建立了誤差反向傳播神經(jīng)網(wǎng)絡(luò)（BPNN）、決策樹分類與回歸樹（CART）、支持向量回歸機（SVR）三種普通的輸入-輸出預(yù)測模型,對地鐵站能耗進(jìn)行預(yù)測。基于數(shù)據(jù)挖掘算法對三個模型進(jìn)行改進(jìn),得到了三種模型基于時間延遲的預(yù)測結(jié)果,對比了改進(jìn)前后的預(yù)測結(jié)果,并確定了最佳的時間延遲。結(jié)果表明:普通的輸入-輸出模型中,SVR對能耗的預(yù)測更加精確;基于時間序列的能耗預(yù)測模型對BPNN預(yù)測模型的提升最大;滯后時長為5 min時,三種模型的預(yù)測精度最高;基于決策樹CART算法的時序能耗預(yù)測模型對時間延遲的敏感度最高。 

【文章來源】：城市軌道交通研究. 2020,23(06)北大核心

【文章頁數(shù)】：5 頁

【部分圖文】：

三種能耗預(yù)測模型下的R2圖

在td為5 min的情況下,BPNN模型在三種模型中受時間序列預(yù)測模型的影響最大,效果也最好。圖2表示了當(dāng)td為5 min時基于數(shù)據(jù)挖掘算法的時間序列預(yù)測模型產(chǎn)生的能耗預(yù)測值與實際值的對比。從圖2可知,三種預(yù)測模型的預(yù)測精度都有了很大的提升,改進(jìn)后的預(yù)測值在極值處較原來的預(yù)測值更接近于實際值。如表1所示,改進(jìn)后三種模型的δMAE、δMAPE與δRMSE都低于原來數(shù)值的一半,R2也都提升到了0.95以上。其中,相較其他算法而言,BPNN模型的R2提升最大,由最低的0.791 746 6提升至0.986 128 9,高于SVR模型的R2(0.984 342 2)。圖3展示了三種模型的預(yù)測吻合程度,可以看出BPNN與SVR的精確度要優(yōu)于決策樹CART。決策樹CART的偏離程度相對較高,但同樣能夠預(yù)測能耗的大致走向與趨勢。

圖3展示了三種模型的預(yù)測吻合程度,可以看出BPNN與SVR的精確度要優(yōu)于決策樹CART。決策樹CART的偏離程度相對較高,但同樣能夠預(yù)測能耗的大致走向與趨勢。2.4 滯后時長對模型影響

【參考文獻(xiàn)】：
期刊論文
[1]重慶地鐵站通風(fēng)空調(diào)系統(tǒng)節(jié)能改造[J]. 王春,李楠,劉志軍,羅天,羅中.  暖通空調(diào). 2017(01)
[2]地鐵站空調(diào)系統(tǒng)節(jié)能潛力分析[J]. 張華廷,田雪剛,向靈均.  暖通空調(diào). 2016(04)
[3]地鐵站乘客動態(tài)熱舒適評價研究[J]. 朱培根,王春旺,仝曉娜,宋樺,李曉昀.  暖通空調(diào). 2016(02)
[4]非線性自回歸時序模型研究及其預(yù)測應(yīng)用[J]. 陳茹雯,黃仁.  系統(tǒng)工程理論與實踐. 2015(09)



本文編號：3494664