基于机器学习方法的XX企业建筑能耗预测
发布时间：2021-04-05 23:16
能源是影响企业发展的一个非常重要的因素,对企业内部各类能耗进行分析预测有利于企业进行能源管理,降低日常用能,实现节能减排和可持续发展。本文以XX企业技术中心为研究对象,针对制冷机房、科技大厦以及强度、整车、发动机性能、发动机排放四个汽车试验室,采集相关数据,分析用能情况,根据不同特点采用不同方法对各部分建立了能耗预测模型,旨在帮助企业进行能耗管理,减少浪费。首先通过分析制冷机房、科技大厦中的照明和办公设备的能耗数据,确定各部分能耗的主要影响因素。然后采用多元回归、SVM以及LS-SVM对制冷机房日能耗进行建模及预测;采用多元回归、最小二乘回归对办公设备日能耗进行建模及预测;采用多元回归、CART决策树对照明设备日能耗进行建模及预测。同时,通过评估各类模型的预测精度,选出最符合实际的模型。最后通过对强度、整车、发动机性能及排放试验室的能耗数据进行分析,采用多项式拟合算法分别对四个汽车试验室每小时的耗能情况进行拟合,通过得到的拟合多项式建立各试验室的能耗预测模型。通过模型评估发现各部分模型拟合精度较好,能有效反映企业的能源消耗情况,对指导企业能源使用、节能措施的实行具有一定的理论和应用价值...
【文章来源】：山东大学山东省 211工程院校 985工程院校 教育部直属院校
【文章页数】：71 页
【学位级别】：硕士
【部分图文】：
图２－１技术中心电能流向图??通过图可以发现，技术中心电能主要用于科技大厦的制冷机房用电、办公设??
山东大学硕士学位论文???上截断点为：ＦＬ－１．５ｄＦ??下截断点为：ＦＵ＋１．５ｄＦ??若样本某数据值不在上下截断点之间，则称之为异常值。??本文通过使用ＳＰＳＳ软件将数据处理成箱线图来检测异常值。结果如图３－１。??ｅｏｏｉｆ－??６?０００－??３９??４４＊??＊Ｄ０Ｃ－??４０?Ｊｆｏ??４６?Ｃ＾３??，ｉ＞?□?＿?＿??？２．００Ｄ－??ｎｉ＇Ｌｆ?Ｋｆ＇．ｎ．ｖ．?ｖ?ｎ?？?ｆ?ｆ?ｉｎ）?ｋｃｒｔｆｉ＊？??图３－１异常值分析结果??常用的异常值处理办法如表３－１。???表３－?１异常值处理办法???异常值处理办法?方法描述??删除含有异常值的记录?直接将含有异常值的记录删除??视为缺失值?将异常值视为缺失值，利用缺失值处理的方法进行处理??平均值修正?可用前后两个观测值的平均值修正该异常值??不处理?直接在其具有异常值的数据集上进行挖掘建模??一般情况下我们选择将异常值视为缺失值的方法，以避免直接删除造成的样??本量减少，进而影响变量的真实分布，导致最后结论失准。??３．１．２缺失值填补??在实际的样本数据中，由于采集过程中的失误、度量方法对于某些特征不适??用、数据未被填写等原因，造成一个或多个值的缺失。??缺失值处理方式如图３－２所示：??１２??
