Oct, 2023

室内室温预测的全局 Transformer 架构

PDF
TL;DR该研究提出了一种全局 Transformer 体系结构用于多房间建筑的室内温度预测，旨在优化能源消耗并减少与暖通空调系统相关的温室气体排放。该方法为温度预测提供了一种新颖解决方案，可提高准确性和效率，成为优化建筑行业能源消耗和减少温室气体排放的有价值工具。
building energy systemsthermal state predictionglobal transformer architectureindoor temperature forecastingenergy consumption optimization
发现论文，激发创造
  • 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

  • 基于深度学习模型的迁移学习：小数据情况下建筑负荷预测案例

    本研究提出了一个建筑物之间的迁移学习框架，以应对建筑物限制性和稀缺数据的深度学习预测问题，并将其应用于基于 Transformer 模型的精确负荷预测。结果表明，相比传统深度学习方法，所提出的方法提高了 56.8% 的精度，且准确率优于其他深度学习模型。

    Jan, 2023

  • 一种基于 Transformer 的新型土壤温度预测方法

    利用 Transformer 模型进行土壤温度预测的首次尝试，对比深度学习方法和文献研究，实验证明 Transformer 模型在该领域取得了显著成果，成为新的最先进技术。

    Nov, 2023

  • 基于 Transformer 的居家能源管理系统中的迁移学习需求预测

    通过使用多个家庭的数据进行迁移学习，我们能够提高单个家庭负载预测的准确性和控制性能，进而降低能源成本并优化光伏系统和电池储存的利用。

    Oct, 2023

  • 用于预测多个负载时间序列的 Transformer 训练策略

    研究使用 Transformer 进行电力负荷预测，并测试转移学习策略的有效性，表明全局模型优于其他训练策略，使得 Transformer 在正确的策略下是有效的电力负载预测方法。

    Jun, 2023

  • 使用图网络和新型 Transformer 架构进行时空风速预测

    本研究使用图神经网络和不同的 Transformer 架构，探讨风速预测的时空依赖性，提出了 Fast Fourier Transformer 和 Autoformer 架构，使用这些架构的模型在时空预测上的表现优于其他模型。

    Aug, 2022

  • 多层住宅建筑热力动力学的灰盒模型数字孪生

    利用工业 4.0 技术和数字孪生平台，该研究提出了一种建筑热力动力学的灰盒模拟架构，整合实时物联网数据和建筑的 3D 表示，促进了建筑热力动力学的智能决策制定和优化。

    Feb, 2024

  • 房间入住预测：探索机器学习和时间洞察的力量

    我们的研究验证了我们对连续和分类任务的预测框架的有效性，并强调通过包含时间方面来提高预测能力的潜力。该研究凸显了机器学习在塑造节能实践和房间占用管理方面的前景。

    Dec, 2023

  • 分布式基于 ADMM 的深度学习方法用于多区域建筑热控制

    通过使用 ADMM 和深度学习模型进行分布式优化，本研究通过采用两层分层结构的方法，将建筑物的总功率限制为对应的各个区域的局部功率目标，从而有效地规划室内温度设定点，并成功管理需求响应的高峰事件。

    Dec, 2023

  • 基于 Transformer 的长期时间序列预测的系统综述

    深度学习在时间序列预测方面取得了显著进展，其中 Transformer 架构在处理长序列的语义相关性方面表现出色。研究综述了 Transformer 架构及其改进方法在长期时间序列预测任务中的应用，总结了公开的长期时间序列预测数据集和评估指标，并提供了关于在时间序列分析中有效训练 transformers 的最佳实践和技术，最后提出了该领域的潜在研究方向。

    Oct, 2023