导读:本文包含了建筑能耗预测论文开题报告文献综述及选题提纲参考文献，主要关键词:大型公共建筑,能耗预测,预测数据
建筑能耗预测论文文献综述
张杰,王波[1]（2019）在《大型公共建筑用电能耗预测模型及预测数据》一文中研究指出本文通过对我国大型公共建筑的能源消耗的分析,首先介绍了我国大型公共建筑用电能耗的机构;然后介绍了我国大型公共建筑空调系统用电能耗影响的因素;其次介绍了大型公共建筑的空调系统用电能耗的预测方法;最后介绍了大型公共建筑能耗预测和分析系统的设计。(本文来源于《电子技术与软件工程》期刊2019年20期）
廖文强,王江宇,陈焕新,丁新磊[2]（2019）在《基于深度学习的建筑能耗短期预测方法研究》一文中研究指出对建筑能耗预测的研究根据预测时间间隔长度分为短期、中长期、长期。其中,短期建筑能耗的预测使用广泛,基于短期预测结果可对建筑短期未来的运行模式进行调节,实现更好的能源调配和进行建筑用能故障分析,对于加速实现绿色、智慧建筑的目标具有重要意义。建筑管理系统的大面积推广使用,使得大量关于建筑运行相关数据的获取变得更加容易。对于不同类型的建筑,运行数据有很大的区别,因此在获得了大量数据特征值后,筛选出对预测模型有效、关键的特征参数就显得尤为重要。为了更好地利用特征数据中的信息,本文使用了一种基于深度学习的非监督特征提取方法——去噪自编码器(Denoising AutoEncoder,DAE)。实验结果表明,相比传统模型,基于深度学习的复合模型DAE-LSTM可以获得更加精确的预测结果。(本文来源于《2019年中国家用电器技术大会论文集》期刊2019-10-21）
黄泽天,杨正霞[3]（2019）在《降维式自主迁移强化学习建筑能耗预测》一文中研究指出针对建筑能耗数据成因复杂,及能耗数据样本不足,导致现有建筑能耗预测模型不精确等问题,结合迁移学习和强化学习中的Sarsa学习方法,提出一种基于降维式自主迁移强化学习的建筑能耗预测方法——STRL。该方法通过提取影响建筑物能耗的重要维度进行降维,采用欧式度量对满足迁移条件的原始建筑MDP状态进行迁移,结合Sarsa算法构建能耗奖赏函数,实现能耗预测。将所提出的STRL与VFT-HSA1以及FTRL2方法用于模拟建筑物能耗问题进行对比实验,实验结果表明,STRL具有较快的收敛速度以及较好的收敛精度。(本文来源于《电脑知识与技术》期刊2019年25期）
刘佳静,骆汉宾,陈宁宁,李泽宇[4]（2019）在《BIM环境下集成用户行为的建筑能耗预测》一文中研究指出随着建筑能耗在社会总能耗中占比持续增长,世界各国愈加重视对建筑能耗的预测分析与运营控制。目前,考虑用户行为影响的研究多集中在建筑的运营阶段,设计阶段则相对不足。为在设计阶段集成用户行为以准确预测建筑能耗,本文首先将用户行为分为移动行为和用能行为。采用事件机制分析移动行为,通过BIM模型和Agent技术建立基于事件的用户移动行为模型。在此基础上,建立用户用能行为模型,模拟室内环境、人员和设备叁者之间的交互作用,获取室内人员和设备运行工况的时间序列信息。最后,以武汉市某办公建筑为例分析建筑能耗,结果表明,与传统方法相比,本文方法所得到的能耗预测值更接近于实测值。(本文来源于《土木工程与管理学报》期刊2019年04期）