?第３章制冷机房能耗预测??删除行（按列表删除）??删＆数据?成对删除??删除变量????无趋势＆无季?均值、中位数＆众??节性数据?数随机样本插补??时列?有趋势＆免季??上题Ｊ节性数据线性插补??有趋势＆有季?＾??缺失值处理方法?填补数据?节性数据＿??将ＮＡ值当作新分类??分类数据?多重插补??逻辑回归??一般性??问题??：?Ｔ—Ｔ￣??均值、中位数＆众数??———?连续数据?多重插补??不作处理??线性回归??图３－２缺失值处理方法??为保证数据多样性和样本量，本文通过高次Ｌａｇｒａｎｇｅ多项式插值法［Ｍ］对缺??失数据进行填补。??设有一组样本数据（ｘ〇，?ｙ〇?），（?ｘ丨，ｙｉ?）．．．，（?ｘｎ，ｙｎ?），则有?ｎ?次?Ｌａｇｒａｎｇｅ??插值多项式：??Ｐｎ、ｘ、二??；＝〇??其中，人（义）（ｉ＝０，ｌ，２，．．．，ｎ）为ｎ次插值基函数，如式３－２：??１?ｉｘ）?＝?（ｘ?—?ｘｏ）…（ｘ?—?＇?Ｖ?（ｘ?—？＋?１）．二．（ｘ?—?ｘｎ）?．，ｎ?（３－２）??（Ｘ丨－Ｘ〇）…（Ｘ丨?ｘＫｌ）?（ｘ，?－Ｘ１?＋?１）?．．．?（ｘ，?－?ｘｎ）??公式３－１中，ｐｎ（ｘ）是ｎ＋１个ｎ次多项式的线性组合，所以ｐｎ（ｘ）次数要小于ｎ，??则拉格朗日插值多项式ｐｎ⑴记Ｕｘ）：??Ｌｎ（ｘ）?＝?Ｘ（?＾－３）??＂（丨?Ｕ?－?ＴＡ＋ｉＵ、．）??其中似＂＋１Ｕ）?＝?（ｘ?－?Ｘ〇）．．．（Ｘ?－?＇］）?（Ｘ?－?ｘｉ＋１）…（Ｘ?－?ｘｎ）??Ｏｉ）?＝?（Ｘｉ?＿?Ｘ〇）＂．（Ｘｉ?＿?ＸＨ）?（Ｘ「Ｘｉ十—?ｘ丨〗）??
【参考文献】：
期刊论文
[1]基于BP神经网络的烟草企业能耗预测的研究与应用[J]. 陆正卿,方维岚. 山东化工. 2018(19)
[2]基于机器学习算法的建筑能耗监测数据预处理技术研究[J]. 崔治国,曹勇,武根峰,刘辉,仇志飞,陈传玮. 建筑科学. 2018(02)
[3]机器学习算法可近似性的量化评估分析[J]. 江树浩,鄢贵海,李家军,卢文岩,李晓维. 计算机研究与发展. 2017(06)
[4]基于KPCA-WLSSVM的建筑能耗预测模型[J]. 赵超,戴坤成,王贵评. 土木建筑与环境工程. 2015(05)
[5]基于机器学习特性的数据中心能耗优化方法[J]. 王肇国,易涵,张为华. 软件学报. 2014(07)
[6]信息化节能系统在大型企业的应用[J]. 陈治平,潘飞. 上海节能. 2012(10)
[7]建筑能源管理系统及其在绿色建筑中的应用[J]. 林佩仰. 建筑电气. 2012(07)
[8]重庆城市居住建筑能耗预测模型[J]. 蒲清平,李百战,喻伟. 中南大学学报(自然科学版). 2012(04)
[9]基于数据的建筑能耗分析与建模[J]. 刘丹丹,陈启军,森一之,木田幸夫. 同济大学学报(自然科学版). 2010(12)
[10]利用线性回归方法分析能耗与产量的关系[J]. 于秋敏. 节能技术. 2010(04)
博士论文
[1]贝叶斯累加回归树扩展研究及在生存分析中的模型构建[D]. 印明辉.华中科技大学 2017
[2]结合天然采光的办公建筑节能研究[D]. 张伟.天津大学 2005
[3]办公建筑的天然采光与能耗分析[D]. 陈红兵.天津大学 2004
硕士论文
[1]基于神经网络的办公建筑能耗预测研究[D]. 王德晔.山东建筑大学 2019
[2]科技中心能源管理系统与能耗预测的研究[D]. 何琦.山东大学 2019
[3]基于隐变量的多任务学习[D]. 陈凯琪.西南石油大学 2018
[4]基于AdaBoost回归树的多目标预测算法的研究[D]. 张晶.北京交通大学 2017
[5]全年动态建筑采光与能耗模拟方法研究[D]. 吴子敬.沈阳建筑大学 2016
[6]严寒地区办公建筑自然采光对建筑能耗影响分析研究[D]. 冯俊涛.天津大学 2016
[7]基于最小二乘支持向量机的空调负荷预测应用研究[D]. 候鹏.华南理工大学 2015
[8]基于SVM的冰蓄冷负荷预测方法[D]. 于力轩.北京工业大学 2015
[9]基于特征空间动态划分的模糊决策树算法研究[D]. 韩晔.大连理工大学 2014
[10]轮胎生产工艺能耗建模及评估模型研究与实现[D]. 伍杰杰.华南理工大学 2014
本文编号：3120281
【文章来源】：山东大学山东省 211工程院校 985工程院校 教育部直属院校
【文章页数】：71 页
【学位级别】：硕士
【部分图文】：
图２－１技术中心电能流向图??通过图可以发现，技术中心电能主要用于科技大厦的制冷机房用电、办公设??
