CN107730006A - 一种基于可再生能源大数据深度学习的建筑近零能耗控制器 - Google Patents
一种基于可再生能源大数据深度学习的建筑近零能耗控制器 Download PDFInfo
- Publication number
- CN107730006A CN107730006A CN201710819983.5A CN201710819983A CN107730006A CN 107730006 A CN107730006 A CN 107730006A CN 201710819983 A CN201710819983 A CN 201710819983A CN 107730006 A CN107730006 A CN 107730006A
- Authority
- CN
- China
- Prior art keywords
- data
- energy consumption
- building
- regenerative resource
- information
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Feedback Control In General (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种基于可再生能源大数据深度学习的建筑近零能耗控制器。其中,特征学习采取的是深度学习中的堆叠降噪自动编码,无监督的学习原始数据中的深度特征,利用机器学习中的XGboost建立建筑可再生能源预测模型,最后根据可再生能源预测值与运行历史能耗数据分别作为线性回归模型的输出层与输入层,构建线性回归模型,得到运行历史能耗相应的各部分能耗权值,根据此权值控制建筑各耗能设备的能耗,使得运行总能耗趋于可再生能源预测值,从而达到建筑近零能耗的控制目标。
Description
技术领域
本发明涉及数据挖掘技术与深度学习方法,属于可再生能源大数据深度学习的建筑近零能耗控制方法,包括基于可再生能源大数据的无监督深度特征学习方法和有监督机器学习预测方法,其中特征学习采取的是深度学习中的堆叠降噪自动编码,无监督的学习原始数据中的深度特征,利用机器学习中的XGboost(eXtreme Gradient Boosting)建立建筑可再生能源预测模型,最后根据可再生能源预测值与运行历史能耗数据分别作为线性回归模型的输出层与输入层,构建线性回归模型,得到运行历史能耗相应的各部分能耗权值,根据此权值控制建筑各耗能设备的能耗,使得运行总能耗趋于可再生能源预测值,从而达到建筑近零能耗的控制目标。
背景技术
近零能耗建筑是主要依靠太阳能、地热能、风能等可再生能源来提供能量供给,而不全依赖消耗常规能源的低能耗建筑群体。在这样的建筑群体中有包含了丰富多维的大量数据,数据包括外界环境数据(光照、天气、温度、湿度、风力、地热能)、实际运行能耗(暖通、空调、照明、插座、电梯)、围护结构数据(外挂真空绝热板导热系数、传热系数、保温系数、气密性、遮阳性和采光性)、使用可再生能源数据(土壤源热泵数据、太阳能光热数据)、人员活动数据(人流密集分布、活动时间、行为数据)。
近年来,近零能耗建筑由于其超低能耗、高舒适等特点,受到了国内外建筑行业的广泛关注,但是对于利用近零能耗建筑系统实际运行过程中的实时数据的建模分析与研究尚处于空白。
发明内容
本发明的目的是解决现有技术中的问题,公开一种基于可再生能源大数据深度学习的建筑近零能耗控制器,其特征在于,包括以下步骤:
1)建立建筑可再生能源大数据训练集
在某一办公建筑内选取m天建筑历史可再生能源数据信息,其中主要包括三大部分:外界环境数据信息、围护结构数据信息和使用可再生能源数据信息。
其中,外界环境数据信息包括:光照、温度、湿度、风力、地热能信息;
围护结构数据信息包括:外挂真空绝热板导热系数、传热系数、保温系数、气密性、遮阳性和采光性信息。
使用可再生能源数据信息包括:土壤源热泵数据、太阳能光热数据信息
建筑可再生能源量大数据训练集C1中含有m个样本,不同样本是由以上的三大部分数据信息构成的高维数据,为t维数据样本。
2)建筑可再生能源大数据预处理
2-1)把对有单位有要求的数据列信息的单位统一化处理,t表示单位统一化处理后的维度;
2-2)对数据集C1中各列分别进行归一化处理,使各列的数据都映射到[0,1]之内,归一化结束得到数据集R1。
3)建筑可再生能源大数据深度特征学习
特征学习模型选用堆叠降噪自动编码算法。
3-1)确定堆叠降噪自动编码算法的网络结构,设定其总共有p层,其中有1个输入层,p-2个隐藏层和1个输出层;