陈晓彦,赵超[5]（2019）在《改进的LSSVM-GSA模型在建筑能耗预测中的应用》一文中研究指出提出了一种结合小波分析和LSSVM-GSA方法的建筑能耗预测模型。对建筑日耗电量的影响因素进行分析后,选择主要影响因素量化并取标准特征值,根据相似系数法计算不同日建筑能耗的相似度,选取预测日的相似日;对相似日的建筑能耗数据进行小波分解得到其低频序列和高频序列,低频序列用LSSVM-GSA进行模拟,高频序列采用均方加权处理,结合两者结果并进行小波重构得到最终预测值。将该模型应用于某图书馆建筑进行模拟运算,与一般LSSVM-GSA方法建立的模型所得进行对比,发现结合小波分析和LSSVM-GSA方法建立的建筑能耗预测模型具有更好的预测精度和稳定性。(本文来源于《第30届中国过程控制会议（CPCC 2019）摘要集》期刊2019-07-31）
欧阳前武,符亚磊,任中俊[6]（2019）在《基于时间序列分析模型的建筑能耗两级预测关系研究》一文中研究指出随着建筑智能化技术的普及,建筑能耗监测数据也更加精细。本文基于时间序列分析方法建立建筑能耗预测模型,得到商业建筑逐时能耗的预测结果,通过协调模型对变压器与支路的两级预测结果进行校正,探究其关系来帮助实现更精准的预测。(本文来源于《建设科技》期刊2019年14期）
赵秋红[7]（2019）在《区域建筑能耗预测模型在建筑施工中的应用》一文中研究指出能耗预测模型对于在建筑施工中十分重要。所以构建在各种因素(建筑使用设备、围护结构和气象因素等)存在的情况下,能有一种很好的计算方法预测建筑的所需费用和能源使用量是建筑施工过程需要的。如何能较好地测算区域建筑的能源消耗是我们关心的重点,首先必须是建立在单体建筑的基础上计算,然后在精确构建模型。对于各地居住结构的能源消耗问题,可通过结合建筑原理,在自下而上模型和相关分析结合的结果下,推导出区域建筑能源消耗与其作用因素的关系。自下而上模型的基础本质是建立在区域建筑的能耗问题上,然后将直接作用与间接作用分别作为原因和子原因,再结合其关系系数,最后得到相关的关系系数。通过构建多种预测模型来分析区域建筑的能源消耗问题,详细剖析内在存有的技术优势与劣势,在反复梳理和总结的过程中合理的运用到建筑施工的过程中,为建筑方面提供一定的有价值的理论依据,解决各种在预测中出现的不确定因素,为未来更深入的研究奠定一定的基础。(本文来源于《2019年国际科技创新与教育发展学术会议论文集》期刊2019-06-23）
钱青,唐桂忠,张广明,邓歆,尹海培[8]（2019）在《基于AR-DBN的建筑分项能耗短期预测》一文中研究指出针对现有总能耗预测方法不能准确分辨建筑能耗的消耗去向且预测精度较低的问题,根据能耗用途,将总能耗分为4项,提出一种建筑能耗分项预测模型。基于时间序列自回归模型,对建筑物的照明能耗进行短期预测。构建深度置信网络模型,根据照明能耗预测结果、室外逐时平均温度、室外逐时平均相对湿度、天气特征值、节假日、逐时平均风速以及一天24个整点时刻,分项预测空调能耗、动力能耗和特殊能耗。实验结果表明,相比总能耗预测模型iPSO-BP和BP,该模型能更加精确、有效地预测建筑能耗中的各分项能耗。(本文来源于《计算机工程》期刊2019年06期）
杨正霞[9]（2019）在《基于迁移强化学习的建筑能耗预测方法研究》一文中研究指出随着中国经济的不断发展,解决能耗问题成为社会发展过程中不可避免的重大挑战。目前,我国能耗不断增加,其中建筑物总能耗所占比率已超过社会总能耗的30%,同时随着城市建设的飞速发展造成建筑物数量迅速增加,此外人们物质水平的提高对所处环境的舒适度的要求不断提高,导致建筑能耗仍继续增长~([1])。为了缓解目前建筑能耗的需求,关于建筑智慧节能问题已经成为建筑领域的重要研究点,其中建筑能耗的分析预测是开展建筑智慧节能相关工作的重要前提,因而准确、高效的能耗预测是建筑节能的重要研究任务之一。