能耗预测

摘要： 建筑的能耗是由建筑内所有电气设备共同决定的,由于不同设备所处环境的差异,导致其能耗也不同,使得相关预测工作的准确性相对较低,为此本文提出大型公共建筑电气设备能耗预测方法研究。将建筑内的电气设备转化为包含具体环境信息的粒子,利用PSO算法在每个粒子对应的可行解空间范围寻找的最优值,最后综合所有粒子的最优值,得到建筑电气设备能耗的综合预测结果。测试结果表明,在以月为周期的预测中,设计方法预测结果与实际结果的误差不超过2.0×103kwWh。

摘要： 针对小型数据机房多联机空调实时能耗预测,基于BP神经网络建立了多联机实时能耗预测模型。结合具体实例进行了多联机逐时能耗预测,结果表明此方法预测精度较高,适用于多联机空调能耗预测。

摘要： 文章在常规建筑能耗和设备故障预测方法的基础上,根据智慧建筑中BIM模型数据和物联网数据融合形成的数据集,提出了基于BP神经网络的多任务学习方法,将建筑能耗和设备故障预测采用同一神经网络模型进行学习和预测,并阐述了网络结构及损失函数的设计方法,为建筑能耗和设备故障预测提供了新的思路,也为智慧建筑运维管理系统中的智能诊断服务提供算法基础,将人工智能技术真正地应用于智慧建筑运维管理系统之中。

摘要： 全球人口的快速增长和技术进步极大地提高了世界的总发电量,电能消耗预测对于电力系统调度和发电量管理发挥着重要的作用,为了提高电能消耗的预测精度,针对能耗数据的复杂时序特性,文中提出了一种将注意力机制(Attention)放置于双层长短期记忆人工神经网络(Double layer Long Short-Term Memory,DLSTM)中的新颖夹层结构,即A-DLSTM。该网络结构利用夹层中的注意力机制自适应地关注单个时间单元中不同的特征量,通过双层LSTM网络对序列中的时间信息进行抓取,以对序列数据进行预测。文中的实验数据为UCI机器学习数据集上某家庭近5年的用电量,采用网格搜索法进行调参,实验对比了A-DLSTM与现有的模型在能耗数据上的预测性能,文中的网络结构在均方误差、均方根误差、平均绝对误差、平均绝对百分比误差上均达到了最优,且通过热力图对注意力层进行了分析,确定了对用电量预测影响最大的因素。

摘要： 在广泛存在的商业建筑节能预测中,经常面临数据匮乏的困境。作为解决此类问题的一种尝试,论文依据某大型商业建筑历史能耗,构建一种基于generative adversarial networks(GAN)-gated recurrent unit(GRU)的短期能耗序列预测组合模型。利用门控循环单元(GRU)捕捉序列数据前后依赖关系,设计生成关键点时间信息平行数据的生成对抗网络(GAN)结构。并利用平行数据与原始数据的关联程度,实现GRU的复合数据预测分析,最后融入方差-协方差权重组合思想,较大程度提升预测鲁棒性。实验结果验证了所提出的模型在模拟真实序列不足环境下的能耗预测上,具有更高的准确率,为新兴产业下的大型商业建筑节能预测提供了重要的解决方案。

摘要： 为推进节能减排、合理规划一次能源使用,推动美丽江苏建设,对江苏省交通运输业能耗进行预测具有重要意义。计算客运、货运和经济发展水平3个方面共8个影响因素与交通运输业能耗灰色关联度,并确定将这些因素作为模型输入。构建了主要由LSTM层、Dropout层构成的深度学习模型,在此基础上对2021—2025年江苏省交通运输业能耗进行预测。