3-2)将步骤2所获取的多维数据样本集R1当作网络的输入层。
3-3)预先设定该隐藏层的初始权重,采用降噪自动编码算法训练,得到相应的训练结果为H1。
3-4)把之前的训练结果H1当作下一层的输入层,并重复上一步骤,得到相应的训练结果H2。
3-5)重复步骤3-3),3-4)p-2次,最终得到第p层的输出结果为V,训练结束。
4)建立建筑可再生能源系统的产能预测模型
建立建筑可再生能源系统的产能预测模型采用的是XGboost算法。弱分类器迭代计算完成后,采用投票方式得到每个数据样本的预测值WC,WC代表可再生能源系统的产能值。
即构建了一个建筑可再生能源系统的产能预测系统。
5)建立建筑运行能耗大数据训练集
建立多维建筑运行能耗量大数据训练集C2,规定具有相同属性的数据在训练集里为一列,规定不同的样本在训练集里为一行;
其中主要包括两大部分:实际运行能耗信息和人员活动数据信息。
其中,实际运行能耗信息包括:暖通、空调、照明、插座、电梯信息;
人员活动数据信息包括:人流密集分布、活动时间、行为数据信息
建筑可再生能源量大数据训练集C2中含有m个样本,不同样本是由以上的两大部分数据信息构成的高维数据,为x维数据样本。
6)建筑运行能耗大数据预处理
6-1)把对有单位有要求的数据列信息的单位统一化处理。
6-2)对数据集C2中各列分别进行归一化处理,使各列的数据都映射到[0,1]之内,归一化结束得到数据集R2。
7)建立建筑运行能耗线性回归模型
把建筑可再生能源预测值WC作为线性回归模型的输出层,建筑运行能耗数据集R2作为线性回归模型的输入层,构建多元线性回归模型,获得线性回归模型的权值Ht。
8)建筑近零能耗控制器
通过线性回归模型训练得到的建筑各部分能耗权值Ht,对建筑实际运行的各能耗设备进行相应的能耗分配,控制建筑各能耗设备,使得建筑实际运行总耗能Wtnew不断趋于可再生能源预测值WC,即WC=Wtnew,最终达到建筑近零能耗的控制目标。
本发明的技术效果是毋庸置疑的:
1)构建了更精确化的可再生能源预测模型,通过将无监督深度特征学习用于建筑可再生能源大数据的预处理,利用一个由多层降噪自动解码器组成的深度神经网络,以无监督方式进行处理,获取可再生能源历史数据中深层次的结构和规律,使得构成的数据表征更易于预测模型的机器学习算法理解,显著改善了XGboost预测模型的预测准确性;
2)结合所预测的可再生能源与运行历史能耗数据进行建筑节能优化分析与决策,通过分析运行历史能耗数据,以预测的可再生能源作为运行总能耗控制结果,得到运行历史能耗相应的各部分能耗权值,根据此权值控制建筑各能耗设备,最终使得建筑运行总能耗不断地趋近于可再生能源预测值,从而达到建筑运行近零能耗的控制目标。
附图说明
图1建筑近零能耗控制的技术总体流程图
图2深度学习算法结构图
图3XGboost构建的可再生能源预测模型
图4建筑历史运行能耗数据表
图5线性回归构建的能耗评估模型。
具体实施方式
下面结合实施例对本发明作进一步说明,但不应该理解为本发明上述主题范围仅限于下述实施例。在不脱离本发明上述技术思想的情况下,根据本领域普通技术知识和惯用手段,做出各种替换和变更,均应包括在本发明的保护范围内。
一种基于可再生能源大数据深度学习的建筑近零能耗控制器,其特征在于,包括以下步骤:
1)建立建筑可再生能源大数据训练集
建立建筑可再生能源大数据得到初始数据集C1,规定具有相同属性的数据在训练集里为一列,规定不同的样本在训练集里为一行;
在某一办公建筑内选取m天建筑历史可再生能源数据信息,其中主要包括三大部分:外界环境数据信息、围护结构数据信息和使用可再生能源数据信息。
其中,外界环境数据信息包括:光照、温度、湿度、风力、地热能信息;
围护结构数据信息包括:外挂真空绝热板导热系数、传热系数、保温系数、气密性、遮阳性和采光性信息。
使用可再生能源数据信息包括:土壤源热泵数据、太阳能光热数据信息
建筑可再生能源量大数据训练集C1中含有m个样本,不同样本是由以上的三大部分数据信息构成的高维数据,为t维数据样本。
2)建筑可再生能源大数据预处理
对数据进行预处理,包括归一化等处理,按照数据的相同属性对其归一化;
2-1)把对有单位有要求的数据列信息的单位统一化处理,t表示单位统一化处理后的维度;
2-2)把min-max标准化:(zi(i=1,2,3,…,t)成数据集C1其中一列,max和min分别作为该列里的最大值和最小值,xi为归一化后的数据列信息,对数据集C1中各列分别进行归一化处理,使各列的数据都映射到[0,1]之内,归一化结束得到数据集R1。
3)建筑可再生能源大数据深度特征学习
特征学习模型选用堆叠降噪自动编码算法。具体步骤如下:
