基于深度学习的建筑能耗预测的研究
发布时间：2021-11-22 00:09
目前国内外基于机器学习的建筑能耗预测基本限制于特定地区,特定建筑类型的前提下进行能耗的预测。模型大多使用线形回归,支持向量机,高斯过程,多元自适应回归样条和随机森林等。预测目标分为定性分类和建筑能耗（Energy Use Intensity,简称EUI）数值等。模型的数据样本在数量和多样性上都存在一些局限性,因此模型的适用范围也局限于特定地区和特定建筑类型。本文提出了新的建筑能耗数据来源和建筑能耗特征提取方法,使用欧特克公司的Green Building Studio及相关服务作为数据源进行了特征提取,然后基于深度学习模型对建筑能耗（EUI）的预测进行了研究。主要研究内容包含了以下5个方面:（1）建筑能耗参数的识别与定义,解决地理位置和建筑类型的限制;（2）建筑能耗参数的提取方法,归一化方法的研究与实现;（3）研究了深度学习模型对建筑能耗预测的适用性;（4）深度学习模型的程序实现以及调整优化超参数的思路与方法;（5）对预测结果进行评测,与多元线形回归,支持向量回归等模型的结果进行对比。相比多元线形回归与支持向量回归,深度学习模型取得了较好的建筑能耗预测结果:均方根误差RMSE达到了0....
【文章来源】：上海交通大学上海市 211工程院校 985工程院校 教育部直属院校
【文章页数】：70 页
【学位级别】：硕士
【部分图文】：
M-P神经元模型
上海交通大学工程硕士学位论文第二章预测模型及方法82.2感知机FrankRosenblatt提出的感知机是一种基于“M-P”模型的线性二分类模型：输入n维实数的特征向量，线性组合后，结果大于某个数时输出1，否则输出-1。可以用公式（2-3）表示：f(0,1,2,3…n)=1,5++-+.9>01,5++-+.9≤0（2-3）2.2.1单层感知机Frank.Roseblatt给出了当两类模式是线性可分时（即存在一个超平面，将两类模式分开），算法一定收敛的证明。表2-1以具有两个输入的单层感知机为例（阈值是对线性取值进行平移，暂时忽略阈值），展示了And，Or，Not和Xor的关系：表2-1单层感知机的布尔代数表述Table2-1BooleanAlgebraofOneLayerPerceptron"$AndOrNot(")Not($)Xor0001110010110110000111110000逻辑And，Or，Not(")和Not(x$)都可以用一条直线来分隔结果0（False）和1（True）。但由于单层感知机的局限，无法对Xor进行分类，即无法解决不可线性分割问题[22]，逻辑Xor如图2-2：图2-2逻辑XorFig.2-2LogicXor
上海交通大学工程硕士学位论文第二章预测模型及方法92.2.2多层感知机很多线性不可分的问题可以通过多层多个感知机实现复杂空间的分割：图2-3单隐层层感知机解决异或问题Fig.2-3SolveXorIssuewithSingleHiddenLayerPerceptron如图2-3，第一层感知机的两个线性分类器将特征空间分割成两部分，然后经过线性组合做为第二层感知机的输入，进而实现了异或运算的空间分割：=D5FG5HFH+9FJH."K+9-F."L（2-4）式（2-4）中的θ()为阶梯函数。Kolmogorov的理论[23]指出双隐层感知机可解决任意复杂的分类问题。但实际问题中的复杂性要比异或问题更加复杂，所以需要构建多层网络来解决复杂问题，这样的多层结构称为神经网络，使用多层神经网络进行训练的到的模型称为深度学习模型。2.3激活函数公式（2-1）展示了激活函数的作用，而不同的激活函数会使神经网络具有不同的特性。下面说明几种较常用的激活函数：阶梯函数（公式2-5），Sigmoid
【参考文献】：
期刊论文
[1]基于机器学习的建筑能耗模型适用性研究[J]. 田玮,魏来,李占勇,孟庆新,宋继田,杨松. 天津科技大学学报. 2016(03)
[2]基于KPCA-WLSSVM的公共建筑能耗预测[J]. 许巧玲,林跃东,严哲钦. 江南大学学报(自然科学版). 2015(06)
[3]基于时间序列分析的建筑能耗预测方法[J]. 周芮锦,潘毅群,黄治钟. 暖通空调. 2013(08)
