基于改进CGWO-SVM算法的建筑能耗预测模型研究

建筑能耗预测能够反映建筑内部各分项能源消耗系统是否存在降耗空间,从而为节能减排工作提供指导。为了提高建筑能耗预测精度,提出了一种基于改进混沌灰狼优化-支持向量机(CGWO-SVM)算法的建筑能耗预测模型。针对传统灰狼优化(GWO)算法过早收敛和易于陷入局部最优解的问题,采用Tent混沌序列初始化种群、控制参数随机动态调整策略来平衡搜索能力。通过Cauchy变异操作降低算法陷入局部最优的概率,提出了改进CGWO。通过仿真测试,证明了CGWO算法在求解精度和稳定性方面优于GWO算法。利用该算法优化支持向量机(SVM),建立CGWO-SVM建筑能耗预测模型。采用实际建筑能耗数据进行测试。测试结果表明,CGWO-SVM算法的预测性能优于其他模型。CGWO-SVM算法可用于建筑能耗预测工作,具有较强的实际应用价值。

基于Seq-GRU的建筑能耗预测方法研究

预测建筑能耗常用物理模型方法和机器学习方法,针对这两种方法存在数据获取难度大与大规模建筑能耗数据下预测精度不高的问题,提出了一种基于Seq-GRU的建筑能耗预测方法。通过构建Seq-GRU深度学习模型,使用历史建筑能耗数据对其进行训练,重点研究建筑能耗数据不同特征对预测结果的非线性关系。Seq-GRU使用GRU构建Seq2Seq模型,预测一段时间内的建筑能耗数据,并通过引入注意力机制等方法提高模型的预测精度和速率。实验结果表明,基于Seq-GRU的建筑能耗预测方法可以获取较好的建筑能耗数据。

小数据场景下基于迁移学习与BiLSTM的建筑能耗预测方法

针对由新建建筑或建筑节能改造能耗数据不足引起的深度学习网络预测精度低的问题,提出一种基于迁移学习与BiLSTM(双向长短期记忆网络)的新建建筑能耗预测方法。首先采用MMD(最大均值差异)对源域建筑与目标域建筑的历史数据进行相似度分析;然后利用相似建筑的历史数据对BiLSTM进行预训练;最后微调BiLSTM对目标域建筑进行预测。使用真实的建筑能耗数据进行实验,结果表明,与其他预测模型相比,所提出方法显著提高了能耗预测精度。

机器学习方法在建筑能耗预测中的应用研究

为了减少建筑对能源的过多消耗,通过对建筑能耗数据进行数据挖掘,提出了使用机器学习的方法对建筑能耗数据进行预测分析。首先对建筑能耗数据中的自变因素和从变因素进行相关性分析;然后进行数据归一化;接下来使用KNN、决策树、AdaBoost和随机森林这四种机器学习方法进行能耗预测。在实验过程中,使用交叉验证的技术,分别对四种算法计算了MAE、MRE、MSE、RMSE四种评价函数。最后将四种方法所得的结果做了比较。实验结果显示随机森林算法表现出最好的效果。

基于改进的LSTM模型的建筑能耗预测

通过对现有建筑能耗预测模型的分析,本文提出了一个能够用于建筑能耗预测的深度学习框架.该框架以间隔记录预先确定的能耗数据为基础,首先利用相关系数法分析特征的相关性并进行特征选择,其次利用注意力机制对数据的不同特征赋予不同的权重,最后利用改进的长短时记忆网络对时间序列数据中的时间信息建模来处理长时间依赖性.实验结果表明,在上海建筑运行能耗公开数据集上,与PCC-ATT-LSTM、LSTM、PCC-LSTM、ATT-LSTM进行比较,本文提出的模型能够很好地用于建筑能耗预测,具有较高的效率及适用性.

一种基于迁移深度强化学习的建筑能耗预测方法

建筑能耗在我国总能耗中占比超过了35%。建筑能耗预测是能源科学管理、高效节能、低碳绿色发展的重要课题。但建筑能耗数据的成因复杂、独立同分布性弱、目标域样本不足,导致现有预测模型泛化性不足。由此提出了一种基于迁移深度强化学习的建筑能耗预测方法,充分利用隐藏层结构模型迁移共享建筑能耗的有用信息,通过堆叠去噪自动编码器挖掘建筑能耗中深层特征,结合强化学习Q-Learning方法进行建筑能耗建模。为了验证方法性能,采用了美国加利福尼亚州弗里蒙特的零售建筑真实能耗数据,与Q-Learning、ADE-BPNN、BP-Adaboost进行了比较,所提方法在MSE、RMSE、MAE、MAPE方面分别比上述三种方法的平均值降低了25.9%、13.1%、23.7%、19.3%,有效提高了建筑能耗预测的精度。

