CN105719028A - 一种基于多因素混沌支持向量机的空调负荷动态预测方法 - Google Patents
一种基于多因素混沌支持向量机的空调负荷动态预测方法 Download PDFInfo
- Publication number
- CN105719028A CN105719028A CN201610131656.6A CN201610131656A CN105719028A CN 105719028 A CN105719028 A CN 105719028A CN 201610131656 A CN201610131656 A CN 201610131656A CN 105719028 A CN105719028 A CN 105719028A
- Authority
- CN
- China
- Prior art keywords
- load
- chaos
- vector machine
- phase space
- support vector
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/08—Computing arrangements based on specific mathematical models using chaos models or non-linear system models
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P80/00—Climate change mitigation technologies for sector-wide applications
- Y02P80/10—Efficient use of energy, e.g. using compressed air or pressurized fluid as energy carrier
- Y02P80/15—On-site combined power, heat or cool generation or distribution, e.g. combined heat and power [CHP] supply
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Abstract
本发明公开了一种基于多因素混沌支持向量机的空调负荷动态预测方法,针对蓄冷空调系统、冷热电三联供空调系统、太阳能空调系统等复杂建筑能源系统,通过对历史负荷序列进行相空间重构,并考虑空调负荷的内在因素,基于支持向量机技术对空调动态负荷进行准确的短期预测。其技术方案为:首先建立以室外温度、相对湿度、太阳辐射强度等气象因素和冷冻水温度为主的训练样本集;采用人工智能方法优化相空间重构参数,经过负荷序列进行混沌特性识别后对负荷序列进行相空间重构;再通过网格搜索方法找到多因素混沌支持向量机负荷模型的模型相关参数;建立多因素混沌支持向量机负荷模型并进行预测。利用本方法,提高了空调动态负荷的预测精度。
Description
技术领域
本发明涉及一种空调负荷动态预测方法,具体地说,是针对蓄冷、三联供、太阳能空调等复杂建筑能源系统,基于空调负荷时间序列相空间重构、支持向量机技术,并且考虑空调负荷形成内因,包括气象、冷冻水温度等影响因素,来实现对空调动态负荷短期预测的新型方法。
背景技术
空调运行负荷预测是空调系统节能运行和优化控制的基础和前提条件。准确的空调运行负荷预测对于提高建筑运行管理水平、保障建筑节能战略目标实现有重要意义。现有的空调负荷预测方法包括:(1)经典预测方法:经典预测技术主要包括参数回归法以及时间序列预测法;(2)传统预测方法:现代预测技术主要包括人工神经网络、灰色预测、混沌时间序列法、小波分析法、支持向量机以及组合预测法。以上空调负荷预测方法均忽略或没有完全考虑影响空调负荷的内在成因。同时,目前大多空调负荷预测方法对输入参数的选择都采用试算的方法,缺乏科学指导。因此,在空调负荷的过程中,经常出现预测精度低,预测工作量大等问题,导致了在实际应用中预测效果差、使用不方便等缺点。
发明内容
本发明克服了现有技术中的缺点,考虑了空调负荷的内在成因、训练数据的合理性、建模技术的有效性,提供了一种基于多因素混沌支持向量机的空调负荷动态预测方法。运用人工智能方法优化相空间重构参数,对空调负荷序列进行相空间重构,挖掘空调负荷时间序列蕴含的信息;基于空调负荷的内因分析,确定影响空调负荷的主要因素;以空调负荷混沌时间序列与空调负荷主要因素为模型参数,基于支持向量机建立空调动态负荷预测模型,为准确的空调负荷预测提供了更有效的方法。该方法可以准确的预测未来时刻空调负荷,为空调系统优化控制与高效运行奠定基础。
为解决上述存在的技术问题,本发明采用下述技术方案:
第一步,负荷时间序列进行相空间重构:首先运用人工智能的方法优化相空间重构参数(嵌入维m和延迟时间τ),确定最优的嵌入维m和延迟时间τ后再依据最大Lyapunov指数对负荷序列进行混沌特性识别,当最大Lyapunov指数大于0时,说明该系统为混沌的,最后用优化确定的相空间重构参数对负荷时间序列进行相空间重构得到新的负荷时间序列。
第二步,在经过混沌相空间重构后的负荷时间序列的基础上,建立多因素混沌支持向量机负荷模型,以室外温度、相对湿度、太阳辐射强度以及冷冻水温度为输入参数,以第2日的空调负荷为输出参数,对未来时刻的空调负荷进行预测。
本发明提供的一种基于多因素混沌支持向量机的空调负荷动态预测方法,包括如下步骤:
1)据负荷向量及空调运行负荷的主要相关因素的统计数据形成数据库,包括室外温度、相对湿度、太阳辐射强度等气象因素和冷冻水温度;