[4]BP神经网络输入层数据归一化研究[J]. 柳小桐. 机械工程与自动化. 2010(03)
博士论文
[1]城市居住建筑能耗影响因素与预测模型构建研究[D]. 蒲清平.重庆大学 2012
硕士论文
[1]影响成都地区住宅建筑能耗的相关因素分析[D]. 朱磊.西南交通大学 2017
[2]基于机器学习方法的建筑能耗性能研究[D]. 魏来.天津科技大学 2016
[3]基于回归分析和数据挖掘的建筑能耗基准评价模型研究[D]. 韩连华.北京工业大学 2009
本文编号：3510534
【文章来源】：上海交通大学上海市 211工程院校 985工程院校 教育部直属院校
【文章页数】：70 页
【学位级别】：硕士
【部分图文】：
M-P神经元模型
上海交通大学工程硕士学位论文第二章预测模型及方法82.2感知机FrankRosenblatt提出的感知机是一种基于“M-P”模型的线性二分类模型：输入n维实数的特征向量，线性组合后，结果大于某个数时输出1，否则输出-1。可以用公式（2-3）表示：f(0,1,2,3…n)=1,5++-+.9>01,5++-+.9≤0（2-3）2.2.1单层感知机Frank.Roseblatt给出了当两类模式是线性可分时（即存在一个超平面，将两类模式分开），算法一定收敛的证明。表2-1以具有两个输入的单层感知机为例（阈值是对线性取值进行平移，暂时忽略阈值），展示了And，Or，Not和Xor的关系：表2-1单层感知机的布尔代数表述Table2-1BooleanAlgebraofOneLayerPerceptron"$AndOrNot(")Not($)Xor0001110010110110000111110000逻辑And，Or，Not(")和Not(x$)都可以用一条直线来分隔结果0（False）和1（True）。但由于单层感知机的局限，无法对Xor进行分类，即无法解决不可线性分割问题[22]，逻辑Xor如图2-2：图2-2逻辑XorFig.2-2LogicXor
上海交通大学工程硕士学位论文第二章预测模型及方法92.2.2多层感知机很多线性不可分的问题可以通过多层多个感知机实现复杂空间的分割：图2-3单隐层层感知机解决异或问题Fig.2-3SolveXorIssuewithSingleHiddenLayerPerceptron如图2-3，第一层感知机的两个线性分类器将特征空间分割成两部分，然后经过线性组合做为第二层感知机的输入，进而实现了异或运算的空间分割：=D5FG5HFH+9FJH."K+9-F."L（2-4）式（2-4）中的θ()为阶梯函数。Kolmogorov的理论[23]指出双隐层感知机可解决任意复杂的分类问题。但实际问题中的复杂性要比异或问题更加复杂，所以需要构建多层网络来解决复杂问题，这样的多层结构称为神经网络，使用多层神经网络进行训练的到的模型称为深度学习模型。2.3激活函数公式（2-1）展示了激活函数的作用，而不同的激活函数会使神经网络具有不同的特性。下面说明几种较常用的激活函数：阶梯函数（公式2-5），Sigmoid
【参考文献】：
期刊论文
[1]基于机器学习的建筑能耗模型适用性研究[J]. 田玮,魏来,李占勇,孟庆新,宋继田,杨松. 天津科技大学学报. 2016(03)
[2]基于KPCA-WLSSVM的公共建筑能耗预测[J]. 许巧玲,林跃东,严哲钦. 江南大学学报(自然科学版). 2015(06)
[3]基于时间序列分析的建筑能耗预测方法[J]. 周芮锦,潘毅群,黄治钟. 暖通空调. 2013(08)
[4]BP神经网络输入层数据归一化研究[J]. 柳小桐. 机械工程与自动化. 2010(03)
博士论文
[1]城市居住建筑能耗影响因素与预测模型构建研究[D]. 蒲清平.重庆大学 2012
硕士论文
[1]影响成都地区住宅建筑能耗的相关因素分析[D]. 朱磊.西南交通大学 2017
[2]基于机器学习方法的建筑能耗性能研究[D]. 魏来.天津科技大学 2016
[3]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]. 韩连华.北京工业大学 2009
本文编号：3510534
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3510534.html
