在全球性資源緊缺、環(huán)境日益惡化的背景下,節(jié)約能源顯得尤為重要。中國(guó)作為全球最大的能源消耗國(guó)家,其中建筑能耗占耗能首位。建筑能耗預(yù)測(cè)是一種提高建筑能源效率的可選思路。建筑能耗預(yù)測(cè)可以了解建筑物能源消耗情況,預(yù)測(cè)運(yùn)行費(fèi)用、確定合適的節(jié)能措施,進(jìn)而為建筑物節(jié)能診斷和改造、故障檢測(cè)以及控制優(yōu)化提供決策支持,從而降低建筑能耗。本文選取深圳某綠色辦公建筑作為研究對(duì)象,從數(shù)據(jù)預(yù)處理、建立組合模型和改進(jìn)單一模型等優(yōu)化預(yù)測(cè)模型方法入手,提高模型預(yù)測(cè)精度,更加準(zhǔn)確地提供建筑節(jié)能診斷和改造的決策支持。首先,本文綜述了建筑能耗預(yù)測(cè)常用方法,各種方法的適應(yīng)場(chǎng)景及其優(yōu)缺點(diǎn);闡述本文使用的決策樹(shù)、支持向量機(jī)、神經(jīng)網(wǎng)絡(luò)等模型的原理,以及針對(duì)建筑能耗預(yù)測(cè)特點(diǎn)對(duì)算法模型進(jìn)行優(yōu)化所需的算法介紹。其次,根據(jù)建立組合模型的思想,構(gòu)建了融合CART算法和SVR算法的組合模型CART-SVR,設(shè)計(jì)了組合框架,闡述組合模型的結(jié)構(gòu);數(shù)據(jù)來(lái)源于深圳某綠色建筑2018年時(shí)間間隔為1小時(shí)的建筑能耗數(shù)據(jù),并采用數(shù)據(jù)清理、數(shù)據(jù)集成、數(shù)據(jù)規(guī)范化等預(yù)處理技術(shù)進(jìn)行數(shù)據(jù)預(yù)處理,同時(shí)利用相關(guān)性分析法進(jìn)行特征選擇;最后搭建了算法的訓(xùn)練網(wǎng)絡(luò),確定了組合模型參... 

【文章頁(yè)數(shù)】：103 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 研究背景
    1.2 研究目的和意義
    1.3 研究流程圖
    1.4 論文框架結(jié)構(gòu)
第2章 建筑能耗預(yù)測(cè)方法研究綜述
    2.1 建筑能耗預(yù)測(cè)方法研究現(xiàn)狀
        2.1.1 基于工程方法的建筑能耗預(yù)測(cè)
        2.1.2 基于統(tǒng)計(jì)方法的建筑能耗預(yù)測(cè)
        2.1.3 基于人工智能方法的建筑能耗預(yù)測(cè)
        2.1.4 基于深度學(xué)習(xí)的建筑能耗預(yù)測(cè)
        2.1.5 建筑能耗預(yù)測(cè)方法小結(jié)
    2.2 研究問(wèn)題提煉
    2.3 研究?jī)?nèi)容
    2.4 技術(shù)路線
第3章 建筑能耗預(yù)測(cè)研究理論基礎(chǔ)及方法
    3.1 傳統(tǒng)機(jī)器學(xué)習(xí)算法理論介紹
        3.1.1 支持向量機(jī)
        3.1.2 決策樹(shù)
        3.1.3 人工神經(jīng)網(wǎng)絡(luò)
    3.2 深度學(xué)習(xí)算法理論介紹
        3.2.1 循環(huán)神經(jīng)網(wǎng)絡(luò)
        3.2.2 長(zhǎng)短時(shí)記憶神經(jīng)網(wǎng)絡(luò)
        3.2.3 注意力機(jī)制
        3.2.4 競(jìng)爭(zhēng)隨機(jī)搜索算法
    3.3 模型評(píng)估方法
        3.3.1 評(píng)估方法
        3.3.2 性能度量
    3.4 本章小結(jié)
第4章 建筑能耗數(shù)據(jù)收集與預(yù)處理
    4.1 建筑基本情況
    4.2 建筑能耗數(shù)據(jù)收集與分析
        4.2.1 建筑能耗數(shù)據(jù)收集匯總
        4.2.2 能耗基本情況分析
    4.3 建筑能耗數(shù)據(jù)預(yù)處理
    4.4 數(shù)據(jù)可視化分析
    4.5 本章小結(jié)
第5章 建筑能耗預(yù)測(cè)模型構(gòu)建與實(shí)現(xiàn)
    5.1 組合模型
        5.1.1 研究框架
        5.1.2 CART-SVR模型結(jié)構(gòu)
        5.1.3 CART-SVR模型輸入
        5.1.4 CART-SVR模型實(shí)現(xiàn)細(xì)節(jié)及參數(shù)設(shè)定
        5.1.5 CART-SVR模型結(jié)果分析
        5.1.6 預(yù)測(cè)模型對(duì)比實(shí)驗(yàn)
        5.1.7 預(yù)測(cè)模型實(shí)驗(yàn)結(jié)果比較與討論
        5.1.8 總結(jié)
    5.2 EDA-LSTM模型
        5.2.1 研究框架
        5.2.2 EDA-LSTM模型結(jié)構(gòu)
        5.2.3 EDA-LSTM模型輸入
        5.2.4 EDA-LSTM模型實(shí)現(xiàn)細(xì)節(jié)及參數(shù)設(shè)置
        5.2.5 EDA-LSTM模型結(jié)果分析
        5.2.6 預(yù)測(cè)模型對(duì)比實(shí)驗(yàn)
        5.2.7 預(yù)測(cè)模型實(shí)驗(yàn)結(jié)果比較與討論
    5.3 預(yù)測(cè)模型綜合對(duì)比分析與討論
    5.4 本章小結(jié)
第6章 結(jié)論與建議
    6.1 結(jié)論
    6.2 本文創(chuàng)新點(diǎn)
    6.3 后續(xù)研究建議
參考文獻(xiàn)
指導(dǎo)教師對(duì)學(xué)位論文的學(xué)術(shù)評(píng)語(yǔ)
學(xué)位論文答辯委員會(huì)決議書(shū)
附錄
致謝
攻讀碩士學(xué)位期間的研究成果