2)通过人工智能的方法优化混沌时间序列的相空间重构参数;
3)根据原始数据形成时间序列,判断时间序列的混沌特性;
4)利用已确定的相空间重构参数进行混沌时间序列的相空间重构;
5)以混沌相空间重构后的负荷向量及空调运行负荷的主要相关因素包括室外温度、相对湿度、太阳辐射强度等气象因素和冷冻水温度作为空调负荷预测输入参数,将第2日的逐时负荷作为输出参数;
6)通过网格搜索方法找到多因素混沌支持向量机负荷模型的模型相关参数;
7)建立多因素混沌支持向量机负荷模型并进行预测。
本发明的有益效果是:(1)通用性好,不受地域和气候的限制;(2)训练数据选取合理,预测精度高;(3)相关参数获取简单,无需大量气象参数;(4)建模工作量小,运算速度块;
附图说明
图1为多因素混沌支持向量机负荷预测模型原理图。
图中,Lt-1,Lt-1-τ,Lt-1-2τ—t,t-τ,t-2τ时刻的空调历史负荷(℃);t—时间;Tt,Tt-1,Tt-2—t,t-1,t-2时刻的室外温度;Ht—t时刻的相对湿度;It,It-1—t,t-1时刻的太阳辐射强度;TWt,TWt-1—t,t-1时刻的冷冻水温度。
具体实施方式
以下结合附图与具体实施方式对本发明作进一步详细说明。
如图1所述为多因素混沌支持向量机负荷预测模型原理图多因素混沌支持向量机负荷预测模型,输入参数为相空间重构后的负荷时间序列、室外温度、相对湿度、太阳辐射强度、冷冻水温度以及时间。输入参数为第二日的逐时负荷。支持向量机决策函数的形成类似于一个神经网络,输出是中间节点的线性组合,每个中间节点对应一个预测样本与一个支持向量的核函数内积,中间节点数量为支持向量的个数L。
1)建立训练样本集:对于现有的多因素负荷时间序列,包括室外温度、相对湿度、太阳辐射强度等气象因素和冷冻水温度,作为选取混沌特性分析及进行支持向量机建模的建模数据集。
2)相空间重构参数的确定:相空间重构的关键是嵌入维m和延迟时间τ的选取。这两个参数的合理选择直接关系到基于相空间重构的混沌预测模型的预测精度。采用改进C-C方法,对训练数据集进行相空间重构,ΔS曲线上出现的第一个拐点作为最佳延迟时间;根据局部极大值点确定嵌入窗宽,最后以嵌入窗宽和延迟时间确定嵌入维。
3)判断样本的混沌特性:如果最大Lyapunov指数大于0,说明该系统为混沌的,并且其数值越大,系统的混沌程度越强;如果最大Lyapunov指数等于0,表明系统对初值不敏感,呈现周期运动;如果最大Lyapunov指数小于0,则系统的长期行为与初值无关,将收敛到一个平衡点。
4)负荷序列相空间重构:用求出的嵌入维数m和延迟时间τ进行混沌时间序列的相空间重构。
5)确定支持向量机模型的惩罚因子C、不敏感损失参数ε值:首先固定不敏感损失参数ε值,对参数对(C,γ)进行寻优。利用网格搜索方法先分别选定C和γ的数据集,即确定参数搜索的范围,由固定步长变化的一组实数构成,并且这个集合中的实数是按下降顺序排列的,然后沿着两个参数的不同增长方向生成网格,网格中的节点即为给定范围内所有可能的参数对(C,γ),然后采用k折交叉验证方法对采用不同参数对(C,γ)的支持向量机模型进行误差估计,其中误差最小的模型所用的(C,γ)值为最优参数。
6)建立多因素混沌支持向量机负荷预测模型:以混沌相空间重构后的负荷向量,以及空调运行负荷的主要相关因素,包括室外温度、相对湿度、太阳辐射强度气象因素和冷冻水温度,作为多因素混沌支持向量机负荷预测模型输入参数,第2日逐时负荷作为输出参数。
7)空调负荷预测:应用多因素混沌支持向量机负荷模型进行实时预测得到预测结果。
8)计算预测值与实际值得期望偏差百分数EEP值:采用交叉验证法对负荷进行预测,即每次从样本集中取出一个样本用于预测,而剩下的样本用于训练,并得到最佳预测结果,计算预测值与实际值得期望偏差百分数EEP值,计算公式如下:
式中:yi分别为负荷的预测值和观测值;ymax为负荷的最大观测值;N为样本总数;i为样本的个数,i取正整数。
Claims (2)
1.一种基于多因素混沌支持向量机的空调负荷动态预测方法,第一步,负荷时间序列进行相空间重构:首先运用人工智能的方法优化相空间重构参数,嵌入维m和延迟时间τ;确定最优的嵌入维m和延迟时间τ后再依据最大Lyapunov指数对负荷序列进行混沌特性识别,当最大Lyapunov指数大于0时,说明该系统为混沌的,最后用优化确定的相空间重构参数对负荷时间序列进行相空间重构得到新的负荷时间序列;
第二步,在经过混沌相空间重构后的负荷时间序列的基础上,建立多因素混沌支持向量机负荷模型,以室外温度、相对湿度、太阳辐射强度以及冷冻水温度为输入参数,以第2日的空调负荷为输出参数,对未来时刻的空调负荷进行预测;
其特征在于:该方法包括如下步骤,
1)据负荷向量及空调运行负荷的主要相关因素的统计数据形成数据库,包括室外温度、相对湿度、太阳辐射强度等气象因素和冷冻水温度;
2)通过人工智能的方法优化混沌时间序列的相空间重构参数;
3)根据原始数据形成时间序列,判断时间序列的混沌特性;
4)利用已确定的相空间重构参数进行混沌时间序列的相空间重构;
5)以混沌相空间重构后的负荷向量及空调运行负荷的主要相关因素包括室外温度、相对湿度、太阳辐射强度等气象因素和冷冻水温度作为空调负荷预测输入参数,将第2日的逐时负荷作为输出参数;
6)通过网格搜索方法找到多因素混沌支持向量机负荷模型的模型相关参数;
7)建立多因素混沌支持向量机负荷模型并进行预测。
2.根据权利要求1所述的一种基于多因素混沌支持向量机的空调负荷动态预测方法,其特征在于:
1)建立训练样本集:对于现有的多因素负荷时间序列,包括室外温度、相对湿度、太阳辐射强度等气象因素和冷冻水温度,作为选取混沌特性分析及进行支持向量机建模的建模数据集;
