人工智能算法在建筑能耗预测中应用综述,本文是建筑能耗有关在职研究生论文范文与人工智能算法和能耗和综述有关在职研究生论文范文.
建筑能耗论文参考文献：
摘 要：介绍了多元线性回归、人工神经网络、支持向量机、灰色模型、时间序列、深度学习等各种人工智能算法在建筑能耗预测中的应用.回顾了国内外学者对各种建筑能耗模型方面的研究进展和现状,分析了这些算法模型各自特点和适用条件、不足之处,指出这些算法模型能够在特定的假定条件下预测建筑能耗情况.
关键词：建筑能耗；能耗预测；能耗计算模型；人工智能算法
中图分类号：TU111.19+5；TP18 文献标志码：A DOI：10.3969/j.issn.1674-9146.2018.09.058、
1 人工智能算法用于建筑能耗预测的研究背景
建筑能耗在我国能源消耗中所占比例越来越高,从20世纪70年代末的10%上升到目前的28%,正在成为我国城镇生产生活的主要消耗源.我国各类型的大型公共建筑每年的能耗总量是国外发达国家同类建筑的2倍左右[1].
研究者把人工智能技术与建筑领域知识相结合,使得人工智能技术在建筑领域取得了广泛应用,特别是把人工智能算法应用到建筑能耗预测方面.当前,人工神经网络法、支持向量机法、灰色模型法、时间序列法、深度学习法等方法以及基于上述方法的优化算法都是应用较广泛的人工智能预测方法.
2 人工智能算法在建筑能耗预测中的应用
2.1 人工神经网络法
人工神经网络（Artificial Neural Network,ANN）是由大量的神经元互相连接而成的网络,具有高度非线性及自适应自组织特征,被用来模拟认知、决策和控制等智能行为.
EKICI和*SOY[2]使用后向传播神经网络（Back Propagation Neural Network,BPNN）来预测3座不同建筑的供热能量需求.LI等[3]通过将遗传算法（Genetic Algorithm,GA）和自适应神经模糊推理系统（Adaptive Neural Fuzzy Inference System,ANFIS）相结合,构建了基于GA-ANFIS的组合预测模型,对校园建筑能耗进行预测.
ANN方法的主要优点是能够隐式检测输入和输出之间的复杂非线性关系.然而ANN方法训练时,需要样本数据量足够大才能获得满意的预测结果,而当样本数据增加时,收敛速度将会变慢；对参数的选择较为敏感,例如像隐含层节点数的选取,往往还没有一个固定的公式,只是凭借经验多次训练所得.
2.2 支持向量机法
有研究者以小样本为基础,通过优化支持向量机回归（Support Vector Regression,SVR）算法来构建建筑能耗预测模型[4].DONG等[5]选择热带地区的4座商业建筑作为案例研究,利用SVR对每月的建筑能耗进行预测.LI等[6]分析和验证了最小二乘支持向量机（Least Squares-Support Vector Machine,LS-SVM）模型预测建筑物冷负荷的可行性.
利用SVM方法构建的建筑能耗预测模型的最优预测结果与核函数的选择有着密切关系,研究人员需根据数据的特征以及自身经验确定核函数,这就增加了不确定性,降低了模型的预测精度；同时当SVM遇到大规模建筑能耗训练样本数据时,矩阵的存储和计算将耗费大量内存和运算时间.
2.3 灰色模型法
灰色系统理论是一门研究信息部分清楚、部分不清楚并带有不确定性现象的应用数学学科.灰色系统理论的计算量小,对所需的数据要求低,一般几个数据就可建立灰色模型（Grey Model,GM）.
有研究者在没有完整天气信息的情况下利用灰色系统理论来分析建筑物热过程,对太阳辐射和室外空气温度建立GM,通过矩阵变化,计算出负荷间隔和房间空气温度[7].文献[8]提出一种基于灰色系统理论的家用热泵热水器能耗预测新方法,将改进的GM用于家用热水系统能耗预测.
利用灰色系统理论在对建筑能耗问题建模的时候,没有考虑到样本序列的波动性,因此对具有振荡特性的数据,预测效果并不理想.因为GM（1,1）对历史数据有很强的依赖性,而且没有考虑到各个因素之间的联系,所以误差偏大,尤其是对于中长期的预测效果不佳.
2.4 时间序列法
时间序列法属于数据驱动模型方法.由于建筑系统的强大惯性,建筑能耗在短时间内常常表现为在过去能耗基础上的一种随机起伏.时间序列模型实质是由内加权移动平均法演变而来的一种方法.
时间序列法是通过对过去时间序列数据进行统计分析,消除偶然因素影响导致的预测误差.文献[9]采用非线性时间序列模型对建筑能耗数据进行分析,得出特定建筑能耗数据明显存在混沌特征的结论.文献[10]提出了一种外源自回归滑动平均（eXogenous Auto-Regressive Moving-Average,ARMAX）模型来预测建筑能耗.
在外界因素有较大变化时,时间序列模型的预测结果可能会出现较大误差；另外该模型只适合中短期预测,对于长期预测效果不理想,这是因为在一个较长时间内外界因素发生变化的可能性加大,这样预测结果将会与实际情况严重不符.
2.5 深度学习法
深度学习属于深层结构算法,通过从浅层到深层的逐层贪婪学习,不断优化网络拓扑结构,改善传统的浅层结构学习算法对多个隐含层网络训练效果不佳的问题[11].
