基于稀疏自编码特征提取的建筑逐时耗热量预测模型的性能提升

发布时间：2021-05-27 10:57

　　预测模型的输入特征变量对建筑耗热量预测性能具有较大的影响,为了进一步改进输入特征变量的选取,本文提出了稀疏自编码（SAE）方法对历史耗热量数据进行特征提取,并通过对比常规的线性化特征提取方法（主成分分析,PCA）,分析了SAE特征提取方法分别对MLR、ANN和SVM预测模型精度的提升。应用某居住建筑实测数据对该方法进行了实验验证,结果表明:在测试数据集中,使用SAE方法提取到的特征值作为模型输入变量,MLR、ANN和SVM3个模型的预测性能均得到提升,相比于利用PCA特征提取的方法,CV值分别降低了3.8%、4.1%和4.2%。此外,SAE方法对模型性能的提升还表现在模型泛化性能地增强,在测试样本中的表现优于在训练样本中的表现。 

【文章来源】：建筑科学. 2020,36(08)北大核心CSCD

【文章页数】：7 页

【文章目录】：
0 引言
1 数学方法
    1.1 稀疏自编码
    1.2 预测模型
    1.3 模型评价指标
2 案例研究
    2.1 案例介绍
    2.2 特征变量集构建
        2.2.1 负荷数据自相关性分析
        2.2.2 PCA构建特征变量集
        2.2.3 SAE构建特征变量集
    2.3 预测模型设置
    2.4 结果对比分析
3 结论


【参考文献】：
期刊论文
[1]电网长期负荷快速预测[J]. 贺远,翟丹丹,苏贵敏.  上海电机学院学报. 2019(04)
[2]自编码器与PSOA-CNN结合的短期负荷预测模型[J]. 王文卿,撖奥洋,于立涛,张智晟.  山东大学学报(理学版). 2019(07)
[3]主成分分析的燃气采暖热水炉运行性能评价[J]. 周伟业,刘文博,吕昕宇,王艳.  煤气与热力. 2019(03)
[4]考虑气象因素的PCA-BP神经网络短期负荷预测[J]. 王海峰,姜雲腾,李萍.  电工电气. 2018(07)
[5]基于集合经验模态和深浅层学习组合的风电场功率短期预测研究[J]. 曹天行,刘三明,王致杰,刘剑,孙元存.  电测与仪表. 2018(13)
[6]基于深度学习的电网短期负荷预测方法研究[J]. 吴润泽,包正睿,宋雪莹,邓伟.  现代电力. 2018(02)
[7]PCA-GRNN在综合气象短期负荷预测中的应用[J]. 张淑清,任爽,姜安琦,胡永涛,张航飞,乔永静.  计量学报. 2017(03)
[8]一种基于稀疏自编码网络的数据降维方法研究[J]. 朱啸天,张艳珠,王凡迪.  沈阳理工大学学报. 2016(05)
[9]深度学习中的自编码器的表达能力研究[J]. 王雅思,姚鸿勋,孙晓帅,许鹏飞,赵思成.  计算机科学. 2015(09)
[10]区域建筑冷热负荷预测方法及其研究进展[J]. 欧科敏,韩杰,周晋,张国强.  暖通空调. 2014(10)



本文编号：3207441