基于EDA-LSTM模型的建筑能耗预测方法研究
在全球性资源紧缺、环境日益恶化的背景下,节约能源显得尤为重要。中国作为全球最大的能源消耗国家,其中建筑能耗占耗能首位。建筑能耗预测是一种提高建筑能源效率的可选思路。建筑能耗预测可以了解建筑物能源消耗情况,预测运行费用、确定合适的节能措施,进而为建筑物节能诊断和改造、故障检测以及控制优化提供决策支持,从而降低建筑能耗。本文选取深圳某绿色办公建筑作为研究对象,从数据预处理、建立组合模型和改进单一模型等优化预测模型方法入手,提高模型预测精度,更加准确地提供建筑节能诊断和改造的决策支持。首先,本文综述了建筑能耗预测常用方法,各种方法的适应场景及其优缺点;阐述本文使用的决策树、支持向量机、神经网络等模型的原理,以及针对建筑能耗预测特点对算法模型进行优化所需的算法介绍。其次,根据建立组合模型的思想,构建了融合CART算法和SVR算法的组合模型CART-SVR,设计了组合框架,阐述组合模型的结构;数据来源于深圳某绿色建筑2018年时间间隔为1小时的建筑能耗数据,并采用数据清理、数据集成、数据规范化等预处理技术进行数据预处理,同时利用相关性分析法进行特征选择;最后搭建了算法的训练网络,确定了组合模型参数,并与单一模型SVR和LSTM进行对比实验,验证组合模型的有效性。实验结果表明,组合模型的预测精度为97.84%,均高于SVR和LSTM模型;组合模型的预测误差均低于对比模型。因此,组合模型具有更高的预测精度,说明了组合模型的优越性和可行性,可作为建筑能耗预测的有效手段。同时识别出了8种绿色建筑的运行模式,研究发现建筑能耗影响因素重要性排序如下:空调末端能耗、给排水泵、车库动力、集中空调冷热站能耗、其他能耗、电梯能耗、照明能耗、租户能耗、送排风机能耗和CO2。最后,通过引入双层注意力机制优化模型神经网络的逻辑架构,构建了基于双层注意力机制的长短期记忆神经网络模型EDA-LSTM。其中,注意力机制层的参数通过竞争随机搜索算法选取,数据预处理采用特征组合的方法引入二元特征。将EDA-LSTM模型与LSTM和MLP、LightGBM以及SVR进行对比发现,EDA-LSTM模型预测的MAE为4.02,降低了22.43-47.89;EDA-LSTM模型预测的RMSE为2.87,降低了8.99-28.14。实验结果表明EDA-LSTM模型更适合对建筑能耗数据进行预测。另外,将引入二元特征的SVR模型和常规预处理后的SVR模型进行对比,实验结果表明,二元特征能够明显提高模型预测精度。同时,研究发现除了单一特征之外,二元特征也是影响建筑能耗的重要因素,如空调末端和工作日类型、小时类型、CO2、车库动力、照明、电梯、送排风机、租户以及其他能耗组合的二元特征;冷热站能耗和CO2、工作日类型、小时类型、给排水泵、照明、电梯和车库动力组合的二元特征等等。本文提出的CART-SVR和EDA-LSTM模型均可提高预测精度,为研究人员预测建筑能耗提供了新的选择。未来研究可以考虑将深度强化学习技术应用于建筑能耗预测,获得更高的预测性能。
- 作者：
- 胡婷
- 学位授予单位：
- 深圳大学
- 授予学位：
- 硕士
- 学位年度：
- 2020年
- 导师姓名：
- 丁志坤
- 中图分类号：
- TU111.195
- 关键词：
- 建筑节能；建筑能耗预测；长短时记忆神经网络；深度学习；支持向量机
-