本文针对建筑能耗预测相关问题采用迁移学习与强化学习方法展开深入研究。主要内容分为3部分:(1)首先,建筑能耗预测的准确性影响后续建筑节能的相关工作,该章节结合迁移学习方法对强化学习Sarsa算法进行改进,以提高能耗预测的准确性,提出一种基于值函数迁移的建筑能耗预测方法。该方法通过引入自模拟度量,对具有相同状态空间和动作空间的原始任务和目标任务进行度量,对满足迁移条件的原始状态进行值函数迁移,此外,采用变分贝叶斯衡量信息增益,构建内部奖赏函数作为启发式探索因子,提高Sarsa算法的收敛速度,从而提高能耗预测性能。(2)其次,建筑能耗特征复杂,影响建筑能耗预测性能,为降低复杂度,提出一种基于特征迁移强化学习的建筑能耗预测方法,该方法采用堆迭去噪自动编码器,学习建筑能耗中的深层特征,并对有利的建筑能耗模型特征进行迁移,共享建筑能耗之间有利信息,另一方面将训练的模型状态输出集作为强化学习Sarsa算法的输入,结合强化学习MDP进行建筑能耗建模,构建奖赏函数,运用强化学习Sarsa算法实现建筑物能耗预测,提高能耗预测精度。(3)最后,建筑能耗影响因素较多,并且能耗数据样本不足,影响建筑预测性能,从而提出了一种基于降维式自主迁移强化学习的建筑能耗预测方法,该方法运用稀疏编码统一不同建筑物MDP的维度,提取影响建筑物能耗的重要维度进行降维,采用欧式度量对满足迁移条件的原始建筑MDP状态进行迁移,解决目标建筑MDP能耗样本不足问题,结合Sarsa算法构建能耗奖赏函数,实现能耗预测,提高能耗预测性能。将前两部分提出的算法都进行能耗预测实验,实验结果表明提出的算法性能都优于传统的强化学习Sarsa算法,同时在多维影响因素下,本章提出的方法能耗预测性能进一步提高。(本文来源于《苏州科技大学》期刊2019-06-01）
周惟[10]（2019）在《数据驱动的建筑使用能耗预测及其应用研究》一文中研究指出建筑能耗是当今我国叁大能耗大户之一,为了缓解能源消耗压力,建筑节能具有重要的现实意义。建筑节能的关键在于对建筑能耗进行预测,建筑能耗预测能够分析建筑物的节能潜力,指导未来能源的使用,与此同时,还能够提高建筑能耗设备的使用效率。在建筑总能耗中,空调系统的能耗占据了很大的比例,因此对空调节能能够很大程度上减少建筑的总能耗。目前空调系统的故障引起的能耗占据了空调系统总能耗的50%,并且空调故障常常发现的不够及时,因此能够及时的发现故障可以使得空调系统正常稳定的运行,并且达到空调节能的目的。本文围绕建筑能耗预测及其应用展开研究,主要内容分为两大块,第一大块是对目前存在的预测方法进行研究,并且针对其中的不足进行改进,验证其改进算法的预测效果;第二大块是在第一块所提出的新的算法基础上,将该新算法应用到了具体领域,验证该算法应用的可行性。具体研究内容如下:(1)作为经典的数据驱动方法,支持向量机(SVM)广泛应用于建筑能耗预测领域。本文针对支持向量机的参数选择问题,使用了交叉验证、遗传算法(GA)和粒子群(PSO)方法建立了建筑能耗预测模型。利用某电梯公司和气象网站的数据进行验证实验,输入变量为每日的最大太阳辐射照度、平均风速和平均湿度以及前两日的电能耗数据,输出变量为当天的电能耗数据。构建了叁种预测模型并对建立模型的预测结果进行了对比,结果显示PSO-SVM所建立的模型在预测精度、建模时间上均优于GA-SVM,且预测精度远远高于SVM,体现了该算法的优越性。(2)由于PSO存在寻优速度慢等问题,本文提出了一种改进的PSO算法(SFPSO),该方法是在惯性权重正弦调整的粒子群算法(SPSO)的基础上进行优化,将其中的正弦函数周期调整为原来的1/5,使得粒子所搜索的范围更为精确,寻优性能更好。