山东大学硕士学位论文???上截断点为：ＦＬ－１．５ｄＦ??下截断点为：ＦＵ＋１．５ｄＦ??若样本某数据值不在上下截断点之间，则称之为异常值。??本文通过使用ＳＰＳＳ软件将数据处理成箱线图来检测异常值。结果如图３－１。??ｅｏｏｉｆ－??６?０００－??３９??４４＊??＊Ｄ０Ｃ－??４０?Ｊｆｏ??４６?Ｃ＾３??，ｉ＞?□?＿?＿??？２．００Ｄ－??ｎｉ＇Ｌｆ?Ｋｆ＇．ｎ．ｖ．?ｖ?ｎ?？?ｆ?ｆ?ｉｎ）?ｋｃｒｔｆｉ＊？??图３－１异常值分析结果??常用的异常值处理办法如表３－１。???表３－?１异常值处理办法???异常值处理办法?方法描述??删除含有异常值的记录?直接将含有异常值的记录删除??视为缺失值?将异常值视为缺失值，利用缺失值处理的方法进行处理??平均值修正?可用前后两个观测值的平均值修正该异常值??不处理?直接在其具有异常值的数据集上进行挖掘建模??一般情况下我们选择将异常值视为缺失值的方法，以避免直接删除造成的样??本量减少，进而影响变量的真实分布，导致最后结论失准。??３．１．２缺失值填补??在实际的样本数据中，由于采集过程中的失误、度量方法对于某些特征不适??用、数据未被填写等原因，造成一个或多个值的缺失。??缺失值处理方式如图３－２所示：??１２??
?第３章制冷机房能耗预测??删除行（按列表删除）??删＆数据?成对删除??删除变量????无趋势＆无季?均值、中位数＆众??节性数据?数随机样本插补??时列?有趋势＆免季??上题Ｊ节性数据线性插补??有趋势＆有季?＾??缺失值处理方法?填补数据?节性数据＿??将ＮＡ值当作新分类??分类数据?多重插补??逻辑回归??一般性??问题??：?Ｔ—Ｔ￣??均值、中位数＆众数??———?连续数据?多重插补??不作处理??线性回归??图３－２缺失值处理方法??为保证数据多样性和样本量，本文通过高次Ｌａｇｒａｎｇｅ多项式插值法［Ｍ］对缺??失数据进行填补。??设有一组样本数据（ｘ〇，?ｙ〇?），（?ｘ丨，ｙｉ?）．．．，（?ｘｎ，ｙｎ?），则有?ｎ?次?Ｌａｇｒａｎｇｅ??插值多项式：??Ｐｎ、ｘ、二??；＝〇??其中，人（义）（ｉ＝０，ｌ，２，．．．，ｎ）为ｎ次插值基函数，如式３－２：??１?ｉｘ）?＝?（ｘ?—?ｘｏ）…（ｘ?—?＇?Ｖ?（ｘ?—？＋?１）．二．（ｘ?—?ｘｎ）?．，ｎ?（３－２）??（Ｘ丨－Ｘ〇）…（Ｘ丨?ｘＫｌ）?（ｘ，?－Ｘ１?＋?１）?．．．?（ｘ，?－?ｘｎ）??公式３－１中，ｐｎ（ｘ）是ｎ＋１个ｎ次多项式的线性组合，所以ｐｎ（ｘ）次数要小于ｎ，??则拉格朗日插值多项式ｐｎ⑴记Ｕｘ）：??Ｌｎ（ｘ）?＝?Ｘ（?＾－３）??＂（丨?Ｕ?－?ＴＡ＋ｉＵ、．）??其中似＂＋１Ｕ）?＝?（ｘ?－?Ｘ〇）．．．（Ｘ?－?＇］）?（Ｘ?－?ｘｉ＋１）…（Ｘ?－?ｘｎ）??Ｏｉ）?＝?（Ｘｉ?＿?Ｘ〇）＂．（Ｘｉ?＿?ＸＨ）?（Ｘ「Ｘｉ十—?ｘ丨〗）??
