預測模型的輸入特征變量對建筑耗熱量預測性能具有較大的影響,為了進一步改進輸入特征變量的選取,本文提出了稀疏自編碼（SAE）方法對歷史耗熱量數(shù)據(jù)進行特征提取,并通過對比常規(guī)的線性化特征提取方法（主成分分析,PCA）,分析了SAE特征提取方法分別對MLR、ANN和SVM預測模型精度的提升。應用某居住建筑實測數(shù)據(jù)對該方法進行了實驗驗證,結果表明:在測試數(shù)據(jù)集中,使用SAE方法提取到的特征值作為模型輸入變量,MLR、ANN和SVM3個模型的預測性能均得到提升,相比于利用PCA特征提取的方法,CV值分別降低了3.8%、4.1%和4.2%。此外,SAE方法對模型性能的提升還表現(xiàn)在模型泛化性能地增強,在測試樣本中的表現(xiàn)優(yōu)于在訓練樣本中的表現(xiàn)。 

【文章來源】：建筑科學. 2020,36(08)北大核心CSCD

【文章頁數(shù)】：7 頁

【文章目錄】：
0 引言
1 數(shù)學方法
    1.1 稀疏自編碼
    1.2 預測模型
    1.3 模型評價指標
2 案例研究
    2.1 案例介紹
    2.2 特征變量集構建
        2.2.1 負荷數(shù)據(jù)自相關性分析
        2.2.2 PCA構建特征變量集
        2.2.3 SAE構建特征變量集
    2.3 預測模型設置
    2.4 結果對比分析
3 結論


【參考文獻】：
期刊論文
[1]電網(wǎng)長期負荷快速預測[J]. 賀遠,翟丹丹,蘇貴敏.  上海電機學院學報. 2019(04)
[2]自編碼器與PSOA-CNN結合的短期負荷預測模型[J]. 王文卿,撖奧洋,于立濤,張智晟.  山東大學學報(理學版). 2019(07)
[3]主成分分析的燃氣采暖熱水爐運行性能評價[J]. 周偉業(yè),劉文博,呂昕宇,王艷.  煤氣與熱力. 2019(03)
[4]考慮氣象因素的PCA-BP神經(jīng)網(wǎng)絡短期負荷預測[J]. 王海峰,姜雲(yún)騰,李萍.  電工電氣. 2018(07)
[5]基于集合經(jīng)驗模態(tài)和深淺層學習組合的風電場功率短期預測研究[J]. 曹天行,劉三明,王致杰,劉劍,孫元存.  電測與儀表. 2018(13)
[6]基于深度學習的電網(wǎng)短期負荷預測方法研究[J]. 吳潤澤,包正睿,宋雪瑩,鄧偉.  現(xiàn)代電力. 2018(02)
[7]PCA-GRNN在綜合氣象短期負荷預測中的應用[J]. 張淑清,任爽,姜安琦,胡永濤,張航飛,喬永靜.  計量學報. 2017(03)
[8]一種基于稀疏自編碼網(wǎng)絡的數(shù)據(jù)降維方法研究[J]. 朱嘯天,張艷珠,王凡迪.  沈陽理工大學學報. 2016(05)
[9]深度學習中的自編碼器的表達能力研究[J]. 王雅思,姚鴻勛,孫曉帥,許鵬飛,趙思成.  計算機科學. 2015(09)
[10]區(qū)域建筑冷熱負荷預測方法及其研究進展[J]. 歐科敏,韓杰,周晉,張國強.  暖通空調. 2014(10)



本文編號：3207441