基于Hadoop的建筑能耗预测模型构建与研究

发布时间：2020-11-19 02:47

　　 建筑能耗与工业能耗和交通能耗并称为社会三大能耗,已经成为制约我国经济长期快速增长的沉重负担。对既有建筑进行能耗预测,可以分析和改造设计方案,实现低耗能设计,对建筑节能设计具有指导意义。为了从庞大的建筑能耗数据资源中找到我们所需要的信息,必须依靠有效的数据分析和数据挖掘技术。传统的数据分类预测算法往往只能处理小样本数据,当建筑能耗数据样本规模很大时,计算量急剧增加,网络训练时间长,这成为传统算法的无法克服的问题。云计算的兴起,将传统的分类预测算法进行并行化处理,有效地解决了大规模数据分类预测问题。本文的主要研究内容为:(1)根据采集到的建筑能耗数据样本数据量大、维度高等特点,利用粗糙集理论进行数据样本的属性约简,以确定影响建筑能耗的主要因素。采用基于Map Reduce的大规模数据约简算法,与串行约简算法作对比,在获得相同的约简效果的同时,可以大大缩减数据预处理的时间,提高效率。(2)针对已经进行数据预处理的样本的输入输出特点,确定用于能耗预测的BP神经网络的拓扑结构,如网络层级数、每层的神经元数,连接方式,传递函数和学习算法等,构建建筑能耗预测模型。针对普通BP神经网络算法存在的训练时间长,容易收敛到局部极小值等缺点,采用遗传算法对已构建的网络模型进行优化,得到神经网络最优的初始权值和阈值,并将预测结果与标准模型进行对比。实验结果表明经过遗传算法优化的神经网络模型无论收敛速度还是预测精度都得到提高。该模型仅适用于小样本的建筑能耗预测。(3)利用基于RBF的建筑能耗预测模型,针对本文的输入输出参数,设计实验,实验结果发现基于RBF构建的模型收敛速度虽然比BP构建的模型收敛速度快,但是预测精度并没有很大程度的提高。相比于经过遗传优化的BP神经网络算法,RBF无论在收敛速度还是预测精度上都没有表现出优势。因此建筑能耗的预测模型选择BP神经网络模型,并利用遗传算法优化其初始权值和阈值。(4)寻找普通BP算法的并行点,并将其进行Map Reduce扩展,构建并行的大规模建筑生命周期能耗预测模型并部署在Hadoop分布式平台上实现。将本文提出的基于Map Reduce的BP神经网络算法应用于大规模建筑能耗预测中,实验中初始权值和阈值选择遗传算法优化得到的结果。在保证预测精度的前提下,本文提出的算法在面对大规模的建筑信息数据时有着传统BP算法无可比拟的优势,其运算速度明显优于传统算法。尤其是当传统算法无法对样本进行训练时,本文提出的算法优势更为明显。本文的创新工作主要体现在两方面:(1)数据预处理时采用了针对大规模数据的Map Reduce数据约简算法;(2)针对大规模建筑能耗数据,构建了基于Map Reduce的并行BP神经网络模型。
【学位单位】：武汉理工大学
【学位级别】：硕士
【学位年份】：2015
【中图分类】：TU111.195;TP183
【部分图文】：

武汉理工大学硕士学位论文函数汇总所有的核集，并从核集的末尾开始从后往前对行判断是否为冗余属性，如果所有以所有属性提取的不一rei-b}为有效属性提取的不一致子集记录相同，则 b 为冗将 b 删除得到最后的约简集合。

武汉理工大学硕士学位论文窗的遮阳系数。围护结构的传热系数主要由墙体、决定。耗预测模型经网络简单并抽象地描述了生物神经元的信息传递过程的最小单位。许多功能简单的人工神经元通过拓扑络，它们之间的信号传递实现了神经网络的信息处节完成了了神经网络的训练学习过程。图 2-5 表示单结构。

误差逐级递减，传递函数选择连续可导的 Sigmoid 函数，如1( )1 exp( )f xx 被辨识的模型特性在一个正负区间内变化，网络的传递函数可也就是对称的 Sigmoid 函数，如式（2-4）：1 exp( )( ) ( )1 exp( )xf x than xx 6 描述了一个具有 m 个输入神经元、n 个隐含层神经元和 l 个 BP 网络模型的结构。BP 神经网络表示了一个从 m 个输入到数关系，这种函数关系我们事前并不知道。1 2, , ,mx x x 表示ia（ i 1, 2, ,M ）表示输入层各个神经节点的输出，ja（ j 隐含层神经节点的输出，ky （ k 1, 2, ,L ）表示输出层各个mly 表示网络训练的输出向量，ply 表示数据样本提供的原始
【参考文献】

相关期刊论文 前8条

1 陈榕;钟林志;赵超;张功旺;许巧玲;;基于改进灰色模型的建筑能耗预测研究[J];福州大学学报(自然科学版);2013年05期

2 喻伟;李百战;杨明宇;杜秀媛;;基于人工神经网络的建筑多目标预测模型[J];中南大学学报(自然科学版);2012年12期

3 覃雄派;王会举;杜小勇;王珊;;大数据分析——RDBMS与MapReduce的竞争与共生[J];软件学报;2012年01期

4 刘丹丹;陈启军;森一之;木田幸夫;;基于数据的建筑能耗分析与建模[J];同济大学学报(自然科学版);2010年12期

5 江亿;魏庆芃;杨秀;;以数据说话——科学发展建筑节能[J];建设科技;2009年07期

6 杨宏韬;张德江;李秀兰;王秀英;;遗传神经网络能耗预测模型在钢铁企业中的应用[J];长春工业大学学报(自然科学版);2007年S1期

7 李兆坚;江亿;;我国广义建筑能耗状况的分析与思考[J];建筑学报;2006年07期

8 石磊 ,赵蕾 ,王军 ,刘咸定;应用人工神经网络预测建筑物空调负荷[J];暖通空调;2003年01期

相关博士学位论文 前1条

1 蒲清平;城市居住建筑能耗影响因素与预测模型构建研究[D];重庆大学;2012年

相关硕士学位论文 前7条

1 蒋毅;建筑能耗的统计平台及其基于BP神经网络预测方法的研究[D];华南理工大学;2012年

2 刘长俊;基于遗传BP神经网络技术的大型公建能耗分析模型的研究与应用[D];广西大学;2012年

3 刘猛;云计算平台下神经网络方法研究[D];电子科技大学;2011年

4 韩连华;基于回归分析和数据挖掘的建筑能耗基准评价模型研究[D];北京工业大学;2009年

5 雷娅蓉;重庆市居住建筑能耗预测方法研究[D];重庆大学;2008年

6 张弦;基于数据并行的BP神经网络训练算法[D];华中科技大学;2008年

7 赵毅立;下一代建筑节能设计系统建模及BIM数据管理平台研究[D];清华大学;2008年

本文编号：2889582