Day-ahead prediction of hourly subentry energy consumption in the building sector using pattern recognition algorithms.
Energy(2020)
摘要
本文提出并讨论了一种基于模糊C均值聚类和非线性回归的改进识别模式的预测模型。考虑到每小时分项电能消耗(SEEC)的不同时间特性,该模型被应用于管理每小时暖通空调分项和每小时插座分项的提前一天预测,它们分别被视为典型的非平稳序列和典型的平稳序列。结果表明,提出的模式识别方法适用于非平稳暖通空调分项,稳定的能量模式有助于准确预测。此外,引入额外的小时气象参数也有助于提高精度。
简介
本文指出,为了促进建筑物故障检测和诊断的能源管理,每小时电力需求的提前一天精确预测越来越重要。目前,基于数据挖掘能耗需求的研究缺乏规范系统的分析,特别是关于算法和相关参数的选择或者模型适应性方面。
模式识别是对多种形式的信息进行描述、识别和分组的过程。与那些基于大规模数据集的机器学习方法不同,模式识别是通过利用从有限样本中提取的特征因子来实现的。因此,当与回归或各种机器学习算法如人工神经网络和支持向量回归相结合时,可以基于有限的数据集预期具有高泛化能力的可靠预测。
如今,随着技术的进步,我们可以获得大量关于分项(如照明-插头分项、电源分项、暖通系统分项等)电能消耗的数据信息。由于作业时间表不同,各分项的时间序列呈现出独特的变化