Feb, 2024

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

PDF
TL;DR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。
heat, ventilation and air conditioninghvac systemssmart energy managementdata-driven room temperature prediction modelk-means clustering method
发现论文，激发创造
  • 基于数据驱动的暖通空调控制 —— 符号回归的设计和实现

    该研究提出了一种数据驱动的暖通空调控制的设计和实现方法，使用符号回归模型和数据驱动方法对建筑热力学进行建模，并采用模型预测控制调度方案以最小化能源消耗和峰值功率需求，实现节能和舒适。

    Apr, 2023

  • 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

  • 室内室温预测的全局 Transformer 架构

    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。

    Oct, 2023

  • 能效建筑中基于 HVAC 系统的分散温度控制

    本文设计了分散、分布式的实时控制方案，旨在平衡用户舒适度和节能，并在不测量或预测外部干扰的情况下实现。通过调整区域流量，我们提出一个热动力学建模和稳态资源分配问题的优化方法，可以最小化区域温度和建筑能耗之间的总偏差，同时考虑实际操作限制。根据该问题的非凸性质，我们提出两种方法来解决它并设计实时控制。在两种情况下，都可以将热动力学驱动到最优解并平衡节能和舒适度。

    Feb, 2017

  • 运行时数据中心温度预测技术的语法演化应用

    本研究利用语法进化技术，生成数据中心温度模型并预测 CPU 和进气口温度，在减少冷却成本、增强能量效率方面具有重要意义。通过实际数据中心场景的跟踪，结果表明可以完全预测数据室中服务器的温度，并且预测误差分别低于 2℃ 和 0.5℃ 的 CPU 和服务器进气口温度。

    Nov, 2022

  • 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

  • 使用联邦学习训练自主 HVAC 系统

    本文通过聚合在不同气候区域的多个数据中心上训练的本地策略来学习一个全局的强化学习控制器，以最大程度地减少能源消耗并同时最大化热舒适度，实验证明这种联邦策略相比于单独训练的策略具有更快的学习速度和更强的泛化能力。

    May, 2024

  • 利用神经网络模型逼近的强化学习建筑暖通空调调度

    建立建筑 HVAC 系统的深度学习模型对建筑物的能耗消耗进行有效控制，采用基于模型和基于概率的控制方法来实现系统的优化和能耗降低，同时确保系统的安全和效率。

    Oct, 2019

  • 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

  • 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