کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
4916478 1428095 2017 12 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
A short-term building cooling load prediction method using deep learning algorithms
ترجمه فارسی عنوان
یک روش پیش بینی بار خنک سازی ساختمان کوتاه مدت با استفاده از الگوریتم های یادگیری عمیق
کلمات کلیدی
بار خنک سازی ساختمان پیش بینی انرژی ساختمان، یادگیری عمیق، داده کاوی، اطلاعات بزرگ،
ترجمه چکیده
در این مقاله پتانسیل یکی از تکنیک های امیدوار کننده در تجزیه و تحلیل داده های پیشرفته، به عنوان مثال، یادگیری عمیق، در پیش بینی 24 ساعته پروفیل بارگیری خورشیدی در پیش رو بررسی می شود. یادگیری عمیق به مجموعه ای از الگوریتم های یادگیری ماشین اشاره دارد که در آشکار سازی الگوهای غیرخطی و پیچیده در داده های بزرگ قدرتمند است. یادگیری عمیق می تواند به صورت یک نظارت به منظور توسعه مدل های پیش بینی با ورودی ها و خروجی های داده شده (به عنوان مثال، بار خنک کننده) و یا به صورت بی نظیر برای استخراج ویژگی های معنی دار از داده های خام به عنوان ورودی های مدل استفاده شود. این مطالعه از پتانسیل یادگیری عمیق در هر دو حالت بهره می گیرد و عملکرد آن را در پیش بینی بار خنک کننده با روش های استخراج ویژگی های معمول و تکنیک های پیش بینی محبوب در زمینه ساختمان مقایسه می کند. نتایج نشان می دهد که یادگیری عمیق می تواند عملکرد پیش بینی بار خنک سازی ساختمان را افزایش دهد، به ویژه هنگامی که به صورت بی نظیر برای ساخت ویژگی های سطح بالا به عنوان ورودی های مدل مورد استفاده قرار گیرد. با استفاده از ویژگی های استخراج شده توسط یادگیری عمیق ناخواسته به عنوان ورودی ها برای پیش بینی بارگیری خنک کننده می تواند به طور چشمگیری عملکرد پیش بینی را افزایش دهد. یافته ها آگاهانه هستند و می توانند راه حل های انعطاف پذیر و موثرتری برای پیش بینی های انرژی ایجاد کنند.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی انرژی مهندسی انرژی و فناوری های برق
پیش نمایش مقاله
یک روش پیش بینی بار خنک سازی ساختمان کوتاه مدت با استفاده از الگوریتم های یادگیری عمیق
چکیده انگلیسی
This paper investigates the potential of one of the most promising techniques in advanced data analytics, i.e., deep learning, in predicting 24-h ahead building cooling load profiles. Deep learning refers to a collection of machine learning algorithms which are powerful in revealing nonlinear and complex patterns in big data. Deep learning can be used either in a supervised manner to develop prediction models with given inputs and output (i.e., cooling load), or in an unsupervised manner to extract meaningful features from raw data as model inputs. This study exploits the potential of deep learning in both manners, and compares its performance in cooling load prediction with typical feature extraction methods and popular prediction techniques in the building field. The results show that deep learning can enhance the performance of building cooling load prediction, especially when used in an unsupervised manner for constructing high-level features as model inputs. Using the features extracted by unsupervised deep learning as inputs for cooling load prediction can evidently enhance the prediction performance. The findings are enlightening and could bring more flexible and effective solutions for building energy predictions.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Applied Energy - Volume 195, 1 June 2017, Pages 222-233
نویسندگان
, , ,