摘要： 为了对能源消耗做出精准的预测,文章提出了一种基于带外生变量的季节差分移动自回归(seasonal autoregressive integrated moving average with exogenous,SARIMAX)模型与极限梯度提升算法(extreme gradient boosting,XGBoost)混合模型的能耗预测方法。首先导入实验所需的训练数据以及辅佐用的天气环境数据,利用k-means构建天气簇类,然后构建节假日指示器,根据季节趋势做进一步调整,利用网格搜索选取SARIMAX模型最优参数组合,最后混合XGBoost算法优化预测模型,做出预测并对比实现结果。通过结果分析可知,混合SARIMAX模型和XGBoost模型能够在考虑多个外生变量的基础上实现对区域能耗的精准预测。

摘要： 纯电动汽车的续驶里程低于同价位传统燃油车,续航问题严重限制了纯电动汽车在中国的推广,因此精确预测纯电动汽车能耗,可以准确估计续驶里程,降低司机里程焦虑,提升消费者购买意愿。文章基于纯电动汽车监控平台的实车采集数据,提出了一种多元线性回归和径向基函数神经网络组合能耗预测方法。首先系统分析纯电动汽车能量流向,其主要包括行驶阻力能耗、制动回收的能量和附件能耗三部分。在能量流向分析基础上,考虑温度对整车能耗的影响,利用实车采集数据,辨识回归模型参数,建立能耗预测多元线性回归模型,对比实际值得到非线性误差,最后利用RBF神经网络拟合回归模型的非线性残差。对比结果表明,该模型能够改善单一模型预测精度不足的问题,对估计纯电动汽车续驶里程具有工程应用意义。

摘要： 随着人工智能的蓬勃发展,国际上的很多石油公司开始将人工智能的相关理论应用于油气勘探开发和地质数据的处理分析中,从而指导油气田企业的生产。在油气田日常生产过程中油气田企业积累了大量生产数据和能耗数据,然而隐藏在数据之间的逻辑关系有待挖掘,所以,将采用人工智能的相关算法从地区公司层级对某油气田企业的历史生产数据和能耗数据进行研究和分析。首先选用企业历史的生产数据和能耗数据作为实验数据集,然后选用无监督学习方法聚类对数据进行预处理,剔除异常数据。最后采用长短期记忆网络(Long Short-Term Memory,LSTM)模型和人工神经网络模型(Artificial Neural Network)从时间序列维度和生产总量维度来分别研究企业的月能源消耗量和能源消耗总量。最终,通过训练好的模型,预测企业未来能源的消耗量,进而提高企业的智能化管理水平。

摘要： 云计算资源池由大量同构物理机构成,但由于用户和应用产生的需求不同,导致每个节点产生的计算能耗不同,使得某些节点长期处于高能耗状态,出现热点现象,而节点长期处于热点会损害物理机使用寿命。针对以上问题,提出一种基于随机森林的能耗预测调度算法(ECPRF),根据能耗预测进行虚拟机迁移,平衡每台物理机的能耗。实验表明,该调度算法可以有效平衡服务器能耗,避免出现热点现象。

摘要： 针对办公建筑多联机空调系统能耗预测,本文使用1个月的能耗数据验证了含自变量和无自变量的AR(p)模型,通过比较R2、ACI、BIC准则数以及考虑模型的简洁性,无自变量的2阶AR模型能够满足要求.案例研究发现,该模型能够较好的预测多联机能耗变化趋势.

摘要： 针对办公建筑多联机空调系统能耗预测,本文使用1个月的能耗数据验证了含自变量和无自变量的AR(p)模型,通过比较R2、ACI、BIC准则数以及考虑模型的简洁性,无自变量的2阶AR模型能够满足要求.案例研究发现,该模型能够较好的预测多联机能耗变化趋势.

摘要： 本文就武汉地区医院能耗预测五参数模型适用性进行探讨,五参数模型是建立在能耗与室外月平均干球温度关系上的一种模型.采用五参数模型分析了武汉市5家医院的能耗账单,能耗预测效果比较理想.五参数模型对武汉市地区医院公共类建筑的能耗预测和节能改造节能量计算有重大作用.

摘要： 建筑能耗预测和建筑节能调控与用能优化具有重要意义.然而,目前有关建筑能耗预测方法只针对特定的数据类型,省略数据清洗过程,且往往实现过程较为复杂,可借鉴性较差.本研究提出一个预测建筑能耗的完整流程,详细论述了流程的四个步骤:确定主要影响因素、脏数据识别与标记、数据清洗、模型构建与对比,并对比了流程中可以采用的几种大数据清洗方法和预测模型构建方法.最后通过一个案例研究验证了该流程的科学性与有效性.

摘要： 本文采用人工智能的相关算法从地区公司层级对某油气田企业的历史生产数据和能耗数据进行研究和分析,首先选用企业历史的生产数据和能耗数据作为实验数据集,然后选用无监督学习方法聚类对数据进行预处理,剔除异常数据.最后采用长短期记忆网络(Long Short-Term Memory,LSTM)模型和人工神经网络模型(Artificial Neural Netwrk)从时间序列维度和生产总量维度来分别研究企业的月能源消耗量和能源消耗总量.最终,通过训练好的模型,预测企业未来能源的消耗量,进而提高企业的智能化管理水平.

摘要： 为了提高生产效率与能源利用率,提出了采用最小二乘支持向量机(Least squares support?vector machines LSSVM)算法对啤酒厂煮沸车间蒸汽量的消耗预测.根据历史数据样本,采用RBF核函数作为LSSVM的核函数,交叉验证结合网格搜索来优化参数,用所建立决策函数作为预测模型.实验结果表明,数据样本的预测集和测试集的均方差均达到0.006,拟合相关参数达到99％以上,LSSVM方法能够快速准确的预测该车间在生产旺季的蒸汽消耗,为企业节能控制方案的制定提供了理论依据.

摘要： 对新建高标准办公建筑空调系统的选择方案进行了汇总,从统计数据中分析了不同的技术路线.通过对国内外案例的汇总与分析发现，VAV系统仍然是目前高档办公建筑的“标准配置”；标准层内区一般采用单风道变风量系统，外区则根据地区条件的差异，有多元化的解决方案；一个空调分区内（一台空调机组）VAV末端的数量不宜过多，且应尽可能将负荷变化趋势一致的房间分为同一空调区。介绍了基于调研设计理念的一个实际工程案例的设计情况，着重介绍了该项目针对不同气候条件和使用要求下的运行策略。给出了基于设计条件下利用eQUEST软件的能耗预测结果，并对能耗结果进行了初步分析。

摘要： 多孔建筑材料在典型建筑环境尤其是我国夏热冬冷高湿度地区环境中会发生显著的湿分迁移现象.因此,研究多孔建筑材料的湿传递物性对建筑围护结构的热工性能分析以及室内热湿环境和能耗的模拟预测具有十分重要的意义.液态水传递系数是表征多孔建筑材料湿分传递过程的主要物性参数之一.本文对多孔建筑材料液态水传递系数的主要测试方法的原理及其应用进行了较为全面的整理,对比分析了各测试方法的特点和适用范围,指出了如今研究的瓶颈和发展方向.

摘要： 多孔建筑材料在典型建筑环境尤其是我国夏热冬冷高湿度地区环境中会发生显著的湿分迁移现象.因此,研究多孔建筑材料的湿传递物性对建筑围护结构的热工性能分析以及室内热湿环境和能耗的模拟预测具有十分重要的意义.液态水传递系数是表征多孔建筑材料湿分传递过程的主要物性参数之一.本文对多孔建筑材料液态水传递系数的主要测试方法的原理及其应用进行了较为全面的整理,对比分析了各测试方法的特点和适用范围,指出了如今研究的瓶颈和发展方向.

