基于EDA-LSTM模型的建筑能耗预测方法研究
发布时间：2022-07-15 15:51
在全球性资源紧缺、环境日益恶化的背景下,节约能源显得尤为重要。中国作为全球最大的能源消耗国家,其中建筑能耗占耗能首位。建筑能耗预测是一种提高建筑能源效率的可选思路。建筑能耗预测可以了解建筑物能源消耗情况,预测运行费用、确定合适的节能措施,进而为建筑物节能诊断和改造、故障检测以及控制优化提供决策支持,从而降低建筑能耗。本文选取深圳某绿色办公建筑作为研究对象,从数据预处理、建立组合模型和改进单一模型等优化预测模型方法入手,提高模型预测精度,更加准确地提供建筑节能诊断和改造的决策支持。首先,本文综述了建筑能耗预测常用方法,各种方法的适应场景及其优缺点;阐述本文使用的决策树、支持向量机、神经网络等模型的原理,以及针对建筑能耗预测特点对算法模型进行优化所需的算法介绍。其次,根据建立组合模型的思想,构建了融合CART算法和SVR算法的组合模型CART-SVR,设计了组合框架,阐述组合模型的结构;数据来源于深圳某绿色建筑2018年时间间隔为1小时的建筑能耗数据,并采用数据清理、数据集成、数据规范化等预处理技术进行数据预处理,同时利用相关性分析法进行特征选择;最后搭建了算法的训练网络,确定了组合模型参...
【文章页数】：103 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
第1章 绪论
1.1 研究背景
1.2 研究目的和意义
1.3 研究流程图
1.4 论文框架结构
第2章 建筑能耗预测方法研究综述
2.1 建筑能耗预测方法研究现状
2.1.1 基于工程方法的建筑能耗预测
2.1.2 基于统计方法的建筑能耗预测
2.1.3 基于人工智能方法的建筑能耗预测
2.1.4 基于深度学习的建筑能耗预测
2.1.5 建筑能耗预测方法小结
2.2 研究问题提炼
2.3 研究内容
2.4 技术路线
第3章 建筑能耗预测研究理论基础及方法
3.1 传统机器学习算法理论介绍
3.1.1 支持向量机
3.1.2 决策树
3.1.3 人工神经网络
3.2 深度学习算法理论介绍
3.2.1 循环神经网络
3.2.2 长短时记忆神经网络
3.2.3 注意力机制
3.2.4 竞争随机搜索算法
3.3 模型评估方法
3.3.1 评估方法
3.3.2 性能度量
3.4 本章小结
第4章 建筑能耗数据收集与预处理
4.1 建筑基本情况
4.2 建筑能耗数据收集与分析
4.2.1 建筑能耗数据收集汇总
4.2.2 能耗基本情况分析
4.3 建筑能耗数据预处理
4.4 数据可视化分析
4.5 本章小结
第5章 建筑能耗预测模型构建与实现
5.1 组合模型
5.1.1 研究框架
5.1.2 CART-SVR模型结构
5.1.3 CART-SVR模型输入
5.1.4 CART-SVR模型实现细节及参数设定
5.1.5 CART-SVR模型结果分析
5.1.6 预测模型对比实验
5.1.7 预测模型实验结果比较与讨论
5.1.8 总结
5.2 EDA-LSTM模型
5.2.1 研究框架
5.2.2 EDA-LSTM模型结构
5.2.3 EDA-LSTM模型输入
5.2.4 EDA-LSTM模型实现细节及参数设置
5.2.5 EDA-LSTM模型结果分析
5.2.6 预测模型对比实验
5.2.7 预测模型实验结果比较与讨论
5.3 预测模型综合对比分析与讨论
5.4 本章小结
第6章 结论与建议
6.1 结论
6.2 本文创新点
6.3 后续研究建议
参考文献
指导教师对学位论文的学术评语
学位论文答辩委员会决议书
附录
致谢
攻读硕士学位期间的研究成果
【参考文献】：
期刊论文
[1]基于BPNN-EMD-LSTM组合模型的城市短期燃气负荷预测[J]. 陈川,陈冬林,何李凯. 安全与环境工程. 2019(01)
[2]基于attention机制的LSTM神经网络超短期负荷预测方法[J]. 李昭昱,艾芊,张宇帆,肖斐. 供用电. 2019(01)
[3]基于全寿命周期能耗理论西安地区建筑节能技术策略研究——以三桥枫桥名邸小区3号楼为例[J]. 雷南,赵子龙,魏舒乐. 农家参谋. 2018(01)
[4]《中国建筑能耗研究报告（2017）》概述[J]. 侯恩哲. 建筑节能. 2017(12)
[5]基于深度学习的短时交通流量预测[J]. 乔松林,孙仁诚,刘吉. 青岛大学学报(自然科学版). 2017(04)
[6]一种基于LSTM神经网络的短期用电负荷预测方法[J]. 张宇航,邱才明,贺兴,凌泽南,石鑫. 电力信息与通信技术. 2017(09)
[7]基于注意力机制的LSTM的语义关系抽取[J]. 王红,史金钏,张志伟. 计算机应用研究. 2018(05)
[8]既有建筑九成高耗能,改造面临多重困境[J]. 龙胜平,陈建萍. 环境经济. 2017(07)
[9]天津市某办公楼实际运行能耗分析[J]. 贺芳,王雯翡,闫静静,杜涛. 建设科技. 2014(18)
[10]时间序列分析方法在上海建筑能耗预测中的应用[J]. 潘成诚,杨太华. 能源与环境. 2013(06)
硕士论文
[1]基于模糊理论的决策树算法的研究及应用[D]. 于振灏.中国地质大学(北京) 2017
[2]基于深度学习的电力负荷预测[D]. 单成龙.湘潭大学 2017
[3]成都大型公共建筑空调系统节能诊断与分析[D]. 李俊橙.重庆大学 2015
[4]基于变负荷的地源热泵土壤温度模拟研究[D]. 王会鹏.天津大学 2010
本文编号：3662357
【文章页数】：103 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
第1章 绪论
1.1 研究背景
1.2 研究目的和意义
1.3 研究流程图
1.4 论文框架结构
第2章 建筑能耗预测方法研究综述
2.1 建筑能耗预测方法研究现状
2.1.1 基于工程方法的建筑能耗预测
2.1.2 基于统计方法的建筑能耗预测
2.1.3 基于人工智能方法的建筑能耗预测
2.1.4 基于深度学习的建筑能耗预测
2.1.5 建筑能耗预测方法小结
2.2 研究问题提炼
2.3 研究内容
2.4 技术路线
第3章 建筑能耗预测研究理论基础及方法
3.1 传统机器学习算法理论介绍
3.1.1 支持向量机
3.1.2 决策树
3.1.3 人工神经网络
3.2 深度学习算法理论介绍
3.2.1 循环神经网络
3.2.2 长短时记忆神经网络
3.2.3 注意力机制
3.2.4 竞争随机搜索算法
3.3 模型评估方法
3.3.1 评估方法
3.3.2 性能度量
3.4 本章小结
第4章 建筑能耗数据收集与预处理
4.1 建筑基本情况
4.2 建筑能耗数据收集与分析
4.2.1 建筑能耗数据收集汇总
4.2.2 能耗基本情况分析
4.3 建筑能耗数据预处理
4.4 数据可视化分析
4.5 本章小结
第5章 建筑能耗预测模型构建与实现
5.1 组合模型
5.1.1 研究框架
5.1.2 CART-SVR模型结构
5.1.3 CART-SVR模型输入
5.1.4 CART-SVR模型实现细节及参数设定
5.1.5 CART-SVR模型结果分析
5.1.6 预测模型对比实验
5.1.7 预测模型实验结果比较与讨论
5.1.8 总结
5.2 EDA-LSTM模型
5.2.1 研究框架
5.2.2 EDA-LSTM模型结构
5.2.3 EDA-LSTM模型输入
5.2.4 EDA-LSTM模型实现细节及参数设置
5.2.5 EDA-LSTM模型结果分析
5.2.6 预测模型对比实验
5.2.7 预测模型实验结果比较与讨论
5.3 预测模型综合对比分析与讨论
5.4 本章小结
第6章 结论与建议
6.1 结论
6.2 本文创新点
6.3 后续研究建议
参考文献
指导教师对学位论文的学术评语
学位论文答辩委员会决议书
附录
致谢
攻读硕士学位期间的研究成果
【参考文献】：
期刊论文
[1]基于BPNN-EMD-LSTM组合模型的城市短期燃气负荷预测[J]. 陈川,陈冬林,何李凯. 安全与环境工程. 2019(01)
[2]基于attention机制的LSTM神经网络超短期负荷预测方法[J]. 李昭昱,艾芊,张宇帆,肖斐. 供用电. 2019(01)
[3]基于全寿命周期能耗理论西安地区建筑节能技术策略研究——以三桥枫桥名邸小区3号楼为例[J]. 雷南,赵子龙,魏舒乐. 农家参谋. 2018(01)
[4]《中国建筑能耗研究报告（2017）》概述[J]. 侯恩哲. 建筑节能. 2017(12)
[5]基于深度学习的短时交通流量预测[J]. 乔松林,孙仁诚,刘吉. 青岛大学学报(自然科学版). 2017(04)
[6]一种基于LSTM神经网络的短期用电负荷预测方法[J]. 张宇航,邱才明,贺兴,凌泽南,石鑫. 电力信息与通信技术. 2017(09)
[7]基于注意力机制的LSTM的语义关系抽取[J]. 王红,史金钏,张志伟. 计算机应用研究. 2018(05)
[8]既有建筑九成高耗能,改造面临多重困境[J]. 龙胜平,陈建萍. 环境经济. 2017(07)
[9]天津市某办公楼实际运行能耗分析[J]. 贺芳,王雯翡,闫静静,杜涛. 建设科技. 2014(18)
[10]时间序列分析方法在上海建筑能耗预测中的应用[J]. 潘成诚,杨太华. 能源与环境. 2013(06)
硕士论文
[1]基于模糊理论的决策树算法的研究及应用[D]. 于振灏.中国地质大学(北京) 2017
[2]基于深度学习的电力负荷预测[D]. 单成龙.湘潭大学 2017
[3]成都大型公共建筑空调系统节能诊断与分析[D]. 李俊橙.重庆大学 2015
[4]基于变负荷的地源热泵土壤温度模拟研究[D]. 王会鹏.天津大学 2010
本文编号：3662357
本文链接：https://www.wllwen.com/jianzhugongchenglunwen/3662357.html
