کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
8071318 1521393 2018 23 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Thermal load forecasting in district heating networks using deep learning and advanced feature selection methods
ترجمه فارسی عنوان
پیش بینی بار حرارت در شبکه های حرارت مرکزی با استفاده از آموزش عمیق و روش های انتخاب ویژگی های پیشرفته
کلمات کلیدی
گرمایش منطقه، مدل های خطی، پسرفت، یادگیری عمیق، فراگیری ماشین، پیش بینی روز پیش بینی،
ترجمه چکیده
تحقیقات اخیر چندین روش پیش بینی را برای پیش بینی میزان گرما در شبکه های گرمایش مرکزی مورد استفاده قرار داده است. این مقاله دو روش ارائه می دهد که در مقایسه با آثار قبلی، بهبود قابل ملاحظه ای دارد. اولا، یک روش خودکار دستیابی به وابستگی های غیر خطی در مدل های خطی ارائه شده است. در این زمینه، مقاله روش جدیدی را برای انتخاب ویژگی بر اساس [1] پیاده سازی می کند و به این ترتیب مدل های کارآمد محاسباتی با دقت بیشتری را به دست می دهد. سه مدل اصلی که در اینجا استفاده می شوند، خطی، خط ریش و رگرسیون لسو هستند. در روش دوم، یک روش یادگیری عمیق ارائه شده است. اگر چه در محاسبات فشرده تر، مدل یادگیری عمیق دقت بالاتر از مدل های خطی با انتخاب ویژگی های خودکار را فراهم می کند. در نهایت، ما روش های پیشنهادی را با کار قبلی برای پیش بینی بار گرما در دو شبکه مختلف گرمایش مرکزی مقایسه می کنیم.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی انرژی انرژی (عمومی)
پیش نمایش مقاله
پیش بینی بار حرارت در شبکه های حرارت مرکزی با استفاده از آموزش عمیق و روش های انتخاب ویژگی های پیشرفته
چکیده انگلیسی
Recent research has seen several forecasting methods being applied for heat load forecasting of district heating networks. This paper presents two methods that gain significant improvements compared to the previous works. First, an automated way of handling non-linear dependencies in linear models is presented. In this context, the paper implements a new method for feature selection based on [1], resulting in computationally efficient models with higher accuracies. The three main models used here are linear, ridge, and lasso regression. In the second approach, a deep learning method is presented. Although computationally more intensive, the deep learning model provides higher accuracy than the linear models with automated feature selection. Finally, we compare and contrast the proposed methods with earlier work for day-ahead forecasting of heat load in two different district heating networks.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Energy - Volume 157, 15 August 2018, Pages 141-149
نویسندگان
, , , , ,