CN112116140B - 一种基于孪生模型的建筑能耗预测方法 - Google Patents
一种基于孪生模型的建筑能耗预测方法 Download PDFInfo
- Publication number
- CN112116140B CN112116140B CN202010946841.7A CN202010946841A CN112116140B CN 112116140 B CN112116140 B CN 112116140B CN 202010946841 A CN202010946841 A CN 202010946841A CN 112116140 B CN112116140 B CN 112116140B
- Authority
- CN
- China
- Prior art keywords
- prediction
- data
- energy consumption
- model
- building
- 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.)
- Active
Links
- 238000005265 energy consumption Methods 0.000 title claims abstract description 99
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000012549 training Methods 0.000 claims abstract description 43
- 238000004088 simulation Methods 0.000 claims abstract description 33
- 238000005096 rolling process Methods 0.000 claims abstract description 3
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 5
- 230000006872 improvement Effects 0.000 claims description 4
- 230000035945 sensitivity Effects 0.000 claims description 4
- 238000010801 machine learning Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 239000013589 supplement Substances 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 claims description 2
- 230000003068 static effect Effects 0.000 claims description 2
- 230000008901 benefit Effects 0.000 abstract description 8
- 230000000295 complement effect Effects 0.000 description 5
- 238000004378 air conditioning Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000007812 deficiency Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000556 factor analysis Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013486 operation strategy Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
-
- 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
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/08—Construction
-
- 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)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Evolutionary Biology (AREA)
- Software Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Marketing (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Medical Informatics (AREA)
- Game Theory and Decision Science (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于孪生模型的建筑能耗预测方法,包括以下步骤:1)建立建筑能耗的预测仿真模型,并预设运行条件,同时基于运行能耗的历史数据,建立数据驱动模型;2)从预测仿真模型和数据驱动模型中提取共同的特征因子,作为预测因子;3)基于运行能耗数据对预测仿真模型进行校准;4)利用校准后的预测仿真模型构建增强训练集数据;5)根据拟预测日的预测因子,判断并选择增强训练数据集或历史数据集,对数据驱动模型进行训练,实施建筑运行能耗预测;6)滚动获取预测日新产生的建筑运行能耗数据,返回执行步骤3),实现可持续的模型校准及数据更新。与现有技术相比,本发明具有适应能力、泛化能力强、预测精度高等优点。
Description
技术领域
本发明涉及建筑能耗预测领域,尤其是涉及一种基于孪生模型的建筑能耗预测方法。
背景技术