2)相空间重构参数的确定:相空间重构的关键是嵌入维m和延迟时间τ的选取;这两个参数的合理选择直接关系到基于相空间重构的混沌预测模型的预测精度;采用改进C-C方法,对训练数据集进行相空间重构,ΔS曲线上出现的第一个拐点作为最佳延迟时间;根据局部极大值点确定嵌入窗宽,最后以嵌入窗宽和延迟时间确定嵌入维;
3)判断样本的混沌特性:如果最大Lyapunov指数大于0,说明该系统为混沌的,并且其数值越大,系统的混沌程度越强;如果最大Lyapunov指数等于0,表明系统对初值不敏感,呈现周期运动;如果最大Lyapunov指数小于0,则系统的长期行为与初值无关,将收敛到一个平衡点;
4)负荷序列相空间重构:用求出的嵌入维数m和延迟时间τ进行混沌时间序列的相空间重构;
5)确定支持向量机模型的惩罚因子C、不敏感损失参数ε值:首先固定不敏感损失参数ε值,对参数对(C,γ)进行寻优;利用网格搜索方法先分别选定C和γ的数据集,即确定参数搜索的范围,由固定步长变化的一组实数构成,并且这个集合中的实数是按下降顺序排列的,然后沿着两个参数的不同增长方向生成网格,网格中的节点即为给定范围内所有可能的参数对(C,γ),然后采用k折交叉验证方法对采用不同参数对(C,γ)的支持向量机模型进行误差估计,其中误差最小的模型所用的(C,γ)值为最优参数;
6)建立多因素混沌支持向量机负荷预测模型:以混沌相空间重构后的负荷向量,以及空调运行负荷的主要相关因素,包括室外温度、相对湿度、太阳辐射强度气象因素和冷冻水温度,作为多因素混沌支持向量机负荷预测模型输入参数,第2日逐时负荷作为输出参数;
7)空调负荷预测:应用多因素混沌支持向量机负荷模型进行实时预测得到预测结果;
8)计算预测值与实际值得期望偏差百分数EEP值:采用交叉验证法对负荷进行预测,即每次从样本集中取出一个样本用于预测,而剩下的样本用于训练,并得到最佳预测结果,计算预测值与实际值得期望偏差百分数EEP值,计算公式如下:
式中:yi分别为负荷的预测值和观测值;ymax为负荷的最大观测值;N为样本总数;i为样本的个数,i取正整数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610131656.6A CN105719028B (zh) | 2016-03-08 | 2016-03-08 | 一种基于多因素混沌支持向量机的空调负荷动态预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610131656.6A CN105719028B (zh) | 2016-03-08 | 2016-03-08 | 一种基于多因素混沌支持向量机的空调负荷动态预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105719028A true CN105719028A (zh) | 2016-06-29 |
CN105719028B CN105719028B (zh) | 2019-10-29 |
Family
ID=56156432
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610131656.6A Active CN105719028B (zh) | 2016-03-08 | 2016-03-08 | 一种基于多因素混沌支持向量机的空调负荷动态预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105719028B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106897796A (zh) * | 2017-02-23 | 2017-06-27 | 沈阳工业大学 | 分布式光储发电出力对空调运行稳定性影响指数预测方法 |
CN107781948A (zh) * | 2017-10-30 | 2018-03-09 | 四川长虹电器股份有限公司 | 基于时间、温度与空调参数的空调负荷预测方法 |
CN109242167A (zh) * | 2018-08-27 | 2019-01-18 | 杭州电子科技大学 | 基于平均Lyapunov指数的光伏发电在线预测方法 |
CN109740787A (zh) * | 2018-11-20 | 2019-05-10 | 第四范式(北京)技术有限公司 | 训练建筑物空调负荷预测模型及用其预测的方法和装置 |
CN109816555A (zh) * | 2019-01-30 | 2019-05-28 | 云南电网有限责任公司电力科学研究院 | 一种基于支持向量机的负荷建模方法 |
US20190203961A1 (en) * | 2017-12-29 | 2019-07-04 | Hao Fan Jian | Method and Apparatus For Energy Saving and Efficient Air Conditioning and Heat Exchanging |
CN110110388A (zh) * | 2019-04-12 | 2019-08-09 | 天津大学 | 基于数据前处理及小波分解的建筑空调负荷预测方法 |
CN110598923A (zh) * | 2019-09-03 | 2019-12-20 | 深圳市得益节能科技股份有限公司 | 基于支持向量回归机优化与误差修正的空调负荷预测方法 |
CN111735177A (zh) * | 2020-07-15 | 2020-10-02 | 西安木牛能源技术服务有限公司 | 一种基于svr算法的中央空调系统冷负荷预测方法 |
CN112288139A (zh) * | 2020-10-10 | 2021-01-29 | 浙江中烟工业有限责任公司 | 基于混沌时间序列的空调能耗预测方法、系统及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101187991A (zh) * | 2007-12-18 | 2008-05-28 | 华南理工大学 | 一种腐蚀深度的混沌预测方法 |
CN102819770A (zh) * | 2012-08-02 | 2012-12-12 | 积成电子股份有限公司 | 基于人体舒适度指数的配电网短期负荷预测方法 |
CN103150610A (zh) * | 2013-02-28 | 2013-06-12 | 哈尔滨工业大学 | 基于模糊信息粒化与支持向量机的供热负荷预报方法 |
CN103268519A (zh) * | 2013-04-26 | 2013-08-28 | 哈尔滨工程大学 | 基于改进Lyapunov指数的电力系统短期负荷预测方法及装置 |
CN104700158A (zh) * | 2015-02-12 | 2015-06-10 | 国家电网公司 | 一种配电园区的能源管理方法与系统 |
-
2016
- 2016-03-08 CN CN201610131656.6A patent/CN105719028B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101187991A (zh) * | 2007-12-18 | 2008-05-28 | 华南理工大学 | 一种腐蚀深度的混沌预测方法 |
CN102819770A (zh) * | 2012-08-02 | 2012-12-12 | 积成电子股份有限公司 | 基于人体舒适度指数的配电网短期负荷预测方法 |
CN103150610A (zh) * | 2013-02-28 | 2013-06-12 | 哈尔滨工业大学 | 基于模糊信息粒化与支持向量机的供热负荷预报方法 |
CN103268519A (zh) * | 2013-04-26 | 2013-08-28 | 哈尔滨工程大学 | 基于改进Lyapunov指数的电力系统短期负荷预测方法及装置 |
CN104700158A (zh) * | 2015-02-12 | 2015-06-10 | 国家电网公司 | 一种配电园区的能源管理方法与系统 |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106897796A (zh) * | 2017-02-23 | 2017-06-27 | 沈阳工业大学 | 分布式光储发电出力对空调运行稳定性影响指数预测方法 |
CN107781948A (zh) * | 2017-10-30 | 2018-03-09 | 四川长虹电器股份有限公司 | 基于时间、温度与空调参数的空调负荷预测方法 |
US20190203961A1 (en) * | 2017-12-29 | 2019-07-04 | Hao Fan Jian | Method and Apparatus For Energy Saving and Efficient Air Conditioning and Heat Exchanging |
CN109242167A (zh) * | 2018-08-27 | 2019-01-18 | 杭州电子科技大学 | 基于平均Lyapunov指数的光伏发电在线预测方法 |
CN109242167B (zh) * | 2018-08-27 | 2021-06-11 | 杭州电子科技大学 | 基于平均Lyapunov指数的光伏发电在线预测方法 |
CN109740787A (zh) * | 2018-11-20 | 2019-05-10 | 第四范式(北京)技术有限公司 | 训练建筑物空调负荷预测模型及用其预测的方法和装置 |
CN109740787B (zh) * | 2018-11-20 | 2021-07-13 | 第四范式(北京)技术有限公司 | 训练建筑物空调负荷预测模型及用其预测的方法和装置 |
CN109816555A (zh) * | 2019-01-30 | 2019-05-28 | 云南电网有限责任公司电力科学研究院 | 一种基于支持向量机的负荷建模方法 |
CN110110388A (zh) * | 2019-04-12 | 2019-08-09 | 天津大学 | 基于数据前处理及小波分解的建筑空调负荷预测方法 |
CN110598923A (zh) * | 2019-09-03 | 2019-12-20 | 深圳市得益节能科技股份有限公司 | 基于支持向量回归机优化与误差修正的空调负荷预测方法 |
CN111735177A (zh) * | 2020-07-15 | 2020-10-02 | 西安木牛能源技术服务有限公司 | 一种基于svr算法的中央空调系统冷负荷预测方法 |
CN112288139A (zh) * | 2020-10-10 | 2021-01-29 | 浙江中烟工业有限责任公司 | 基于混沌时间序列的空调能耗预测方法、系统及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN105719028B (zh) | 2019-10-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105719028A (zh) | 一种基于多因素混沌支持向量机的空调负荷动态预测方法 | |
CN106920006B (zh) | 一种基于isoa-lssvm的地铁站空调系统能耗预测方法 | |
CN103912966B (zh) | 一种地源热泵制冷系统优化控制方法 | |
Kusiak et al. | Minimization of energy consumption in HVAC systems with data-driven models and an interior-point method | |
CN103730006B (zh) | 一种短时交通流量的组合预测方法 | |
Brown et al. | Kernel regression for real-time building energy analysis | |
Xuemei et al. | Building cooling load forecasting model based on LS-SVM | |
Yu et al. | Online tuning of a supervisory fuzzy controller for low-energy building system using reinforcement learning | |
CN104484715A (zh) | 一种基于神经网络和微粒群优化算法的建筑能耗预测方法 | |
CN107506843A (zh) | 一种短期负荷预测方法及装置 | |
Moradzadeh et al. | Heating and cooling loads forecasting for residential buildings based on hybrid machine learning applications: A comprehensive review and comparative analysis | |
Ozoh et al. | A comparative analysis of techniques for forecasting electricity consumption | |
Lu et al. | Data augmentation strategy for short-term heating load prediction model of residential building | |
CN104408317A (zh) | 一种基于Bootstrap回声状态网络集成的冶金企业煤气流量区间预测方法 | |
Khorram et al. | A hybrid CNN-LSTM approach for monthly reservoir inflow forecasting | |
Berouine et al. | A predictive control approach for thermal energy management in buildings | |
Yan et al. | Strategical district cooling system operation with accurate spatiotemporal consumption modeling | |
Sha et al. | A control strategy of heating system based on adaptive model predictive control | |
Chen et al. | Variational inference based kernel dynamic Bayesian networks for construction of prediction intervals for industrial time series with incomplete input | |
Fouladfar et al. | Adaptive thermal load prediction in residential buildings using artificial neural networks | |
Ehtearm et al. | Predicting hydropower production using deep learning CNN-ANN hybridized with gaussian process regression and salp algorithm | |
Kumar et al. | Forecasting indoor temperature for smart buildings with ARIMA, SARIMAX, and LSTM: A fusion approach | |
Fux et al. | Short-term thermal and electric load forecasting in buildings | |
Danza et al. | Application of model predictive control for the optimization of thermo-hygrometric comfort and energy consumption of buildings. | |
Lee et al. | On-policy learning-based deep reinforcement learning assessment for building control efficiency and stability |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |