问题,提出一种基于极限梯度提升(extreme gradient boosting,XGBoost)-神经网络的建筑负荷特征筛选及预测方法,利用XGBoost算法训练滤波处理后的数据,基于平均绝对误差百分比(mean absolute percentage error,MAPE)确定最优特征子集,以改善模型精度和泛化能力;采用贝叶斯正则化算法训练前馈神经网络,以便能够在训练优化过程中降低网络结构复杂性,从而避免网络过拟合,进一步提升其泛化能力。针对某商业建筑的负荷预测实验结果表明,特征筛选后较筛选前模型均方误差(mean squared error,MSE)降低43.29%,有效提高了模型预测精度;分别以贝叶斯正则化和Levenberg-Marquardt(L-M)算法对神经网络进行训练,前者5次试验均方根误差(root mean squared error,RMSE)和MAPE平均值较后者分别降低87.08%、85.33%,预测模型泛化能力得到有效提升。
关键词
负荷预测
XGBoost
特征筛选
神经网络
Keywords
load prediction
XGBoost
feature selection
neural networks
分类号
TP181 [自动化与计算机技术—控制理论与控制工程]
下载PDF
职称材料
题名
数据中心制冷系统非线性模型预测控制
2
作者
魏东
韩少然
冉义兵
李白玉
石艳彩
肖志铭
赵若辰
机构
北京建筑大学电气与信息工程学院
建筑大数据智能处理方法研究北京市重点实验室
中冶京诚工程技术有限公司
西门子(中国)有限公司
北京市市政工程设计研究总院有限公司
山东合创安华智能科技有限公司
出处
《控制与决策》
EI
CSCD
北大核心
2024年第4期1240-1250,共11页
基金
北京市属高校高水平创新团队建设计划项目(IDHT20190506)
住房城乡建设部科学技术项目(研究开发项目)(2019-K-120)
北京建筑大学高级主讲教师培育计划项目(GJZJ20220803)。
文摘
数据中心制冷系统具有非线性、强耦合和大滞后特性,目前常用的PID方法无法实现系统整体能效提升,而现有非线性优化算法计算量大,不易工程实现.鉴于此,提出一种数据中心制冷系统模型预测控制策略,上层优化层设计预测控制器,其目标为在满足制冷要求的前提下降低系统能耗,优化层采用神经网络作为反馈控制器,将系统整体优化目标函数作为神经网络控制器优化性能指标,结合变分法与随机梯度下降法,通过滚动优化求取下层各回路被控变量最优设定值,算法占用存储区适中、计算量小;下层现场控制层通过实时控制使各回路被控变量跟踪最优设定值,可以在不破坏原有现场控制系统的情况下实现性能优化.构建Trnsys-Matlab联合仿真平台,针对系统夏季、过渡季和冬季的控制策略进行仿真实验.结果表明,所提出控制策略能够在满足数据中心安全运行的前提下,实现系统整体能效提升,且具有良好的鲁棒性.
关键词
模型预测控制
非线性控制
数据中心
Keywords
model predictive control
non-linear system
data center
分类号
TP273 [自动化与计算机技术—检测技术与自动化装置]
原文传递
题名
基于Stacking模型的数据中心能效指标预测
3
作者
魏东
卢鸿健
韩少然
机构
北京建筑大学电气与信息工程学院
建筑大数据智能处理方法研究北京市重点实验室
北京京诚瑞达电气工程技术有限公司
出处
《低温与超导》
CAS
北大核心
2024年第5期63-71,共9页
基金
国家自然科学基金(62371032)
北京市自然科学基金(4232021)
住房城乡建设部科学技术项目(2019-K-149)资助。
文摘
提出一种基于Stacking集成学习的数据中心制冷系统能效指标预测模型。分别以XGboost、RF、SVR算法建立能效指标基模型,并采用线性回归法构建元模型;分别组合不同堆叠结构,使用K折交叉验证和基于网格搜索法的超参数优化增强模型性能;并引入期望误差百分比(EEP)、平均偏移误差(MBE)及决定系数(R2)三项评价指标检验模型性能。针对北京市某数据中心制冷系统的建模实验表明,所提出的XGboost+RF结构堆叠模型与单一模型相比,各项性能指标提升约5%~19%。
关键词
数据中心
制冷系统
预测模型
Stacking集成学习
能效指标
Keywords
Data center
Cooling system
Predictive mode
Integrated learning
Power usage effectiveness
分类号
TP181 [自动化与计算机技术—控制理论与控制工程]
TU111.195 [建筑科学—建筑理论]
TU831 [建筑科学—供热、供燃气、通风及空调工程]
原文传递
题名
作者
出处
发文年
被引量
操作
1
基于XGBoost-神经网络的建筑负荷预测模型构建
魏东
杨洁婷
韩少然
朱准
《科学技术与工程》
北大核心
2023
0
下载PDF
职称材料
2
数据中心制冷系统非线性模型预测控制
魏东
韩少然
冉义兵
李白玉
石艳彩
肖志铭
赵若辰
《控制与决策》
EI
CSCD
北大核心
2024
0
原文传递
3
基于Stacking模型的数据中心能效指标预测
魏东
卢鸿健
韩少然
《低温与超导》
CAS
北大核心
2024
0
原文传递
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部