کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
8071996 1521402 2018 30 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Deep belief network based ensemble approach for cooling load forecasting of air-conditioning system
ترجمه فارسی عنوان
شبکه عمیق شبکه مبتنی بر شبکه برای پیش بینی بار خنک کننده سیستم تهویه مطبوع
کلمات کلیدی
سیستم تهویه هوا، شبکه اعتقادی درونی، پیش بینی بارگیری خنک کننده، تکنیک گروه، یادگیری عمیق،
ترجمه چکیده
با توجه به مصرف انرژی بالا در ساختمان ها، پیش بینی بار خنک کننده نقش مهمی در برنامه ریزی، کنترل و کارکرد سیستم های گرمایش، تهویه و تهویه مطبوع بازی می کند. با این حال، سری داده های خنک کننده بار همیشه ویژگی های غیر خطی و پویا را نمایش می دهد، و دشوار بودن پیش بینی دقیق آن بسیار دشوار است. بنابراین، یک رویکرد ترکیبی مبتنی بر یادگیری عمیق در ابتدا در این مقاله برای پیش بینی بارهای خنک کننده قطعی با دقت بالا پیشنهاد شده است. رویکرد ترکیبی از تجزیه حالت تجربی، شبکه اعتقاد عمیق و تکنیک گروه است. تجزیه حالت تجربی برای تجزیه سری داده های بارگیری خنک کننده اصلی به چندین اجزای با بازده بهتر و رفتارها اعمال می شود. ویژگی های غیر خطی پنهان و ساختارهای غیرمستقیم سطح بالا در داده ها به طور موثری با شبکه ای باورنکردنی مبتنی بر پیش آموزش مبتنی بر لایه ها استخراج می شوند. علاوه بر این، تکنیک مجموعه ای معرفی شده است و به درستی طراحی شده است تا اثر عدم قطعیت ها، یعنی عدم اطمینان مدل و نویز داده ها، بر دقت پیش بینی را کاهش دهد. مطالعات موردی با استفاده از اطلاعات بارگیری واقعی خنک کننده جمع آوری شده از شنزن و هنگ کنگ انجام شده است. نتایج عددی نشان می دهد که رویکرد پیش بینی پیشنهادی در مقایسه با الگوریتم پیش بینی وضعیت هنر، عملکرد رقابتی را نشان می دهد. بنابراین متقاعد شده است که رویکرد پیشنهادی پتانسیل بالایی برای بهبود عملکرد عملیاتی در سیستم های انرژی دارد.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی انرژی انرژی (عمومی)
پیش نمایش مقاله
شبکه عمیق شبکه مبتنی بر شبکه برای پیش بینی بار خنک کننده سیستم تهویه مطبوع
چکیده انگلیسی
Due to the high energy consumption in buildings, cooling load forecasting plays a crucial role in the planning, control and operation of heating, ventilating and air-conditioning systems. However, cooling load data series always exhibit nonlinear and dynamic features, making it very difficult to be forecasted accurately. Therefore, a novel deep learning based hybrid approach is originally proposed in this paper for deterministic cooling load forecasting with high accuracy. The approach is a hybrid of empirical mode decomposition, deep belief network and ensemble technique. Empirical mode decomposition is applied to decompose the original cooling load data series into several components with better outliers and behaviors. The hidden nonlinear features and high-level invariant structures in data are effectively extracted by layer-wise pre-training based deep belief network. In addition, ensemble technique is introduced and properly designed to mitigate the impact of uncertainties, i.e., model uncertainty and data noise, on forecasting accuracy. Case studies using real cooling load data collected from Shenzhen and Hong Kong have been implemented. The numerical results demonstrate that the proposed forecasting approach exhibits competitive performance when compared to the prediction algorithms of the state of the art. It is therefore convinced that the proposed approach has a high potential for improving the operating performance in energy systems.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Energy - Volume 148, 1 April 2018, Pages 269-282
نویسندگان
,