目前关于建筑能耗的预测模型主要是基于建筑物理机理的白箱模型,基于建筑热工参数、机电系统等详细信息建立仿真模型,并预设建筑运行参数进行负荷和能耗预测。长期在设计阶段为方案比选、相对比较分析研究提供了技术支撑,发挥了重要作用。然而,由于模型中的预设参数未能真实反映实际建筑运行状态,尽管经过多年的研究和改良,仍然未能有效解决与实际建筑能耗乖离的现实,结果偏差大,由于这类模型虽然基于机理具有解释性,却难以捕捉建筑实际运行的随机动态特性,制约了模型的实际应用。
最近随着大数据、物联网技术的发展,基于实际运行数据的数据驱动模型,包括黑箱模型等基于机器学习算法的模型方法得以积极应用,为动态把握建筑能耗规律,优化运行策略等需求提供了技术支持。然而数驱驱动模型因仅基于历史经验学习获取能耗规律,缺乏对能耗规律背后内在关系的解释性,还由于局限于历史经验的学习,对超出历史经验范围的场景的预测将会失灵,同样也制约了模型的应用。
无论是白箱模型还是黑箱模型,应用于建筑能耗的预测都使得预测精度低、效果差,目前没有行之有效的建筑能耗预测方法,这成为了建筑能耗领域发展的一大瓶颈。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种提高建筑能耗预测的可靠性、适应性和精度的基于孪生模型的建筑能耗预测方法。
本发明的目的可以通过以下技术方案来实现:
一种基于孪生模型的建筑能耗预测方法,包括以下步骤:
1)建立建筑能耗的预测仿真模型,并预设运行条件,同时基于运行能耗的历史数据,建立数据驱动模型;
2)从预测仿真模型和数据驱动模型中提取共同的特征因子,作为预测因子;
3)基于运行能耗数据对预测仿真模型进行校准;
4)利用校准后的预测仿真模型构建增强训练集数据;
5)根据拟预测日的预测因子,判断并选择增强训练数据集或历史数据集,对数据驱动模型进行训练,实施建筑运行能耗预测;
6)滚动获取预测日新产生的建筑运行能耗数据,返回执行步骤3),进行可持续的模型校准及数据更新。
本发明方法明确了两种不同性质、各存局限性的模型如何取长补短形成优势互补的机制。具体来说,对于预测仿真模型(即白箱模型,称为模型A)而言,需要基于实际运行数据进行校准,并满足相关指南的精度要求,因此提供数据驱动模型(成为模型B)相呼应,提取作为预测因子的共同变量;
利用模型A预测覆盖预测因子全范围的能耗预测结果,作为扩展的运行能耗数据集,并与局限于有限范围的实际运行能耗历史数据集混合,形成全域增强的训练数据集,提供给模型B进行学习,补足由历史数据构成的训练集在经验范围上的局限。
模型A和模型B的方法互为补充、校准,且动态迭代完善。模型A与当下历史数据合成增强训练集数据,提供给模型B进行学习,为新场景预测提供支持,而后续实际的能耗数据将同步应用于模型A的校准和更新迭代,形成一种成长型的孪生模型预测方法。
进一步地,所述的步骤4)具体包括:
41)利用校准后的预测仿真模型,获取预测因子全范围的预测结果,作为历史数据集的扩展数据;
42)将扩展数据与历史数据相互融合,合成增强训练集数据,实现对有限的历史经验数据的补充。
进一步地,所述的步骤5)中,当历史数据的经验范围包括拟预测日的预测因子时,选择历史数据集对数据驱动模型进行训练,否则选择增强训练集对数据驱动模型进行训练。
更进一步地,当选择增强训练集对数据驱动模型进行训练时,具体包括:
利用KNN聚类算法,从增强训练集中筛选与拟预测日的预测因子对应的数据集,对数据驱动模型进行训练。
进一步地,所述的步骤3)还包括:基于运行能耗数据分别对预测仿真模型和数据驱动模型进行验证。
更进一步地,所述的对预测仿真模型进行验证具体包括:验证预测因子在预测仿真模型中的敏感性和适用性;
所述的对数据驱动模型进行验证具体包括:验证数据驱动模型对超出历史经验范围的预测因子的偏离特性以及增强训练集对数据驱动模型精度的改善程度。
进一步地,所述的预测仿真模型根据建筑信息和能耗设备系统信息建立,并通过规范参数预设运行条件,所述的建筑信息包括建筑形体,所述的能耗设备系统包括机电系统,所述的规范参数包括动态预设参数和静态预设参数;所述的数据驱动模型通过机器学习回归算法建立。
进一步地,所述的运行能耗数据包括照明能耗数据、设备能耗数据和空调能耗数据。
进一步地,所述的预测因子包括能耗负荷率、室外气象参数、运行方式和/或系统场景,所述的能耗负荷率通过能耗负荷率预测得到,所述的室外气象参数通过天气预报得到,所述的运行方式通过运行方式预设得到,所述的系统场景通过系统变更场景预设得到。
进一步地,在所述的预测仿真模型具备分项运行能耗数据的条件下,对多个能耗需求用能设备系统,分别对应建立多个独立的预测仿真模型。例如建筑中含有多个或多种空调系统情形时,对应各系统能耗和承担的空调区域需求分别建立预测仿真模型,提取影响能耗变化的主要动态因子,参照对应的实际数据进行校准并与数据驱动模型(模型B)的预测因子建立协同关系。
与现有技术相比,本发明具有以下优点:
1)本发明针对建筑能耗预测领域的瓶颈问题,克服了原来白箱模型由于预设变量的不确定性而导致偏离实际的局限,建立了预测因子与实际情况动态校准和联动关系;解决了数据驱动模型因受限于历史经验数据的学习而应对异动场景能力不足的局限性,增强了训练集范围,提升了模型的适应能力,提高建筑能耗预测的可靠性;
2)本发明有机融合了包括传统的白箱模型、黑箱模型在内的数据驱动模型的优势,取长补短,实现两模型方法的相互补充和支撑,实现数据交互融合应用,显著提升了预测模型的适应范围和精度,两模型的孪生发展可取长补短发挥其优势,突破了现有模型方法的瓶颈,具有适应能力、泛化能力强、预测精度高等优点。
附图说明
图1为本发明预测流程示意图;
图2为预测仿真模型和数据驱动模型的互补孪生发展过程示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。显然,所描述的实施例是本发明的一部分实施例,而不是全部实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都应属于本发明保护的范围。
