文献调研（九）：基于rough set理论和深度学习算法的建筑能耗预测模型

A building energy consumption prediction model based on rough set theory and deep learning algorithms.

(Energy and Buildings2021)

简介

本文提出，rough set理论来提取重要能耗影响参数，深度学习可以用来预测能耗。本研究收集了100栋民用公共建筑的数据进行rough set reduction，确定相关的建筑能耗影响参数，然后收集了大连某大学实验楼近一年的数据进行深度神经网络的训练和测试。
建筑能耗预测的方法一般可分为基于物理模型的方法和数据驱动的方法。基于物理模型的方法也称为基于白盒的方法，它利用物理原理来评估建筑能耗。常用的建筑能耗模拟软件包括EnergyPlus、 equest、octet等。在模拟建筑能耗时，基于物理模型的方法需要详细的输入信息，如建筑、暖通空调系统、设备的物理特征和居住者的时间表等。信息输入将有助于实现建筑能耗的准确预测，但也使建模过程相当复杂和缓慢。
数据驱动的方法分为两类:统计方法和机器学习方法。统计方法也称为灰箱模型，通常采用回归分析预测或基于时间序列的预测的形式，回归分析通过建立自变量和因变量之间的数学表达式来模拟和预测能耗。基于时间的分析时一个动态数据处理的统计方法，该方法比传统的自适应神经模糊推理系统模型具有更强的鲁棒性。但是这种方法的预测过程比较复杂，计算能耗的效率不高。一般来说，统计方法具有结构简单和模型建立相对容易的优点。然而，与此同时，由于灰箱模型中输入元素之间的复杂相互作用，可能出现诸如低计算