基准测试函数的计算结果也表明了SFPSO的全局搜索能力较好以及收敛速度较快。本文运用了SFPSO算法优化支持向量机SVM的惩罚因子C和核函数参数g,构建了基于SFPSO-SVM建筑能耗预测模型。仿真结果证明了该优化算法的预测精度高,且建模时间与单一的SVM接近,证明了该模型的预测效率也比PSO-SVM有所提升。(3)本文将能耗预测方法应用于空调设备的故障检测领域。研究的数据采用了电梯公司办公建筑中的某办公区域夏季制冷工况下的变风量空调系统的运行能耗数据,包括了叁组,其中两组为无故障状态下的运行数据,用来训练和验证SFPSO-SVM模型;第叁组数据为含有故障的运行数据集,用来检验SFPSO-SVM在空调故障检测领域的适用性。采用了统计量滑动残差平均值和滑动残差均方根作为评判指标,并且还采用了将两种滑动指标结合的故障预知量对故障进行检测,通过对故障预知量分析来检验几种不同算法的故障检测能力,结果证明了SFPSO-SVM具有较好的模型精度和故障检测能力,具有实际应用价值。(本文来源于《苏州科技大学》期刊2019-06-01）
建筑能耗预测论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
对建筑能耗预测的研究根据预测时间间隔长度分为短期、中长期、长期。其中,短期建筑能耗的预测使用广泛,基于短期预测结果可对建筑短期未来的运行模式进行调节,实现更好的能源调配和进行建筑用能故障分析,对于加速实现绿色、智慧建筑的目标具有重要意义。建筑管理系统的大面积推广使用,使得大量关于建筑运行相关数据的获取变得更加容易。对于不同类型的建筑,运行数据有很大的区别,因此在获得了大量数据特征值后,筛选出对预测模型有效、关键的特征参数就显得尤为重要。为了更好地利用特征数据中的信息,本文使用了一种基于深度学习的非监督特征提取方法——去噪自编码器(Denoising AutoEncoder,DAE)。实验结果表明,相比传统模型,基于深度学习的复合模型DAE-LSTM可以获得更加精确的预测结果。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
建筑能耗预测论文参考文献
[1].张杰,王波.大型公共建筑用电能耗预测模型及预测数据[J].电子技术与软件工程.2019
[2].廖文强,王江宇,陈焕新,丁新磊.基于深度学习的建筑能耗短期预测方法研究[C].2019年中国家用电器技术大会论文集.2019
[3].黄泽天,杨正霞.降维式自主迁移强化学习建筑能耗预测[J].电脑知识与技术.2019
[4].刘佳静,骆汉宾,陈宁宁,李泽宇.BIM环境下集成用户行为的建筑能耗预测[J].土木工程与管理学报.2019
[5].陈晓彦,赵超.改进的LSSVM-GSA模型在建筑能耗预测中的应用[C].第30届中国过程控制会议（CPCC2019）摘要集.2019
[6].欧阳前武,符亚磊,任中俊.基于时间序列分析模型的建筑能耗两级预测关系研究[J].建设科技.2019
[7].赵秋红.区域建筑能耗预测模型在建筑施工中的应用[C].2019年国际科技创新与教育发展学术会议论文集.2019
[8].钱青,唐桂忠,张广明,邓歆,尹海培.基于AR-DBN的建筑分项能耗短期预测[J].计算机工程.2019
[9].杨正霞.基于迁移强化学习的建筑能耗预测方法研究[D].苏州科技大学.2019
[10].周惟.数据驱动的建筑使用能耗预测及其应用研究[D].苏州科技大学.2019