کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
8071699 1521398 2018 59 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Water source heat pump energy demand prognosticate using disparate data-mining based approaches
ترجمه فارسی عنوان
تقاضای انرژی پتانسیل انرژی پمپ حرارتی را با استفاده از رویکردهای متفاوتی از داده کاوی پیش بینی می کند
کلمات کلیدی
پمپ حرارتی منبع آب، پیش بینی تقاضای انرژی، تجزیه خوشه ای، داده کاوی،
ترجمه چکیده
در این مقاله، داده کاوی و مدل های یادگیری ماشین بر پایه نظارت شده برای پیش بینی نیاز پیش بینی شده برای خنک کننده یک ماهه یک ساختمان اداری، از جمله قصد ابتدایی افزایش عملکرد پیش بینی و دقت، مورد بررسی قرار می گیرد. مدل داده کاوی و نظارت بر مدل های یادگیری ماشین شامل: رگرسیون رگرسیونی، رگرسیون گاوسی، شیب مقیاس کنگواتی، گره درختی، درخت تقویت شده، درخت بافته شده، شبکه عصبی، رگرسیون خطی چندگانه و تنظیم بیسین است. داده های هواشناسی خارجی، ساعت ها / روز در یک هفته، بارگیری هفته گذشته، بار روز قبل و بارگیری میانگین قبل از 24 ساعته به عنوان پارامترهای ورودی برای این مدل ها اعمال می شود. در حالی که خروجی مدل ها، قدرت الکتریسیته مورد نیاز برای پمپ گرمای منبع آب است. پمپ حرارتی منبع پمپ واقع در پکن، چین، برای بررسی پیش بینی بار تخلیه پیش بینی شده ی 1 ماهه، یعنی از 8 ژوئیه تا 7 اوت 2016، انتخاب شده است. در این مقاله، شبیه سازی به سه جلسه تقسیم می شود: 7 روز، 14 روز و یک ماه عملکرد پیش بینی شده توسط محاسبه چهار شاخص عملکردی مانند خطای متوسط ​​مربع، میانگین خطای مطلق، خطای متوسط ​​مربع و میانگین خطای درصد مطلق ارزیابی می شود. میانگین درصد مطلق خطا برای پیش بینی 7 روزه تخلیه حرارتی پیش بینی پمپ حرارتی منبع آب از مدل های مبتنی بر داده ها، رگرسیون گاوسی، درخت ببر، درخت تقویت شده، درخت بذر و رگرسیون خطی چندگانه، 405/0، 443/0، 929/1 ٪، 1.703٪ و 13.053٪ بود. در حالی که میانگین خطای مطلق درصد پیش بینی 7 روزه در مورد مدل های مبتنی بر یادگیری ماشین، مانند یک ماشین بردار پشتیبانی رگرسیون، تنظیم مقادیر بیزی، مقیاس گرادیان کنگواته و شبکه عصبی به ترتیب 12.761٪، 2.314٪، 6.314٪ و 2.592٪ بود. شاخص خطای پیش بینی درصد ثابت کرد که نتایج مدل های مبتنی بر داده کاوی دقیق تر و شبیه به مدل های یادگیری ماشین موجود است. نتایج همچنین نشان می دهد که عملکرد و کارایی بهتر در پیش بینی رفتار غیر طبیعی در پیش بینی و تقاضای بارندگی خنک کننده در محیط ساختمان.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی انرژی انرژی (عمومی)
پیش نمایش مقاله
تقاضای انرژی پتانسیل انرژی پمپ حرارتی را با استفاده از رویکردهای متفاوتی از داده کاوی پیش بینی می کند
چکیده انگلیسی
This paper examines the data-mining and supervised based machine learning models for predicting 1-month ahead cooling load demand of an office building, including the primitive intention of enhancing the forecasting performance and the accuracy. The data-mining and supervised based machine learning models include; regression support vector machine, Gaussian process regression, scaled conjugate gradient, tree bagger, boosted tree, bagged tree, neural network, multiple linear regression and bayesian regularization. The external climate data, hours/day in a week, previous week load, previous day load and previous 24-h average load are applied as input parameters for these models. Whereas, the output of the models is the electrical power required for water source heat pump. A water source heat pump located in Beijing, China, is selected for examining 1-month ahead cooling load forecasting, i.e., from July 8 to August 7, 2016. In this paper, simulations are classified into three sessions: 7-days, 14-days and 1-month. The forecast performance is assessed by computing four performance indices such as mean square error, mean absolute error, root mean square error and mean absolute percentage error. The mean absolute percentage error for 7-days ahead cooling load prediction of the water source heat pump from data-mining based models, Gaussian process regression, tree bagger, boosted tree, bagged tree and multiple linear regression were 0.405%, 3.544%, 1.928%, 1.703% and 13.053% respectively. While, mean absolute percentage error of 7-days ahead forecasting in case of machine learning based models such as a regression support vector machine, Bayesian regularization, scaled conjugate gradient and neural network were 12.761%, 2.314%, 6.314%, 2.592% respectively. The percentage forecasting error index proved that the results of data-mining based models are more precise and similar to the existing machine learning models. The results also demonstrate that the better performance and efficiency in foreseeing the abnormal behaviour in forecasting and future cooling load demand in the building environment.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Energy - Volume 152, 1 June 2018, Pages 788-803
نویسندگان
, , ,