实施例
如图1和图2所示,本发明提供一种基于孪生模型的建筑能耗预测方法,用以保障建筑能耗预测模型的可靠性、增强适应性和精度,包括以下步骤:
S1:根据建筑信息、设备系统信息建立基于对象的建筑能耗的预测仿真模型,即白箱模型(以下称模型A);
S2:根据运行能耗数据建立基于对象的建筑能耗预测的数据驱动模型(以下称模型B);
S3:从模型A和模型B中提取共同的特征因子,作为预测特征变量(以下简称预测因子),并基于运行能耗数据校准模型A,并验证校准模型A预测因子的敏感性、适应性及模型精度;
S4:应用模型A模拟获取预测因子全范围的预测结果数据,作为模型B的未能覆盖预测因子全范围的历史数据集的补充,与历史数据融合,构建覆盖预测因子范围全域的增强训练集数据;
S5:在模型B实施建筑能耗预测前,检测预测因子与历史数据的条件范围的吻合度,具体为,对能耗实施预测时采取前馈方式,并基于聚类、分类的学习算法对预测因子及拟采用的历史数据训练集辨识分析,当拟预测日的预测因子超出实际的历史数据的经验范围时,启用包括历史数据和模型A扩展数据合成的增强训练集数据,进行模型B的学习和预测,否则采用历史数据集作为训练集,进行模型B的学习和预测,最终得到拟预测日的能耗运行数据;
前馈式对预测因子的检测是指,对于拟预测日的预测因子进行分析,比较与历史数据所覆盖的范围的一致性,如果超出历史经验方法,存在模型学习有限、预测失灵的风险,启用增强训练集取代原训练集,并利用分类、聚类算法优选出接近预测目标场景的训练集,为模型B提供优化的训练集数据。
S6:模型A与模型B互为补充,利用新产生的历史数据持续对模型A实施动态校准,同时对增强训练集数据动态更新迭代,实现模型A与模型B的模型据孪生和数据融合。
本发明方法明确了两种不同性质、各存局限性的模型如何取长补短形成优势互补的机制。具体来说,对于预测仿真模型(即白箱模型,称为模型A)而言,需要基于实际运行数据进行校准,并满足相关指南的精度要求,因此提供数据驱动模型(成为模型B)相呼应,提取作为预测因子的共同变量;
利用模型A预测覆盖预测因子全范围的能耗预测结果,作为扩展的运行能耗数据集,并与局限于有限范围的实际运行能耗历史数据集混合,形成全域增强的训练数据集,提供给模型B进行学习,补足由历史数据构成的训练集在经验范围上的局限。
模型A和模型B的方法互为补充、校准,且动态迭代完善。模型A与当下历史数据合成增强训练集数据,提供给模型B进行学习,为新场景预测提供支持,而后续实际的能耗数据将同步应用于模型A的校准和更新迭代,形成一种成长型的孪生模型预测方法。
其中,在具备分项运行能耗数据的条件下,可将模型A分解为各个独立、直接对应能耗需求用能设备系统的模型。例如建筑中含有多个或多种空调系统情形时,对应各系统能耗和承担的空调区域需求分别建模。提取影响能耗变化的主要动态因子,参照对应的实际数据进行校准并与模型B的预测因子建立协同关系。
该能耗预测方法可适用于建筑分项机电系统、分区分部门能耗的预测等。其预测因子主要包括但不限于通过能耗负荷率预测、天气预报、运行方式预设、系统变更场景预设等方式获取。
其具体实施过程包括以下几部分:
1、针对模型需求目标建立白箱模型,基于实际运行条件及能耗运行数据实施校准;
2、基于运行能耗数据建模数据驱动模型,与白箱模型同调提取共同的特征变量作为预测因子;
3、针对提取的预测因子,本实施例中为机电系统的能耗负荷率和室外气象参数,基于实际能耗历史数据验证在白箱模型中的敏感性和适用性,并对比验证数据驱动模型对超出历史经验范围时的偏离特性、替换增强训练集对模型精度改善的有效性。
4、以校准后的白箱模型、合成的增强训练集为模型拓展的支撑,在实施数据驱动模型预测时基于对预测因子的前馈检测及对历史数据的聚类分析,对预测目标的场景是否超出历史经验范围做出判断,当超出历史经验范围时则选择增强训练集,并利用KNN等分类算法筛选出与预测因子相近的数据集作为数据驱动模型的训练集。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的工作人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (5)
1.一种基于孪生模型的建筑能耗预测方法,其特征在于,包括以下步骤:
1)建立建筑能耗的预测仿真模型,并预设运行条件,同时基于运行能耗的历史数据,建立数据驱动模型,所述的预测仿真模型根据建筑信息和能耗设备系统信息建立,并通过规范参数预设运行条件,所述的建筑信息包括建筑形体,所述的能耗设备系统包括机电系统,所述的规范参数包括动态预设参数和静态预设参数;所述的数据驱动模型通过机器学习回归算法建立;
2)从预测仿真模型和数据驱动模型中提取共同的特征因子,作为预测因子,所述的预测因子包括能耗负荷率、室外气象参数、运行方式和/或系统场景,所述的能耗负荷率通过能耗负荷率预测得到,所述的室外气象参数通过天气预报得到,所述的运行方式通过运行方式预设得到,所述的系统场景通过系统变更场景预设得到;
3)基于运行能耗数据对预测仿真模型进行校准,所述的运行能耗数据包括照明能耗数据、设备能耗数据和空调能耗数据;
4)利用校准后的预测仿真模型构建增强训练集数据,具体包括:
41)利用校准后的预测仿真模型,获取预测因子全范围的预测结果,作为历史数据集的扩展数据;
42)将扩展数据与历史数据相互融合,合成增强训练集数据,具体为:
应用预测仿真模型模拟获取预测因子全范围的预测结果数据,作为数据驱动模型的未能覆盖预测因子全范围的历史数据集的补充,与历史数据融合,构建覆盖预测因子范围全域的增强训练集数据;
5)根据拟预测日的预测因子,判断并选择增强训练数据集或历史数据集,对数据驱动模型进行训练,实施建筑运行能耗预测,当历史数据的经验范围包括拟预测日的预测因子时,选择历史数据集对数据驱动模型进行训练,否则选择增强训练集对数据驱动模型进行训练;
6)滚动获取预测日新产生的建筑运行能耗数据,返回执行步骤3),进行可持续的模型校准及数据更新。