【参考文献】：
期刊论文
[1]基于BP神经网络的烟草企业能耗预测的研究与应用[J]. 陆正卿,方维岚. 山东化工. 2018(19)
[2]基于机器学习算法的建筑能耗监测数据预处理技术研究[J]. 崔治国,曹勇,武根峰,刘辉,仇志飞,陈传玮. 建筑科学. 2018(02)
[3]机器学习算法可近似性的量化评估分析[J]. 江树浩,鄢贵海,李家军,卢文岩,李晓维. 计算机研究与发展. 2017(06)
[4]基于KPCA-WLSSVM的建筑能耗预测模型[J]. 赵超,戴坤成,王贵评. 土木建筑与环境工程. 2015(05)
[5]基于机器学习特性的数据中心能耗优化方法[J]. 王肇国,易涵,张为华. 软件学报. 2014(07)
[6]信息化节能系统在大型企业的应用[J]. 陈治平,潘飞. 上海节能. 2012(10)
[7]建筑能源管理系统及其在绿色建筑中的应用[J]. 林佩仰. 建筑电气. 2012(07)
[8]重庆城市居住建筑能耗预测模型[J]. 蒲清平,李百战,喻伟. 中南大学学报(自然科学版). 2012(04)
[9]基于数据的建筑能耗分析与建模[J]. 刘丹丹,陈启军,森一之,木田幸夫. 同济大学学报(自然科学版). 2010(12)
[10]利用线性回归方法分析能耗与产量的关系[J]. 于秋敏. 节能技术. 2010(04)
博士论文
[1]贝叶斯累加回归树扩展研究及在生存分析中的模型构建[D]. 印明辉.华中科技大学 2017
[2]结合天然采光的办公建筑节能研究[D]. 张伟.天津大学 2005
[3]办公建筑的天然采光与能耗分析[D]. 陈红兵.天津大学 2004
硕士论文
[1]基于神经网络的办公建筑能耗预测研究[D]. 王德晔.山东建筑大学 2019
[2]科技中心能源管理系统与能耗预测的研究[D]. 何琦.山东大学 2019
[3]基于隐变量的多任务学习[D]. 陈凯琪.西南石油大学 2018
[4]基于AdaBoost回归树的多目标预测算法的研究[D]. 张晶.北京交通大学 2017
[5]全年动态建筑采光与能耗模拟方法研究[D]. 吴子敬.沈阳建筑大学 2016
[6]严寒地区办公建筑自然采光对建筑能耗影响分析研究[D]. 冯俊涛.天津大学 2016
[7]基于最小二乘支持向量机的空调负荷预测应用研究[D]. 候鹏.华南理工大学 2015
[8]基于SVM的冰蓄冷负荷预测方法[D]. 于力轩.北京工业大学 2015
[9]基于特征空间动态划分的模糊决策树算法研究[D]. 韩晔.大连理工大学 2014
[10]轮胎生产工艺能耗建模及评估模型研究与实现[D]. 伍杰杰.华南理工大学 2014
本文编号：3120281
本文链接：https://www.wllwen.com/shoufeilunwen/xixikjs/3120281.html
