Feb, 2024

数据用于预测对智能能量存储中模型预测控制性能的影响

PDF
TL;DR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。
发现论文，激发创造
  • 基于历史数据和环境因素的数据驱动能耗预测

    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

  • 从时间序列数据预测底层建筑用电需求的可预测性

    利用数据驱动方法预测建筑能源需求的可预测性，不需先使用数据驱动的预测模型。

    Nov, 2023

  • 公共建筑能耗预测的深度学习

    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

  • 商业建筑需求响应的高效数据驱动型 MPC

    基于模型预测控制 (MPC) 的能源管理方法，通过数据驱动的途径和混合整数凸优化算法，实现对建筑物的热力学建模和需求响应，从而提高热舒适度、降低能耗和成本。

    Jan, 2024

  • NeurOpt: 基于神经网络的建筑能源管理和环境控制优化

    本研究提出了一种基于神经网络的数据驱动控制算法，以减少建筑物模型识别的成本，通过建筑物能耗和区域温度的动态模型，实现了较高的精度和与默认系统控制器相比的节能和更好的住户舒适度。

    Jan, 2020

  • 基于功耗受限设备的长期交通数据收集的学习

    通过预测与控制数据采集时机，利用历史数据重构完整数据文件，以延长系统寿命并提高估计准确性。

    Jan, 2024

  • 利用数据挖掘技术识别影响建筑物能耗和成本降低的因素

    利用三种回归模型来预测建筑的主要燃料使用、电能消耗和节约成本，以及通过应用元启发式技术优化决策树算法，研究分析影响能源消耗和成本降低的因素，并评估潜在建筑的实用特征，以减少主要燃料使用、电能消耗和成本。

    May, 2023

  • 针对鲁棒性能量预测的持续学习越界时空数据

    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

  • 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

  • 利用机器学习方法量化和预测住宅建筑的灵活性

    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