2.根据权利要求1所述的一种基于孪生模型的建筑能耗预测方法,其特征在于,当选择增强训练集对数据驱动模型进行训练时,具体包括:
利用KNN聚类算法,从增强训练集中筛选与拟预测日的预测因子对应的数据集,对数据驱动模型进行训练。
3.根据权利要求1所述的一种基于孪生模型的建筑能耗预测方法,其特征在于,所述的步骤3)还包括:基于运行能耗数据分别对预测仿真模型和数据驱动模型进行验证。
4.根据权利要求3所述的一种基于孪生模型的建筑能耗预测方法,其特征在于,所述的对预测仿真模型进行验证具体包括:验证预测因子在预测仿真模型中的敏感性和适用性;
所述的对数据驱动模型进行验证具体包括:验证数据驱动模型对超出历史经验范围的预测因子的偏离特性以及增强训练集对数据驱动模型精度的改善程度。
5.根据权利要求1所述的一种基于孪生模型的建筑能耗预测方法,其特征在于,在所述的预测仿真模型具备分项运行能耗数据的条件下,对多个能耗需求用能设备系统,分别对应建立多个独立的预测仿真模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010946841.7A CN112116140B (zh) | 2020-09-10 | 2020-09-10 | 一种基于孪生模型的建筑能耗预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010946841.7A CN112116140B (zh) | 2020-09-10 | 2020-09-10 | 一种基于孪生模型的建筑能耗预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112116140A CN112116140A (zh) | 2020-12-22 |
CN112116140B true CN112116140B (zh) | 2022-09-20 |
Family
ID=73802487
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010946841.7A Active CN112116140B (zh) | 2020-09-10 | 2020-09-10 | 一种基于孪生模型的建筑能耗预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112116140B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022261965A1 (zh) * | 2021-06-18 | 2022-12-22 | 西门子股份公司 | 暖通空调系统的管理方法、系统及存储介质 |
CN114897241A (zh) * | 2022-05-10 | 2022-08-12 | 南京英诺森软件科技有限公司 | 一种基于数字孪生的楼宇能效智能化监管预测方法 |
CN117781428A (zh) * | 2023-12-26 | 2024-03-29 | 浙江大冲能源科技股份有限公司 | 一种超低能耗建筑空气循环调控系统 |
CN117930787B (zh) * | 2024-03-21 | 2024-06-11 | 南京航空航天大学 | 一种数控机床加工的工艺参数优化方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110070145A (zh) * | 2019-04-30 | 2019-07-30 | 天津开发区精诺瀚海数据科技有限公司 | 基于增量聚类的lstm轮毂单品能耗预测 |
CN110096793A (zh) * | 2019-04-28 | 2019-08-06 | 山东建筑大学 | 一种基于居住用户活动模式的住宅能耗预测方法 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9471884B2 (en) * | 2014-05-30 | 2016-10-18 | International Business Machines Corporation | Multi-model blending |
EP3404497B1 (en) * | 2017-05-15 | 2021-11-10 | Siemens Aktiengesellschaft | A method and system for providing an optimized control of a complex dynamical system |
CN107704875A (zh) * | 2017-09-30 | 2018-02-16 | 山东建筑大学 | 基于改进ihcmac神经网络的建筑负荷预测方法和装置 |
CN108470139A (zh) * | 2018-01-25 | 2018-08-31 | 天津大学 | 一种基于数据增强的小样本雷达图像人体动作分类方法 |
CN110223510B (zh) * | 2019-04-24 | 2021-03-26 | 长安大学 | 一种基于神经网络lstm的多因素短期车流量预测方法 |
CN110110466B (zh) * | 2019-05-17 | 2023-07-21 | 中冶华天工程技术有限公司 | 一种机器学习和工艺仿真的污水处理目标参数预测方法 |
CN110412871B (zh) * | 2019-07-10 | 2020-07-03 | 北京天泽智云科技有限公司 | 建筑区域内的辅助设备能耗预测处理方法及系统 |
CN110705789A (zh) * | 2019-09-30 | 2020-01-17 | 国网青海省电力公司经济技术研究院 | 一种光伏电站短期功率预测方法 |
CN111210359B (zh) * | 2019-12-30 | 2022-01-28 | 中国矿业大学(北京) | 面向智能矿山场景的数字孪生演化机理及方法 |
