A short-term building cooling load prediction method using deep learning algorithms.
Applied Energy2017
简介
本文研究了深度学习技术在预测24小时内建筑物冷却负荷曲线方面的潜力。深度学习可以以有监督的方式用于开发具有给定输入和输出(即冷却负荷)的预测模型,或者以无监督的方式用于从原始数据中提取有意义的特征作为模型输入。本研究开发了这两种方式的深度学习的潜力,并将其在冷负荷预测中的性能与建筑领域中典型的特征提取方法和流行的预测技术进行了比较。结果表明,深度学习可以提高建筑物冷负荷预测的性能,特别是当以无监督方式用于构建高级特征作为模型输入时。
方法
1.特征提取
(1)engineering(工程方法)
工程方法主要依靠工程专业知识来选择模型输入。典型的工程方法是选择k个最近的历史数据作为建筑冷负荷预测的模型输入。考虑到建筑运行呈现出很大的日季节性,本研究采用两个工程特征集进行比较:第一个包括之前24小时的历史测量,第二个仅考虑之前一小时的测量。
(2)statistical(统计方法)
统计特征提取方法将时间序列的汇总统计量作为特征进行计算。本研究选择了四个最常用的汇总统计量作为统计特征,即时间序列的最小、最大、平均和标准偏差。