摘要： 多孔建筑材料在典型建筑环境尤其是我国夏热冬冷高湿度地区环境中会发生显著的湿分迁移现象.因此,研究多孔建筑材料的湿传递物性对建筑围护结构的热工性能分析以及室内热湿环境和能耗的模拟预测具有十分重要的意义.液态水传递系数是表征多孔建筑材料湿分传递过程的主要物性参数之一.本文对多孔建筑材料液态水传递系数的主要测试方法的原理及其应用进行了较为全面的整理,对比分析了各测试方法的特点和适用范围,指出了如今研究的瓶颈和发展方向.

摘要： 本申请涉及一种能耗预测网络的训练、能耗预测方法、装置、计算机设备和存储介质。所述方法包括：获取历史能耗数据和标签时刻的实际能耗值；将所述历史能耗数据输入至所述待训练的第一特征提取网络，得到第一能耗特征，以及，将所述历史能耗数据输入至所述待训练的第二特征提取网络，得到第二能耗特征；将所述第一能耗特征和所述第二能耗特征输入至所述待训练的特征融合网络，得到融合能耗特征；将所述融合能耗特征输入至所述待训练的特征分类网络，得到预测能耗值；基于所述预测能耗值与所述实际能耗值之间的差异，调整所述能耗预测网络的网络参数，直至得到训练好的能耗预测网络。采用本方法能够提高能耗监测效率。

摘要： 本发明提供了一种用于建筑能耗预测的多元异构能耗数据融合方法和系统，其中本发明的方法通过从多途径获取时间颗粒度和置信度不同的能耗数据，以其中能耗监测平台的时间颗粒度较细的逐日能耗数据为基础进行数据的预处理，然后结合节能审计报告中置信度较高的月度能耗数据，得到时间颗粒度和置信度均较高的建筑能耗实测数据，以该数据为基础建立输入‑输出数据库，训练数据修正模型来拟合该数据库中输入输出数据之间的偏差，从而利用该偏差实现对模拟数据的准确修正。本发明结合多个平台的数据进行综合处理，能够获得较为精准的实测数据，从而实现对模拟能耗数据更为精确的修正。

摘要： 本发明涉及一种基于空调能耗敏感变量的跨建筑空调能耗预测方法及装置，其中方法包括：步骤S1：接收含有建筑类型、所在气候区或城市，以及分析目标信息的输入数据；步骤S2：定义初始变量和建筑基准模型；步骤S3：并生成相应的几何模型和系统模型；步骤S4：运行模型并获得空调能耗；步骤S5：重复步骤S2至S4，获得不同初始变量抽样值对应的空调能耗，并获得各变量作用于空调能耗的敏感性，并将敏感性大于预设定阈值的变量作为空调能耗敏感变量；步骤S6：建立空调能耗敏感变量、天气参数、时间标签与空调设备能耗之间的映射关系，得到能耗预测模型；步骤S7：利用得到的能耗预测模型预测空调能耗。与现有技术相比，本发明具有可移植等优点。

摘要： 本发明公开一种能耗预测模型的建立方法，包括：对多晶硅还原生产的能耗数据及能耗影响因素进行预处理，得到预处理数据；利用最小二乘支持向量机LSSVM对所述预处理数据进行建模，得到预测模型；利用麻雀搜索算法SSA对所述预测模型的参数进行优化，得到目标能耗预测模型。相应地，还提供能耗预测模型的建立装置、能耗预测方法及系统。使用本发明的能耗预测模型的建立方法得到的能耗预测模型，可提高多晶硅还原生产的能耗值的预测精度。

摘要： 本公开提供了一种能耗预测模型构建方法、短期能耗预测方法及相关装置，涉及深度学习、大数据等人工智能技术领域，可应用于能耗预测和节能减排场景。该方法包括：利用预设的编码器处理目标对象在历史时段的能耗数据序列和影响因子数据序列，编码器基于引入注意力机制的循环神经网络构建得到；利用预设的解码器处理编码器的输出数据、目标对象在预测时段的天气数据和节假日数据，得到能耗预测结果，解码器基于循环神经网络构建得到，预测时段为在与历史时段在时间序列上具有连续性的时段；将训练完成的基于编码器和解码器构建的能耗预测模型，输出为目标能耗预测模型。应用该方法提供的能耗预测模型可以更好对目标对象的短期能耗进行预测。