3-1)确定堆叠降噪自动编码算法的网络结构,设定其总共有p层,其中有1个输入层,p-2个隐藏层和1个输出层;
3-2)将步骤2所获取的多维数据样本集R1当作网络的输入层。
3-3)预先设定该隐藏层的初始权重,采用降噪自动编码算法训练,得到相应的训练结果为H1。
3-4)把之前的训练结果H1当作下一层的输入层,并重复上一步骤,得到相应的训练结果H2。
3-5)重复步骤3-3),3-4)p-2次,最终得到第p层的输出结果为V,训练结束。
降噪自动编码算法利用有噪声的输入数据来训练网络参数,提高了自动编码器的泛化能力,将训练集的数据输入到预先设置好的encoder编码器,得到一个code值,那么code值也可以作为输入的另一种表示,当输出的信息与最开始的输入数据信息很相似,我们可以认为所转化的code值是原始数据的另一种更深层次的抽象表达。同时以反向传播的方式训练网络权值,不断调试encoder与decoder的参数,使得到的重构误差达到最小值,此时就可以得到输入input信号的一种表示。堆叠降噪自动编码器是深度学习领域常用的一个深度学习模型,由多个自动编码器串联堆叠构成,目的是为了逐层提取输入数据的高阶特征,在此过程中逐层降低输入数据的维度,将一个复杂的输入数据转化成了一个系列简单的高阶的特征。如附图2所示
把数据集R1当作自动编码器的输入训练集,输入训练集R1先通过自动编码器得到输入层的另一种表示集H1,其映射关系可以由以下编码表达式确定:
H1=R1C,C表示自动编码器初始转换矩阵。
隐藏层的输出集H1通过解码的方式再重构一个与R1同样大小规格信号F。解码表达式:
F=CT,T代表矩阵的转置运算
通过自动编码器的转换,得到深度学习提取的特征集V,代入深度学习算法XGboost中进行建筑可再生能源量预测。
4)建立建筑可再生能源系统的产能预测模型
建立建筑可再生能源系统的产能预测模型采用的是XGboost算法。XGboost是一个经过优化的极限梯度提升(Gradient Boosting)算法,具有高效,灵活和高可移植性的特点。基于梯度提升框架,XGBoost实现了并行方式的决策树提升(Tree Boosting),有高效、准确度、模型的交互性三个显著优点,从而在实际运用中能够快速准确地解决各种数据预测问题。具体实现步骤如下所示:
4-1)初始化,为训练集合中的所有样本数据集赋予相同的初始化权值;
4-2)迭代计算m次,每次迭代采用弱分类器算法进行分类,并计算该弱分类器的错误率:em=∑wiI(yi≠Gmxi)/∑wiwi代表第i个样本的权重,Gm代表第m个弱分类器,I代表弱分类器的转换矩阵,xi代表第i个样本的行向量,yi代表第i个样本的列向量,em代表弱分类器的错误率;
4-3)计算目标函数,并引入正则项,在迭代过程中采用梯度下降法优化损失函数;
4-4)更新弱分类器的权重,第m+1次迭代,将第i个样本的权重更新为winew;
4-5)弱分类器迭代计算完成后,采用投票方式得到每个数据样本的预测值Wc,WC代表可再生能源系统的产能值。
即构建了一个建筑可再生能源系统的产能预测系统,从预测结果可以看到用XGboost预测到的系统产能的准确性较高。如附图4所示
5)建立建筑运行能耗大数据训练集
建立多维建筑运行能耗量大数据训练集C2,规定具有相同属性的数据在训练集里为一列,规定不同的样本在训练集里为一行;
其中主要包括两大部分:实际运行能耗信息和人员活动数据信息。如附图4所示
其中,实际运行能耗信息包括:暖通、空调、照明、插座、电梯信息;
人员活动数据信息包括:人流密集分布、活动时间、行为数据信息
建筑可再生能源量大数据训练集C2中含有m个样本,不同样本是由以上的两大部分数据信息构成的高维数据,为x维数据样本。
6)建筑运行能耗大数据预处理
对数据进行预处理,包括归一化等处理,按照数据的相同属性对其归一化;
6-1)把对有单位有要求的数据列信息的单位统一化处理。
6-2)把min-max标准化:(zi(i=1,2,3,…,t)成数据集C2其中一列,max和min分别作为该列里的最大值和最小值,xi为归一化后的数据列信息,对数据集C2中各列分别进行归一化处理,使各列的数据都映射到[0,1]之内,归一化结束得到数据集R2。
7)建立建筑运行能耗线性回归模型
一元线性回归是一个主要影响因素作为自变量来解释因变量的变化,在现实问题研究中,因变量的变化往往受几个重要因素的影响,此时就需要用两个或两个以上的影响因素作为自变量来解释因变量的变化,这就是多元回归。当多个自变量与因变量之间是线性关系时,所进行的回归分析就是多元性回归。把建筑可再生能源预测值WC作为线性回归模型的输出层,建筑运行能耗数据集R2作为线性回归模型的输入层,构建多元线性回归模型,获得线性回归模型的权值Ht。构建多元线性回归模型的步骤如下:
