Data driven prediction models of energy use of appliances in a low-energe house.
(Energy and Buildings2017)
简介
本文提出了数据驱动的电器能源使用预测模型,预测过程中考虑到了温度、气压等特征的影响,并对多元线性回归、支持向量机、随机森林、梯度增强机(GBM)四种模型的预测性能进行了比较。
方法
本文探讨了几个问题。从附近气象站获得的天气数据是否有足够的代表性来改进电器能耗预测?无线网络的温度和湿度测量有助于能量预测吗?从预测模型使用的所有数据来看,哪些参数在能量预测中最重要?由于居住者对电器的使用有直接影响,包含一个与居住者相关的辅助计量能量测量(光)对预测有什么影响?
文章中对数据集所涉及的房屋以及数据收集设备(传感器、电表)进行了详细的介绍
1.数据
数据分析
本文每10分钟记录一次电器耗能,以捕捉能耗的快速变化,数据集的时间跨度为137天(4.5个月),对数据做可视化,得到如下两幅图: