Mar, 2023

应用 ASHRAE RP-884 和 ASHRAE 全球热舒适数据库 II 发展可靠的浅层监督学习技术以实现热舒适度

PDF
TL;DR本文介绍了一个基于浅层监督学习的控制算法来训练人工智能子系统，以实现住宅用途的物联网（IoT）系统中的热舒适度。为了解决由于不可靠的训练数据所引起的过拟合问题，本文提供了 ASHRAE 数据库的数据过滤和语义数据增强算法，并提出了基于温湿度图的降过拟合检查方法。
artificial intelligencethermal comforttraining datasupervised learningoverfitting
发现论文，激发创造
  • 混合数据驱动 / 热仿真模型用于舒适评估

    通过混合实际数据和模拟数据，利用机器学习模型在预测舒适度方面取得了很有希望的结果。

    Sep, 2023

  • 多任务学习在同时预测热舒适度、感受和偏好方面的应用

    本研究针对能源效率和实际应用的目标，在自然通风的小学教室中进行了为期一个月的实地实验，并提出了一种名为 DeepComfort 的多任务深度学习模型，可同时预测室内热舒适度（包括热感觉、热舒适度和热偏好）多个指标的输出，该模型证明了高的 F1 分数、准确度（>90%）和泛化能力，在 ASHRAE-II 数据库和本研究所创建的数据集上进行了验证。DeepComfort 也显示出优于 6 种常见的单任务机器学习算法的性能。据我们所知，这项工作是将多任务学习应用于教室热舒适度预测的首次尝试。

    Apr, 2022

  • 改进暖通空调控制中的个性化舒适模型：使用主动学习

    提出了一种基于热舒适模型和主动学习的个性化供暖通风空调（HVAC）控制框架，通过减少标注工作量和提高能源节约，实现了在未来实际应用中实现个性化舒适与高效运行的潜力。

    Sep, 2023

  • 冬季舒适度的时间变化的深度学习

    研究了机器学习模型在考虑昼夜节律和室外温度等时间因素时在预测室内热舒适时的分类性能和预测准确度方面的影响，并通过采集 5 所学校 14 个教室共 512 个小学生的数据，展示了时间和空间上的多种温度数据对预测室内热舒适性的重要性。

    Aug, 2022

  • 一种轻量级校准仿真，为优化实际建筑的离线学习提供高效控制

    提出了一种基于仿真的方法，使用定制的模拟器为每个建筑物训练智能体，以提高现有加热、通风和空调系统的性能，实现更高效的能源利用和减少碳排放。

    Oct, 2023

  • 深度强化学习算法在 HVAC 控制中的实验评估

    本研究基于 Sinergym 框架对多种先进 DRL 算法在 HVAC 控制中进行了关于舒适度和能源消耗方面的可重复评估，结果表明 SAC 和 TD3 等 DRL 算法在复杂场景下具有潜力，并揭示了与泛化和增量学习有关的若干挑战。

    Jan, 2024

  • 一对多：建筑暖通空调控制的迁移学习

    该研究提出了一种基于深度强化学习和迁移学习的建筑暖通空调系统控制方法，通过将神经网络控制器拆分为一个可以迁移的前端网络和一个针对每个特定建筑物的可高效训练的后端网络，显著减少训练时间、节约能源成本和改善温度控制精度。

    Aug, 2020

  • 基于计算智能的能效 ACMV 系统预测与优化

    利用新型神经网络模型预测占用者的热舒适状态，分别应用了 Bayesian Gaussian Process Optimization (BGPO) 和 Augmented Firefly Algorithm (AFA) 优化算法来平衡空调系统的能效和占用者的热舒适感，实验结果表明，在样本数量一定时，AFA 算法比 BGPO 算法更稳定，并且在能效用户偏好条件下，BGPO 和 AFA 的最佳节能率分别为 -21％ 和 -10％，可在新加坡实验室节约 S$1219.1。

    Apr, 2022

  • 基于监督学习的 HVAC 系统最优需求响应策略

    该研究提出了一种基于监督学习的新策略，利用神经网络和分段线性方程来优化多区域建筑物中 HVAC 系统的需求响应，结果显示该策略在实用性和计算时间方面都非常有效，同时确保了建筑物居民的热舒适性和 HVAC 系统的成本效益。

    Apr, 2019

  • 提升建筑温度预测：一种基于数据驱动的系统场景聚类方法

    给出了一种基于 k-means 聚类方法的数据驱动室温预测模型，通过历史数据分析提取系统运行特征并简化系统级模型，提高了泛化能力和计算效率，实验证明该方法能显著减少建模时间而不降低预测准确性。

    Feb, 2024