摘要： 本申请涉及一种建筑能耗预测模型的构建方法、能耗预测方法及装置，涉及计算机领域，包括：获取待预测目标建筑的实际运行数据和基础数据；所述实际运行数据包括待预测目标建筑的运行环境数据和历史能耗数据；采用预先构建的能耗预测模型，预测得到目标建筑在预测日日期内对应的逐时能耗。建筑能耗预测模型采用迁移学习的方法训练获得。可以解决传统机器学习方法因为只对目标建筑的实际运行数据拟合，并建立相应的预测模型，由于数据量不足，预测结果不准确，且不能推广至其他项目中应用的问题。

摘要： 本申请涉及一种能耗预测网络的训练、能耗预测方法、装置、计算机设备和存储介质。所述方法包括：获取历史能耗数据和标签时刻的实际能耗值；将所述历史能耗数据输入至所述待训练的第一特征提取网络，得到第一能耗特征，以及，将所述历史能耗数据输入至所述待训练的第二特征提取网络，得到第二能耗特征；将所述第一能耗特征和所述第二能耗特征输入至所述待训练的特征融合网络，得到融合能耗特征；将所述融合能耗特征输入至所述待训练的特征分类网络，得到预测能耗值；基于所述预测能耗值与所述实际能耗值之间的差异，调整所述能耗预测网络的网络参数，直至得到训练好的能耗预测网络。采用本方法能够提高能耗监测效率。

摘要： 本发明提供一种机车能耗、能耗动因费油量预测方法、终端、存储介质，该机车能耗、能耗动因费油量预测方法包括：S101：接收输入的指令，获取指令的内容，若指令为能耗预测，则执行S102，若指令为能耗动因费油量预测，则执行S103；S102：采集机车的能耗变量的数据，根据能耗变量、能耗变量的系数预测机车的能耗；S103：获取机车的能耗动因变量，根据能耗动因变量在理想状态下的耗油量与实际耗油量的差值计算不同能耗动因变量的总费油量。本发明计算简单，实现了对能耗的预测，并且能够量化计算出各能耗动因的费油量，为能耗动因决策提供了参考数据，便于进行运输组织优化，降低了机车运行成本。

摘要： 本发明公开了一种基于短期建筑能耗预测模型的异常能耗诊断方法及系统，经过Pearson相关性分析、数据预处理，构建能耗样本集并划分为训练集、验证集和测试集；提出了一种基于历史能耗数据、居住者行为、气象因素和时间因素等10个输入参数的LSTM网络多步超前短期能耗预测模型；采用MIMO策略在监督学习方式下预测建筑每小时能耗；根据预测模型，在较小的时间尺度上提出一种基于预测值与实际值之间的数学关系的诊断方法；本发明具有诊断速度快，诊断精度高，实用性强的优点。

摘要： 本发明提供了一种用于建筑能耗预测的多元异构能耗数据融合方法和系统，其中本发明的方法通过从多途径获取时间颗粒度和置信度不同的能耗数据，以其中能耗监测平台的时间颗粒度较细的逐日能耗数据为基础进行数据的预处理，然后结合节能审计报告中置信度较高的月度能耗数据，得到时间颗粒度和置信度均较高的建筑能耗实测数据，以该数据为基础建立输入‑输出数据库，训练数据修正模型来拟合该数据库中输入输出数据之间的偏差，从而利用该偏差实现对模拟数据的准确修正。本发明结合多个平台的数据进行综合处理，能够获得较为精准的实测数据，从而实现对模拟能耗数据更为精确的修正。