文献[12]研究了基于深度学习的两种建筑能耗预测方法,即条件受限玻尔兹曼机和因式分解条件受限玻尔兹曼机,并分析验证了因式分解条件受限玻尔兹曼机具有更好的预测性能.文献[13]为了消除干扰导致的异常数据,将堆叠式自动编码器与极限学习机相结合,利用堆叠式自动编码器提取建筑物能耗特征,极限学习机生成建筑能耗预测结果.文献[14]利用无监督深度学习算法提取建筑物的冷负荷特征,预测建筑物24 h的冷却负荷情况.深度学习法需要大量的样本数据,在样本数据不够多的情况下,训练过程中很难学习到有用的信息；同时,在增加样本数据的过程中,训练的时间也在逐步增长.
3 结论
目前国内正大力推行节能减排,要想快速取得良好效果,不仅需要在使用节能电器等方法上改进,还需要有一套自动化的能耗计算模型来实现建筑节能管理.采集能耗数据,并利用能耗计算模型对能耗数据进行分析验证,建立节能标准、增强主动节能意识,从而达到节能减排的目的.
参考文献：
[1] 廖袖锋,董孟能,张东林,等.重庆市大型公共建筑能源管理现状分析[J].土木建筑与环境工程,2012,34(S1):246-250.
[2]
EKICI B B, *SOY U T. Prediction of building energyconsumption by using artificial neural networks[J]. Advancesin Engineering Software, 2009, 40(5): 356-362.
[3] LI K J, SU H Y, CHU J. Forecasting building energy con-sumption using neural networks and hybrid neuro-fuzzysystem: a comparative study[J]. Energy and Buildings, 2011,43(10): 2893-2899.
[4] BAS* D, SRIMANTA P, PATRANABIS D C. Supportvector regression[J]. Neural Information Processing Lettersand Reviews, 2007, 11(10): 203-224.
[5] DONG B, CAO C, LEE S E. Applying support vector ma-chines to predict building energy consumption in tropicalregion[J]. Energy and Buildings, 2005, 37(5): 545-553.
[6] LI X M, SHAO M, DING L X, et al. Particle swarm opti-mization-based LS-SVM for building cooling load predic-tion[J]. Journal of Computers, 2010, 5(4): 614-621.
[7] GUO J J, WU J Y, WANG R Z. A new approach to energyconsumption prediction of domestic heat pump water heaterbased on grey system theory[J]. Energy and Buildings, 2011,43(6): 1273-1279.
[8] KARATASOU S, SANTAMOURIS M. Detection of low-dimensional chaos in buildings energy consumption time se-ries[J]. Communications in Nonlinear Science and Numeri-cal Simulation, 2010, 15(6): 1603-1612.
[9] 周芮锦,潘毅群,黄治钟.基于时间序列分析的建筑能耗预测方法[J].暖通空调,2013,43(8):71-77.
[10] ZHANG F, DEB C, LEE S E, et al. Time series forecastingfor building energy consumption using weighted SupportVector Regression with differential evolution optimizationtechnique[J]. Energy and Buildings, 2016, 126(1): 94-103.
[11] 伊恩·古德费洛,约书亚·本吉奥,亚伦·库维尔.深度学习[M].赵申剑,黎彧君,符天凡,等译.北京:人民邮电出版社,2017.
[12] MOCANU E, NGUYEN P H, GIBESCU M, et al. Deeplearning for estimating building energy consumption[J]. Su-stainable Energy, Grids and Networks, 2016, 6(1): 91-99.
[13] LI C D, DING Z X, ZHAO D B, et al. Building energyconsumption prediction: an extreme deep learning approach[J]. Energies, 2017, 10(10): 1-20.
[14] FAN C, XIAO F, ZHAO Y. A short-term building cool-ing load prediction method using deep learning algorithms[J]. Applied Energy, 2017, 195(1): 222-233.
（责任编辑 邸开宇）
该文结论：此文为一篇关于对写作人工智能算法和能耗和综述论文范文与课题研究的大学硕士、建筑能耗本科毕业论文建筑能耗论文开题报告范文和相关文献综述及职称论文参考文献资料有帮助.
基于遗传算法优化和BP神经网络的中长期负荷联合预测
摘 要 传统的BP 神经网络负荷预测存在学习速度慢、局部极小……缺陷,已无法满足现代电力负荷预测的精度要求 基于此,本文首先在分析了BP 神经网络的预测原理和不足的基础上,阐述了遗传算法的原理及优化步.
基于蚁群分类算法的木材干燥过程含水率预测
摘要为了解决木材纤维饱和点附近含水率突然失真的问题,并提供可行有效的木材含水率预测方法,笔者介绍了绝对含水率和相对含水率的概念,阐述了木材含水率检测的具体操作方法,详细论述了传统蚁群分类算法理论,根据.
去工业化的工业建筑设计
王大鹏一、缘起随着城市化进程的快速发展,我们越来越多的人享受着城市带来的舒适与便利,但是也面临着诸如雾霾、内涝、垃圾、拥堵……城市问题 前些年全国针对垃圾要不要焚烧进行了大讨论,正反两方的观点针锋相对.
人工智能将开启智慧教育新模式
3月25日,多名专家在北京举行的中外教师科教创新论坛上表示,人工智能将为教育领域带来一系列创新应用,将会优化教学方式,开启“智慧教育”新模式 在此次主题为“人工智能.