基于样本集质量的建筑能耗预测机器学习算法选择及参数设置

使用机器学习算法对建筑能耗进行预测正逐渐成为建筑设计初期重要的决策辅助工具,机器学习算法的选择及其参数设置一直是机器学习领域研究的热点和难点。但现有研究大多从算法原理角度进行预测模型的选择及参数设置,训练样本集的特征信息未得到充分利用。为此,提出一种以样本量及样本分布特征为出发点的样本集质量分类方法,针对不同质量样本集测试不同机器学习算法的学习性能,制定不同质量样本集的算法选择及参数设置策略。分析样本特征与算法性能之间的关系,为建筑设计提供有效指导。

基于Q-Learning算法的建筑能耗预测

提出一种基于Q-learning算法的建筑能耗预测方法.通过将建筑能耗预测问题建模为一个标准的马尔科夫决策过程,利用深度置信网对建筑能耗进行状态建模,结合Q-learning算法,实现对建筑能耗的实时预测.通过美国巴尔的摩燃气和电力公司公开的建筑能耗数据进行测试实验,结果表明,基于本文所提出的模型,利用Qlearning算法可以实现对建筑能耗的有效预测,并在此基础上,基于深度置信网的Q-learning算法具有更高的预测精度.此外,实验部分还进一步验证了算法中相关参数对实验性能的影响.

ARIMA-BP复合模型在建筑能耗预测中的应用研究

建筑的能耗受到如季节、建筑的构造结构等多种因素的影响,目前对一栋建筑楼实现能耗预测往往采用单一模型,往往无法得到相对准确的结果.为了更好地描述建筑能耗规律,以南方某地为研究区域提出一种基于ARIMA和BP神经网络的复合模型,模型的实例数据来源为南方某地某市政办公楼近两年的能耗月数据.首先,通过ARIMA建模得到能耗值的拟合误差序列,再用BP模型修正误差值得到最终预测值.结果表明:复合预测模型的平均相对误差为0.278 3%,而单一模型则高达2.657 8%,复合模型的预测效果远优于单一模型,为准确实现建筑节能提出了一种新思路.

基于LightGBM-LSTM组合模型的商业建筑能耗预测

准确预测商业建筑能耗使用对于能源节约具有十分重要的意义。在分析基于决策树算法的模型和长短期记忆网络(LSTM)特性的基础上,依据某商业建筑历史能耗序列数据,构建一种预测短期能耗的LightGBM-LSTM模型。LightGBM对多特征数据处理优秀,它是对梯度提升树(GBDT)的优化策略,使用了互斥特征打包(MEF)算法进行特征合并。LSTM对时间序列数据适用性高。组合模型结合两种模型特点,通过权重组合预测数据。将组合模型与LightGBM、LSTM单项模型、其他常用模型做对比实验,实验结果验证了LightGBM-LSTM模型在建筑能耗预测中具有更高的准确性。

融合注意力机制与LSTM的建筑能耗预测模型研究

建筑能耗预测是实现建筑节能和控制的前提,也是未来电网需求响应和实时平衡的重要条件。为提高建筑能耗预测精度,针对建筑能耗序列的复杂性和长期依赖性,提出一种结合LSTM神经网络和注意力机制的建筑能耗预测模型。首先采用距离相关系数来确定环境特征,然后构建LSTM模型,通过网格搜索确定模型超参数。在LSTM模型的基础上加入Attention机制,突出关键时间节点包含的建筑能耗特征对预测结果的影响。在实际用户电能数据集上进行验证,结果表明在小时和日能耗数据集上,预测效果均优于LSTM、GRU模型和其他传统机器学习模型。Attention-LSTM建筑能耗预测模型能够捕捉到历史序列关键时间节点的特征信息,避免了传统循环神经网络无法识别重要信息节点的局限性,能更好地反映建筑能耗的变化趋势。

建筑能耗预测方法综述

建筑的能源消耗情况被很多因素影响,例如天气环境情况,建筑结构和特点,子组件的性能,例如照明和空调通风系统,入住率和他们的住户的行为。这些复杂的情况使准确的预测建筑能耗变得很困难。本文综述了关于建模和建筑能耗预测的最近的工作。这些方法包括工程、统计和人工智能的方法。

基于CNN-RNN组合模型的办公建筑能耗预测

为准确反映办公建筑的运行特性,利用卷积神经网络(CNN)良好的特征提取能力与循环神经网络(RNN)良好的时序学习能力,提出用于预测办公建筑能耗的CNN-RNN组合模型,并对应设计了适用于深度学习模型的二维矩阵数据输入结构.案例分析结果表明,相较于简单循环神经网络和长短期记忆网络,CNN-RNN组合模型的预测精度与计算效率均显著提升,模型泛化性好.

自适应序列生成的建筑能耗预测

提出一种基于强化学习的生成对抗网络(Reinforcement learning-based Generative Adversarial Networks, ReGAN)能耗预测方法.该算法将强化学习与生成对抗网络相结合,将GAN (Generative Adversarial Nets)中的生成器以及判别器分别构建为强化学习中Agent (生成器)以及奖赏函数.在训练过程中,将当前的真实能耗序列作为Agent的输入状态,构建一组固定长度的生成序列,结合判别器及蒙特卡洛搜索方法进一步构建当前序列的奖赏函数,并以此作为真实样本序列后续第一个能耗值的奖赏.在此基础之上,构建关于奖赏的目标函数,并求解最优参数.最后使用所提算法对唐宁街综合大楼公开的建筑能耗数据进行预测试验,实验结果表明,所提算法比多层感知机、门控循环神经网络和卷积神经网络具有更高的预测精度.

