基于集成学习的居民建筑能耗预测及模型优化

发布时间：2025-06-28 05:02

　　建筑节能是实现节能减排过程中中不可缺少的一步,建筑能耗的准确预测对于建筑节能优化以及建筑能源管理有良好的指导作用,通过数据驱动建立的能耗预测模型具备精度高、时间短等优势,在能源领域得到大量的推广。本文以采用供热站进行冬季供暖的某居民小区建筑为研究对象,采用各单一机器学习算法以及集成学习算法,根据数据采集系统采集到的数据、气象站中采集数据、小区总能耗等数据建立能耗预测模型,结合异常值处理、特征提取和网格搜索等措施提高能耗预测模型精度,最终得到的建筑能耗预测模型在具备较高的准确度的同时输入较少的特征变量,提高了模型的泛化能力。原始数据集中包含机组运行数据、气象站采集数据、时间数据以及能耗数据,采用散点图及箱线图进行异常值检测,采用中位数填充方法对异常值进行替换,通过比较处理后数据中各变量之间的最大信息系数判断各变量相关性,进而通过Bortua算法判断各变量重要性并选出最佳输入特征变量集。将经过特征提取的数据划分为训练集及测试集,利用多元线性回归算法、极限学习机算法、极限梯度下降算法与支持向量回归四种单一机器学习算法分别建立能耗预测模型,并通过十折交叉验证以及网络搜索的方法进行参数寻优。最后采...

【文章页数】：58 页

【学位级别】：硕士

【部分图文】：

图1-22017年中国建筑能耗、建筑面积以及建筑碳排放分布情况

建筑领域能耗已经超过其他两个领域能耗[1]。2016年，中国建筑能源消费总量为8.99亿吨标准煤，占全国能源消费总量的20.6%；全国建筑总面积为635亿平方米，城镇人均居住建筑面积为34.9平方米；建筑碳排放总量为19.6亿吨2CO，占全国能源碳排放总量的....

图2-3系统瞬时热量观察发现，在2017/1/1～2017/1/3内瞬时热量值保持不变，经过对其他变量的分

华中科技大学硕士学位论文常值，其中在范围22[Q3IQR,Q1.5IQR]与22[Q1.5IQR,Q3IQR]的异常值视为温和异常值，在22[Q3IQR,Q3IQR]范围外的数据视为极端....

图3-2stacking算法架构图

图3-2stacking算法架构图.1多元线性回归算法原理多元线性回归模型是利用历史样本数据，建立多元线性回归模型，用来研究量和多个自变量之间关系的定量化分析方法[40]。我们假定因变量为Y，有k个自变量为123,,kXXXX，因变量Y与k个自....

图3-3神经网络结构图

图3-3神经网络结构图于预测而言，模型的目标是使预测值与真实值之间误差1||||0Njjjot找到i，iW和ib，使得：1,1,,LiijijigWXbtjN化为矩阵形式：HT中，H是....

本文编号：4054465