7-1)构建模型训练集
按照数据的时序性,相对应地把建筑可再生能源预测值WC作为线性回归模型的输出值,建筑运行能耗数据集R2作为线性回归模型的输入集,构建线性回归训练集。
7-2)构建多元回归方程式
根据训练集之间的关系,构建多元回归方程式:
y=ax1+bx2+cx3+dx4+ex5...+fxm
x1到xm表示建筑运行能耗数据集R2的行向量,a到f表示多元回归方程式相应的对应参数,y表示多元回归方程式的输出值;
7-3)构建代价函数
根据所有建模误差的平方和,构建多元线性回归模型的代价函数,即:
其中:y表示多元回归方程式的输出值,u代表可再生能源预测值,m表示建筑运行能耗数据集R2的行列数,q1到qm表示代价函数的变量值,n表示回归模型代价函数的行列数,J表示回归模型代价函数的输出值。
7-4模型训练
通过梯度下降算法对代价函数进行训练,使得建模误差的平方和能够最小,我们可以得到最终得模型参数,同时对于训练好的网络进行仿真,绘制网络输出曲线,并与原始函数曲线相比较。由此可看出,得到的曲线和原始的能耗数据曲线很接近。这说明经过训练后,线性回归模型对预测结果的逼近效果非常好。如附图5所示
7-5)获得权值
此时可以获得训练过后最优的线性回归模型的权值Ht。
Ht=[h1,h2,h3...hm]
h1到hm表示运行能耗相对应的各部分权值。
8)建筑近零能耗控制器
通过线性回归模型训练得到的建筑各部分能耗权值Ht,对建筑实际运行的各能耗设备进行相应的能耗分配,控制建筑各能耗设备,使得建筑实际运行总耗能Wtnew不断趋于可再生能源预测值Wc,即Wc=Wtnew,最终达到建筑近零能耗的控制目标。
本发明的控制器优势在于通过XGboost构建了一种更精确化的可再生能源预测模型,在预测模型前面加上一个由多层降噪自动解码器组成的深度神经网络,以无监督方式进行处理可再生能源大数据,获取数据中更深层次的结构和规律,使得最终构成的数据表征更易于产能预测模型的机器学习算法理解,显著改善了XGboost预测模型的预测准确度,一个高准确的可再生能源预测值对于建筑运行能耗线性回归模型的构建是至关重要的,可再生能源预测值高准确性能够使得能耗相应的权值Ht更趋于最有效的建筑能耗控制策略,更易于达到建筑近零能耗的控制目标
同时,本发明的控制器还创新性地提出以可再生能源预测值作为线性回归网络模型的输出值,建筑历史运行能耗数据作为线性回归网络模型的输入层,构建线性回归模型,得到运行历史能耗相应的各部分能耗权值,根据此权值控制建筑各耗能设备,使得建筑运行总能耗不断地趋近于可再生能源预测值,从而达到建筑运行近零能耗的控制目标。
Claims (1)
1.一种基于可再生能源大数据深度学习的建筑近零能耗控制器,其特征在于,包括以下步骤:
1)建立所述建筑可再生能源大数据训练集
在某一办公建筑内选取m天建筑历史可再生能源数据信息,其中主要包括三大部分:外界环境数据信息、围护结构数据信息和使用可再生能源数据信息。
其中,外界环境数据信息包括:光照、温度、湿度、风力、地热能信息;
围护结构数据信息包括:外挂真空绝热板导热系数、传热系数、保温系数、气密性、遮阳性和采光性信息。
使用可再生能源数据信息包括:土壤源热泵数据、太阳能光热数据信息
建筑可再生能源量大数据训练集C1中含有m个样本,不同样本是由以上的三大部分数据信息构成的高维数据,为t维数据样本。
2)建筑可再生能源大数据预处理
2-1)把对有单位有要求的数据列信息的单位统一化处理,
2-2)对数据集C1中各列分别进行归一化处理,使各列的数据都映射到[0,1]之内,归一化结束得到数据集R1。
3)建筑可再生能源大数据深度特征学习
特征学习模型选用堆叠降噪自动编码算法。
3-1)确定堆叠降噪自动编码算法的网络结构,设定其总共有p层,其中有1个输入层,p-2个隐藏层和1个输出层;
3-2)将步骤2所获取的多维数据样本集R1当作网络的输入层。
3-3)预先设定该隐藏层的初始权重,采用降噪自动编码算法训练,得到相应的训练结果为H1。
3-4)把之前的训练结果H1当作下一层的输入层,并重复上一步骤,得到相应的训练结果H2。
3-5)重复步骤3-3),3-4)p-2次,最终得到第p层的输出结果为V,训练结束。
4)建立建筑可再生能源系统的产能预测模型
建立建筑可再生能源系统的产能预测模型采用的是XGboost算法。弱分类器迭代计算完成后,采用投票方式得到每个数据样本的预测值WC,WC代表可再生能源系统的产能值。
即构建了一个建筑可再生能源系统的产能预测系统。
5)建立建筑运行能耗大数据训练集