CN111339642B (zh) * | 2020-02-13 | 2023-09-15 | 创新奇智(合肥)科技有限公司 | 仿真模型率定方法、系统、可读介质、设备 |
-
2020
- 2020-09-10 CN CN202010946841.7A patent/CN112116140B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110096793A (zh) * | 2019-04-28 | 2019-08-06 | 山东建筑大学 | 一种基于居住用户活动模式的住宅能耗预测方法 |
CN110070145A (zh) * | 2019-04-30 | 2019-07-30 | 天津开发区精诺瀚海数据科技有限公司 | 基于增量聚类的lstm轮毂单品能耗预测 |
Also Published As
Publication number | Publication date |
---|---|
CN112116140A (zh) | 2020-12-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112116140B (zh) | 一种基于孪生模型的建筑能耗预测方法 | |
CN109492830B (zh) | 一种基于时空深度学习的移动污染源排放浓度预测方法 | |
CN101398686B (zh) | 通过嵌入式历史机数据实现的自适应工业系统 | |
CN102792234B (zh) | 用于计算机辅助地控制和/或调节技术系统的方法 | |
CN113222328B (zh) | 基于路段污染相似性的空气质量监测设备布点选址方法 | |
CN109859163A (zh) | 一种基于特征金字塔卷积神经网络的lcd缺陷检测方法 | |
WO2007027239A8 (en) | Trusted decision support system and method | |
EP4020336A1 (en) | Ai-based pre-training model determination system, and ai-based vision inspection management system using same for product production lines | |
US20210209488A1 (en) | Inference computing apparatus, model training apparatus, inference computing system | |
CN115470707A (zh) | 一种城市场景仿真模拟系统 | |
CN102750712A (zh) | 一种基于局部时空流形学习的运动目标分割方法 | |
Pinto et al. | Sharing is caring: An extensive analysis of parameter-based transfer learning for the prediction of building thermal dynamics | |
Rampini et al. | Artificial intelligence in construction asset management: A review of present status, challenges and future opportunities | |
CN106485342A (zh) | 使企业营运与设施能量使用相互关联的分析引擎 | |
CN116822115A (zh) | 一种基于数字孪生技术的智慧园区的环境管理方法及系统 | |
Martinez-Viol et al. | Automatic model calibration for coupled HVAC and building dynamics using Modelica and Bayesian optimization | |
CN113033910A (zh) | 一种光伏发电功率的预测方法、存储介质及终端设备 | |
CN117391464A (zh) | 一种基于rbf神经网络的工程项目进度预测方法及系统 | |
Del Ser et al. | Introduction to the special issue on online learning for big-data driven transportation and mobility | |
Saha et al. | Fuzzy Clustering‐Based Ensemble Approach to Predicting Indian Monsoon | |
Ma et al. | Parallel systems for the bridge inspection | |
Hajj-Hassan et al. | A Behavioral-Based Machine Learning Approach for Predicting Building Energy Consumption | |
Mahdavi et al. | Simulation-based integration of contextual forces into building systems control | |
Mahdavi et al. | Exploring model-based reasoning in lighting systems control | |
Amarkhil | Computer vision-based method to energy saving retrofit: A study of improving energy efficiency in existing construction |
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 |