从时间序列数据预测底层建筑用电需求的可预测性
本研究通过使用历史能源数据、占用模式和天气条件,引入了一种基于长短期记忆(LSTM)模型的建筑能源消耗预测方法。该 LSTM 模型对于住宅和商业建筑的短期、中期和长期能源预测相比现有的预测模型具有更高的准确性。通过与线性回归、决策树和随机森林等已有预测方法的比较,我们的 LSTM 模型在所有指标上表现出色,具有 0.97 的最高 R2 得分和 0.007 的最佳平均绝对误差(MAE)。我们的模型还具有在受限数据集上实现高效能源消耗预测的能力。通过在实际数据上的严格训练和评估,我们解决了过拟合(方差)和欠拟合(偏差)的问题。总结而言,我们的研究通过提供一种优于其他方法的、具有出色效率、普适性和可靠性的强大 LSTM 模型,为能源预测做出了贡献。
Sep, 2023
本文提出了一种基于 LSTM 网络的公共建筑物能耗预测方法,包括数据处理、训练和验证、预测三个步骤,并使用 MAE 和 MAPE 等评价指标对英国国家档案馆主楼的每半小时测量数据集进行了测试。
Jul, 2022
该研究提出了两种互补的灵活性测量指标,并使用主流的基于机器学习的模型预测住宅建筑物在四小时和 24 小时预测时段内的时间变化和间歇性灵活性。长短期记忆(LSTM)模型在功率灵活性方面表现最佳,可以在 24 小时内准确预测功率灵活性,平均误差约为 0.7 千瓦。然而,在能源灵活性方面,LSTM 模型只能成功预测具有一致运行模式的负荷,并且在预测与暖通空调系统相关的能源灵活性时面临挑战。
Mar, 2024
本文探讨了在智能电网等关键基础设施中实现高效运营所需的精确电力负荷预测的问题,提出了基于深度学习模型应用于电力负荷预测问题的最新趋势,并通过实验评估了前馈神经网络、循环神经网络、序列到序列模型和时空卷积神经网络等多种深度学习模型在短期负荷预测方面的性能表现。
Jul, 2019
利用历史建筑能源数据,研究了简单的线性多层感知器模型在多建筑能源系统模拟中提供与先进模型相当的预测精度,并具有更高的数据效率和泛化能力。通过使用变点分析对训练数据进行筛选,同时提高了预测精度和数据效率。重用模型和使用三个月的数据训练的模型平均误差比基准模型高出 10%,表明在没有事先数据收集的情况下部署 MPC 系统可能是经济可行的。
Feb, 2024
该研究使用统计学和机器学习方法来预测国家电力需求,构建了一个完整的长、中、短期电力需求预测模型,其中跨度长的年度趋势采用宏观经济回归分析,中期模型采用温度和日历回归器,短期模型通过多个 ARMA 模型来捕捉小时级别的季节性,结果表明两年外部采样预测精度可达 96.83%。
Apr, 2023
本研究探讨了在流行期间建筑能源使用的预测方法,使用在线学习和人类迁移数据作为新的预测方法,以适应变化的入住模式,并在六个建筑上进行了广泛的实验。
Jun, 2023
通过跨地理分散的电动汽车充电站和联邦学习的高效变种,结合最新进展的 Transformer 架构,提出了一种通信高效的时间序列预测模型,具有与其他模型相媲美的性能,但在训练过程中消耗更低的数据速率。
Sep, 2023