建立多维建筑运行能耗量大数据训练集C2,规定具有相同属性的数据在训练集里为一列,规定不同的样本在训练集里为一行;
其中主要包括两大部分:实际运行能耗信息和人员活动数据信息。
其中,实际运行能耗信息包括:暖通、空调、照明、插座、电梯信息;
人员活动数据信息包括:人流密集分布、活动时间、行为数据信息
建筑可再生能源量大数据训练集C2中含有m个样本,不同样本是由以上的两大部分数据信息构成的高维数据,为x维数据样本。
6)建筑运行能耗大数据预处理
6-1)把对有单位有要求的数据列信息的单位统一化处理。
6-2)对数据集C2中各列分别进行归一化处理,使各列的数据都映射到[0,1]之内,归一化结束得到数据集R2。
7)建立建筑运行能耗线性回归模型
把建筑可再生能源预测值WC作为线性回归模型的输出层,建筑运行能耗数据集R2作为线性回归模型的输入层,构建多元线性回归模型,获得线性回归模型的权值Ht。
8)建筑近零能耗控制器
通过线性回归模型训练得到的建筑各部分能耗权值Ht,对建筑实际运行的各能耗设备进行相应的能耗分配,控制建筑各能耗设备,使得建筑实际运行总耗能Wtnew不断趋于可再生能源预测值WC,即WC=Wtnew,最终达到建筑近零能耗的控制目标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710819983.5A CN107730006B (zh) | 2017-09-13 | 2017-09-13 | 基于可再生能源大数据深度学习的建筑近零能耗控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710819983.5A CN107730006B (zh) | 2017-09-13 | 2017-09-13 | 基于可再生能源大数据深度学习的建筑近零能耗控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107730006A true CN107730006A (zh) | 2018-02-23 |
CN107730006B CN107730006B (zh) | 2021-01-05 |
Family
ID=61206127
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710819983.5A Active CN107730006B (zh) | 2017-09-13 | 2017-09-13 | 基于可再生能源大数据深度学习的建筑近零能耗控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107730006B (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108510191A (zh) * | 2018-04-02 | 2018-09-07 | 重庆大学 | 一种基于堆叠降噪自动编码算法的红树林生态健康评价方法 |
CN108764588A (zh) * | 2018-07-11 | 2018-11-06 | 天津工业大学 | 一种基于深度学习的温度影响电力预测方法 |
CN109741213A (zh) * | 2018-12-24 | 2019-05-10 | 珠海格力电器股份有限公司 | 一种零能耗建筑耗能控制方法及系统 |
CN109871975A (zh) * | 2018-11-28 | 2019-06-11 | 国网浙江省电力有限公司台州供电公司 | 基于数据挖掘的故障抢修处理时长预测方法 |
CN110009134A (zh) * | 2019-03-08 | 2019-07-12 | 浙江大学 | 基于seq2seq动态特征提取模型的制浆能耗预测方法 |
CN110658791A (zh) * | 2019-09-28 | 2020-01-07 | 深圳中物智建科技有限公司 | 基于物联网的建筑施工智能管理方法及系统 |
CN110998648A (zh) * | 2018-08-09 | 2020-04-10 | 北京嘀嘀无限科技发展有限公司 | 一种分配订单的系统和方法 |
CN111487875A (zh) * | 2019-01-28 | 2020-08-04 | 珠海格力电器股份有限公司 | 控制智能家电设备的方法、智能家电设备及存储介质 |
CN112182720A (zh) * | 2020-10-13 | 2021-01-05 | 北京建筑技术发展有限责任公司 | 一种基于建筑能源管理应用场景的建筑能耗模型评价方法 |
CN113298329A (zh) * | 2020-02-21 | 2021-08-24 | 中关村海华信息技术前沿研究院 | 训练、策略生成方法、系统、计算机装置及存储介质 |
CN113326614A (zh) * | 2021-05-28 | 2021-08-31 | 沈阳建筑大学 | 一种净零能耗建筑地面辐射供暖盘管间距优化方法及装置 |
CN113544439A (zh) * | 2019-03-13 | 2021-10-22 | 大金工业株式会社 | 空调控制系统以及空调控制方法 |
CN116245206A (zh) * | 2022-11-24 | 2023-06-09 | 华建数创(上海)科技有限公司 | 一种基于多模态集成模型的建筑能耗预测方法 |
CN117043794A (zh) * | 2022-07-01 | 2023-11-10 | 嘉兴尚坤科技有限公司 | 基于多元线性回归和聚类分析的建筑能耗预测方法和系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20140075617A (ko) * | 2012-12-10 | 2014-06-19 | 주식회사 케이티 | 지능형 에너지 소비 예측 방법 |
KR20140116619A (ko) * | 2013-03-25 | 2014-10-06 | 삼성에스디에스 주식회사 | 에너지 사용량 예측 시스템 및 방법 |
CN104134097A (zh) * | 2014-07-01 | 2014-11-05 | 哈尔滨工业大学 | 一种基于gann-bim模型的严寒地区办公建筑形态节能设计方法 |
CN104463381A (zh) * | 2015-01-04 | 2015-03-25 | 福州大学 | 基于kpca与wlssvm的建筑能耗预测方法 |
KR20160077740A (ko) * | 2014-12-24 | 2016-07-04 | 대림산업 주식회사 | 건물 에너지 사용량 예측시스템과 예측방법 |
CN106709640A (zh) * | 2016-12-15 | 2017-05-24 | 华南理工大学 | 基于深度学习与支持向量回归的船舶能耗预测方法 |
CN106780830A (zh) * | 2016-11-24 | 2017-05-31 | 北京车网互联科技有限公司 | 一种基于汽车obd数据预测某次行程百公里油耗的方法 |
CN106874581A (zh) * | 2016-12-30 | 2017-06-20 | 浙江大学 | 一种基于bp神经网络模型的建筑空调能耗预测方法 |
CN106991504A (zh) * | 2017-05-09 | 2017-07-28 | 南京工业大学 | 基于分项计量时间序列的建筑能耗预测方法、系统及建筑物 |
-
2017
- 2017-09-13 CN CN201710819983.5A patent/CN107730006B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20140075617A (ko) * | 2012-12-10 | 2014-06-19 | 주식회사 케이티 | 지능형 에너지 소비 예측 방법 |
KR20140116619A (ko) * | 2013-03-25 | 2014-10-06 | 삼성에스디에스 주식회사 | 에너지 사용량 예측 시스템 및 방법 |
CN104134097A (zh) * | 2014-07-01 | 2014-11-05 | 哈尔滨工业大学 | 一种基于gann-bim模型的严寒地区办公建筑形态节能设计方法 |
KR20160077740A (ko) * | 2014-12-24 | 2016-07-04 | 대림산업 주식회사 | 건물 에너지 사용량 예측시스템과 예측방법 |
CN104463381A (zh) * | 2015-01-04 | 2015-03-25 | 福州大学 | 基于kpca与wlssvm的建筑能耗预测方法 |
CN106780830A (zh) * | 2016-11-24 | 2017-05-31 | 北京车网互联科技有限公司 | 一种基于汽车obd数据预测某次行程百公里油耗的方法 |
CN106709640A (zh) * | 2016-12-15 | 2017-05-24 | 华南理工大学 | 基于深度学习与支持向量回归的船舶能耗预测方法 |