基于CFD仿真和SVM算法的建筑能耗预测系统

为了在不同环境条件下对建筑能耗进行较为准确的预测,文中提出一种基于计算流体动力学(CFD)仿真和支持向量机(SVM)算法的建筑能耗预测系统。首先利用CFD方法建立三维建筑模型并进行仿真,获得若干输入输出样本;然后将得到的样本按3∶1的比例分为训练集和测试集,利用SVM算法对训练集样本进行学习训练,获得一个能耗预测模型;最后将测试集样本放入该模型中,对模型的准确性进行验证。结果表明:SVM能耗预测模型的结果与仿真结果相比,误差百分比在[-1.133%,1.132%];经过实际建筑模型测试,实物测试能耗值与预测能耗值误差百分比在[-6.211%,8.118%]。当环境条件改变时实物测试能耗值和预测能耗值变化趋势一致。与现有一些预测模型相比,文中预测模型使用的SVM算法不需要太多的训练样本,且结合CFD仿真方法,能够使建筑能耗预测结果具有较高的准确性。

基于LSTM网络的建筑能耗预测方法

针对目前建筑能耗预测方法难以同时兼顾能耗数据时序性和非线性的问题,提出一种基于长短期记忆网络(Long Short-Term Memory,LSTM)的预测方法。首先,通过平均值填充的方式对历史数据中的空值以及离群值进行处理,并进行归一化操作,完成对数据的预处理步骤;然后,对处理好的数据进行转换,将时间序列问题转换为监督学习问题,从而得到样本数据,用于模型的训练与验证;最后,基于长短期记忆网络算法,构建能耗预测模型。实验结果表明,该方法能够有效地进行能耗预测,此外,与BP神经网络算法比较,该方法具有更高的预测精度。

基于改进GWO-BP的办公建筑能耗预测模型

建筑能耗数据分析是智慧城市发展研究的一个重要分支。传统的建筑能耗预测神经网络模型存在拟合精度低、预测结果不精确等问题。因此,提出了基于改进GWO-BP神经网络的建筑能耗综合预测模型。首先对GWO算法的原始收敛因子进行降低,使优化保持较快的收敛速度,在后期对其增加,以扩大优化范围,完成GWO算法的改进;其次利用改进GWO算法对BP算法的权重和阈值进行优化完成改进GWO-BP算法的计算过程。实验结果表明,所提改进GWO-BP算法与BP算法相比,样本预测精度指标均方根误差(RMSPE)降低了27%,与传统GWO-BP算法相比降低了7%。该模型具有较强的泛化能力和较好的预测精度和可靠性,完全可以满足实际工程的需要。

基于非线性特征工程的短期建筑能耗预测方法

建筑自动化技术的广泛应用产生了大量的建筑运行数据。这类数据存在复杂的非线性关系、噪音多、冗余度高,因此建模分析难度较大。采用近100组不同类型建筑的实测数据为研究对象,对其短期能耗进行预测分析,进而形成具有普适性的预测方法。针对整体预测过程,设计了特征工程和预测模型建立两方面内容。在特征工程方面,研究了基于主成分分析和卷积自编码器的线性和非线性特征工程方法。在预测模型建立方面,比较了传统的线性回归、极度梯度提升决策树和神经网络算法。通过分析近100组不同类型建筑的实测数据,量化了相关方法在短期建筑能耗预测中有效性和可靠性。实验结果表明,基于一维卷积自编码器的特征工程方法可以有效提升模型的泛化性能,同时也可加快模型的收敛速度。

深度信念网络在建筑能耗预测领域的应用研究

本文以河南省某办公建筑夏季制冷季的能耗数据为研究对象,建立了基于深度信念网络的建筑空调能耗预测模型,针对原始数据中存在的不合理数据,分别采用时间序列分解法和箱线图法进行异常值检测,提出了一种对深度信念网络模型参数进行优化的选择策略,采取实验和经验相结合的方法确定预测模型的最佳隐藏层层数和隐藏层节点数,然后采用布谷鸟搜索算法对预测模型中的核参数g和惩罚因子C进行寻优,得到模型最优参数。结果表明,优化后模型的平均绝对误差由1.72下降到1.05,优化效果显著。

基于支持向量机的建筑能耗预测研究

建筑能耗预测对建筑节能工作具有重要意义,本文采用支持向量机算法对建筑进行能耗预测,并对建立的能耗模型进行了优化。通过相关性分析选取特征向量,然后对变量重要性进行排序,选取最优变量,采用十折交叉验证和网格搜索法进行参数寻优。结果表明,优化后的支持向量机模型的均方根误差由之前的12.61 降为6.09,优化结果显著,能较好地进行建筑能耗预测工作。