【參考文獻(xiàn)】：
期刊論文
[1]基于BPNN-EMD-LSTM組合模型的城市短期燃?xì)庳?fù)荷預(yù)測(cè)[J]. 陳川,陳冬林,何李凱.  安全與環(huán)境工程. 2019(01)
[2]基于attention機(jī)制的LSTM神經(jīng)網(wǎng)絡(luò)超短期負(fù)荷預(yù)測(cè)方法[J]. 李昭昱,艾芊,張宇帆,肖斐.  供用電. 2019(01)
[3]基于全壽命周期能耗理論西安地區(qū)建筑節(jié)能技術(shù)策略研究——以三橋楓橋名邸小區(qū)3號(hào)樓為例[J]. 雷南,趙子龍,魏舒樂(lè).  農(nóng)家參謀. 2018(01)
[4]《中國(guó)建筑能耗研究報(bào)告（2017）》概述[J]. 侯恩哲.  建筑節(jié)能. 2017(12)
[5]基于深度學(xué)習(xí)的短時(shí)交通流量預(yù)測(cè)[J]. 喬松林,孫仁誠(chéng),劉吉.  青島大學(xué)學(xué)報(bào)(自然科學(xué)版). 2017(04)
[6]一種基于LSTM神經(jīng)網(wǎng)絡(luò)的短期用電負(fù)荷預(yù)測(cè)方法[J]. 張宇航,邱才明,賀興,凌澤南,石鑫.  電力信息與通信技術(shù). 2017(09)
[7]基于注意力機(jī)制的LSTM的語(yǔ)義關(guān)系抽取[J]. 王紅,史金釧,張志偉.  計(jì)算機(jī)應(yīng)用研究. 2018(05)
[8]既有建筑九成高耗能,改造面臨多重困境[J]. 龍勝平,陳建萍.  環(huán)境經(jīng)濟(jì). 2017(07)
[9]天津市某辦公樓實(shí)際運(yùn)行能耗分析[J]. 賀芳,王雯翡,閆靜靜,杜濤.  建設(shè)科技. 2014(18)
[10]時(shí)間序列分析方法在上海建筑能耗預(yù)測(cè)中的應(yīng)用[J]. 潘成誠(chéng),楊太華.  能源與環(huán)境. 2013(06)

碩士論文
[1]基于模糊理論的決策樹(shù)算法的研究及應(yīng)用[D]. 于振灝.中國(guó)地質(zhì)大學(xué)(北京) 2017
[2]基于深度學(xué)習(xí)的電力負(fù)荷預(yù)測(cè)[D]. 單成龍.湘潭大學(xué) 2017
[3]成都大型公共建筑空調(diào)系統(tǒng)節(jié)能診斷與分析[D]. 李俊橙.重慶大學(xué) 2015
[4]基于變負(fù)荷的地源熱泵土壤溫度模擬研究[D]. 王會(huì)鵬.天津大學(xué) 2010



本文編號(hào)：3662357