CN106874581A (zh) * | 2016-12-30 | 2017-06-20 | 浙江大学 | 一种基于bp神经网络模型的建筑空调能耗预测方法 |
CN106991504A (zh) * | 2017-05-09 | 2017-07-28 | 南京工业大学 | 基于分项计量时间序列的建筑能耗预测方法、系统及建筑物 |
Non-Patent Citations (5)
Title |
---|
CHENGFAN ET AL: "A short-term buliding cooling load prediction method using deep learning algorithms", 《APPLIED ENERGY》 * |
MAHMOOD YOUSEFI-AZAR ET AL: "Autoencoder-based feature learning for cyber security applications", 《2017 INTERNATIONAL JOINT CONFERENCE ON NEURAL NETWORKS (IJCNN)》 * |
TIANQI CHEN ET AL: "XGBoost: A Scalable Tree Boosting System", 《 PROCEEDINGS OF THE 22ND ACM SIGKDD INTERNATIONAL CONFERENCE ON KNOWLEDGE DISCOVERY AND DATA MINING》 * |
刘晓燕等: "基于组合模型的转录调控网络构建算法研究", 《计算机科学与探索》 * |
张雅婷: "严寒地区近零能耗办公建筑节能设计研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 * |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108510191A (zh) * | 2018-04-02 | 2018-09-07 | 重庆大学 | 一种基于堆叠降噪自动编码算法的红树林生态健康评价方法 |
CN108510191B (zh) * | 2018-04-02 | 2021-10-08 | 重庆大学 | 一种基于堆叠降噪自动编码算法的红树林生态健康评价方法 |
CN108764588A (zh) * | 2018-07-11 | 2018-11-06 | 天津工业大学 | 一种基于深度学习的温度影响电力预测方法 |
CN110998648A (zh) * | 2018-08-09 | 2020-04-10 | 北京嘀嘀无限科技发展有限公司 | 一种分配订单的系统和方法 |
CN109871975A (zh) * | 2018-11-28 | 2019-06-11 | 国网浙江省电力有限公司台州供电公司 | 基于数据挖掘的故障抢修处理时长预测方法 |
CN109871975B (zh) * | 2018-11-28 | 2021-04-09 | 国网浙江省电力有限公司台州供电公司 | 基于数据挖掘的故障抢修处理时长预测方法 |
CN109741213A (zh) * | 2018-12-24 | 2019-05-10 | 珠海格力电器股份有限公司 | 一种零能耗建筑耗能控制方法及系统 |
CN111487875A (zh) * | 2019-01-28 | 2020-08-04 | 珠海格力电器股份有限公司 | 控制智能家电设备的方法、智能家电设备及存储介质 |
CN110009134B (zh) * | 2019-03-08 | 2020-12-18 | 浙江大学 | 基于seq2seq动态特征提取模型的制浆能耗预测方法 |
CN110009134A (zh) * | 2019-03-08 | 2019-07-12 | 浙江大学 | 基于seq2seq动态特征提取模型的制浆能耗预测方法 |
CN113544439A (zh) * | 2019-03-13 | 2021-10-22 | 大金工业株式会社 | 空调控制系统以及空调控制方法 |
CN110658791A (zh) * | 2019-09-28 | 2020-01-07 | 深圳中物智建科技有限公司 | 基于物联网的建筑施工智能管理方法及系统 |
CN113298329A (zh) * | 2020-02-21 | 2021-08-24 | 中关村海华信息技术前沿研究院 | 训练、策略生成方法、系统、计算机装置及存储介质 |
CN112182720A (zh) * | 2020-10-13 | 2021-01-05 | 北京建筑技术发展有限责任公司 | 一种基于建筑能源管理应用场景的建筑能耗模型评价方法 |
