引入用能行为概率和群智能优化的数据驱动高精度小时尺度建筑能耗预测体系

扫码查看

原文链接

NETL
NSTL
万方数据

中文摘要：提出了一种改进的用户用能行为概率模型,作为新输入集成入能耗预测中,引入麻雀搜索算法(SSA)用于优化长短期记忆神经网络(LSTM)的超参数选择,建立了高精度小时尺度建筑能耗预测体系.在某建筑中的实际应用显示,相比于传统预测体系,改进的能耗预测体系可以使决定系数R2平均增大0.201,平均绝对百分比误差(MAPE)平均减小18.10％,均方根误差的变异系数(CV-RMSE)平均减小0.176.

外文标题：Data-driven high-precision hourly-scale building energy consumption prediction employing occupant energy-use behavior probability and swarm intelligence optimization

外文摘要：This research proposes an improved probability model of occupant energy-use behavior,which is integrated into energy consumption prediction as a new input.The sparrow search algorithm(SSA)is introduced to optimize the hyperparameter selection of the long short-term memory neural network(LSTM).A high-precision hourly-scale building energy consumption prediction system is established.The practical application in a building demonstrates that compared with the traditional prediction system,the improved energy consumption prediction system can increase the coefficient of determination(R2)by 0.201 on average,and decrease the average absolute percentage error(MAPE)by 18.10％and the coefficient of variation of the root mean square error(CV-RMSE)by 0.176 on average.

外文关键词：

building energy consumption predictionenergy-use behavior probabilityswarm intelligence algorithmsparrow search algorithmlong short-term memory neural networkhourly-scale

作者：

张城瑀、赵天怡、娄兰兰、朱凯

展开 >

作者单位：

大连理工大学,大连

大连理工大学人工智能大连研究院,大连

大连群智科技有限公司,大连

关键词：

建筑能耗预测用能行为概率群智能算法麻雀搜索算法长短期记忆神经网络小时尺度

基金：

国家自然科学基金项目国家自然科学基金项目国家自然科学基金项目中央高校基本科研业务费项目2023年度大连理工大学-卡迪夫大学合作交流基金项目2023年大连理工大学"卓越共创计划"国际交流基金项目

项目编号：

524780805240810152078096DUT20JC47DUTIO-ZG-202307

出版年：

2024

DOI：

10.19991/j.hvac1971.2024.10.11

暖通空调

亚太建设科技信息研究院中国建筑设计研究院中国建筑学会暖通空调分会

暖通空调

CSTPCD

影响因子：0.711

ISSN：1002-8501

年,卷(期)：2024.54(10)