CN112182720B (zh) * | 2020-10-13 | 2023-07-28 | 北京建筑技术发展有限责任公司 | 一种基于建筑能源管理应用场景的建筑能耗模型评价方法 |
CN113326614A (zh) * | 2021-05-28 | 2021-08-31 | 沈阳建筑大学 | 一种净零能耗建筑地面辐射供暖盘管间距优化方法及装置 |
CN117043794A (zh) * | 2022-07-01 | 2023-11-10 | 嘉兴尚坤科技有限公司 | 基于多元线性回归和聚类分析的建筑能耗预测方法和系统 |
CN116245206A (zh) * | 2022-11-24 | 2023-06-09 | 华建数创(上海)科技有限公司 | 一种基于多模态集成模型的建筑能耗预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107730006B (zh) | 2021-01-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107730006A (zh) | 一种基于可再生能源大数据深度学习的建筑近零能耗控制器 | |
CN104077632B (zh) | 一种基于深度神经网络的风电场功率预测方法 | |
CN107169598A (zh) | 一种基于深度学习的天气预测方法及系统 | |
May-Ostendorp et al. | Extraction of supervisory building control rules from model predictive control of windows in a mixed mode building | |
CN104636801A (zh) | 一种基于优化bp神经网络的预测输电线路可听噪声方法 | |
CN109978253B (zh) | 一种基于增量学习的电力系统短期负荷预测方法 | |
CN113468817B (zh) | 一种基于igoa优化elm的超短期风电功率预测方法 | |
CN109255726A (zh) | 一种混合智能技术的超短期风功率预测方法 | |
CN105447510A (zh) | 基于人工蜂群优化lssvm的脉动风速预测方法 | |
CN110866640A (zh) | 一种基于深度神经网络的电力负荷预测方法 | |
CN102510059A (zh) | 基于bp神经网络的超短期风电功率预测方法 | |
CN112149890A (zh) | 基于用户用能标签的综合能源负荷预测方法及系统 | |
CN112860904B (zh) | 一种融入外部知识的生物医疗关系抽取方法 | |
CN113537365B (zh) | 一种基于信息熵动态赋权的多任务学习自适应平衡方法 | |
Huang et al. | Research on urban modern architectural art based on artificial intelligence and GIS image recognition system | |
CN104050505A (zh) | 一种基于带学习因子蜂群算法的多层感知器训练方法 | |
CN113743538A (zh) | 基于ipso-bp神经网络的智能楼宇能耗预测方法、设备和介质 | |
CN114065646B (zh) | 基于混合优化算法的能耗预测方法、云计算平台及系统 | |
CN115310727A (zh) | 一种基于迁移学习的建筑冷热电负荷预测方法及系统 | |
CN109408896B (zh) | 一种污水厌氧处理产气量多元智能实时监控方法 | |
AU2021102006A4 (en) | A system and method for identifying online rumors based on propagation influence | |
CN110335160A (zh) | 一种基于分组和注意力改进Bi-GRU的就医迁移行为预测方法及系统 | |
CN113705242A (zh) | 面向教育咨询服务的智能语义匹配方法和装置 | |
CN111783688B (zh) | 一种基于卷积神经网络的遥感图像场景分类方法 | |
CN117390550A (zh) | 考虑排放训练集的低碳园区碳排放动态预测方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |