导读:本文包含了短期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:短期能耗预测,深度学习,去噪自编码器,长短期记忆网络
短期能耗预测论文文献综述
廖文强,王江宇,陈焕新,丁新磊[1]（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）
左志宏,赵云鹏,刘竹,肖鹏[2]（2019）在《基于时间序列分解与支持向量回归的短期电力能耗预测研究》一文中研究指出由于电力能耗数据各分量的交叉影响,单一的模型很难实现准确的预测。论文提出一种基于STL(Seasonal and Trend decomposition using Loess)时间序列分解与支持向量回归的短期电力能耗预测算法,首先使用STL时间序列分解算法将电力能耗数据分解为趋势项、周期项与余项,之后使用支持向量回归模型分别对趋势项与周期项进行预测,抛弃余项,最后整合趋势项与周期项得到最终的预测结果。实验表明,与单一的支持向量回归模型相比,有效提升了预测精度。(本文来源于《信息系统工程》期刊2019年08期）
钱青,唐桂忠,张广明,邓歆,尹海培[3]（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）
邓晓红,宫磊,刘兴民[4]（2019）在《基于PSO-LS-SVMR的公共建筑能耗短期预测模型》一文中研究指出提出一种粒子群算法优化的最小二乘支持向量机回归模型(PSO-LS-SVMR),以实现对公共建筑能耗的短期预测。采用某大型公共建筑物连续31期的用电量及所在地区相关天气指标的实测数据,分别运用PSO-LS-SVMR模型和LMBP神经网络模型对其建筑能耗进行短期预测,并对预测结果展开深入研究。研究结果表明,提出的PSO-LS-SVMR模型在对样本内数据和样本外数据的预测上均取得了较好效果,可以满足公共建筑能耗短期预测的实际需要,为建筑节能管理提供理论支持与决策参考。(本文来源于《建筑节能》期刊2019年04期）
廖文强,王江宇,陈焕新,丁新磊,尚鹏涛[5]（2019）在《基于长短期记忆神经网络的暖通空调系统能耗预测》一文中研究指出建筑系统的能源消耗中,暖通空调系统能耗占大部分。降低暖通空调系统(HVAC)的能耗量对实现建筑节能具有重大意义。通过对暖通空调未来短期能耗进行预测,调整系统运行模式,可以实现有效的能耗降低。本研究使用了一种基于长短期记忆神经网络(Long Short-term Memory,LSTM)的暖通空调系统能耗预测方法,对某地供暖系统的能耗进行预测,将预测结果与真实值进行对比。最终结果表明,LSTM预测模型相比传统的预测方法效果更好。(本文来源于《制冷技术》期刊2019年01期）
丁飞鸿,刘鹏,卢暾,顾宁,丁向华[6]（2019）在《基于遗传优化决策树的建筑能耗短期预测模型》一文中研究指出使用线性回归模型预测公共建筑能耗数据时,存在不确定性影响因素和精度偏差问题。为此,建立一种遗传优化决策树模型。采用遗传算法优化梯度提升决策树的子树生成过程,以模型预测的R-Square值作为迭代的评估标准,从而达到能耗预测的目的。实验结果表明,与传统的回归预测模型相比,该模型预测精度较高。(本文来源于《计算机工程》期刊2019年06期）
郭晓静,张娇婷,万雅萍[7]（2018）在《民航机场用电短期能耗优化预测仿真》一文中研究指出由于民航机场电能耗数据具有量少、非线性的特点,导致机场能耗预测模型建立困难。传统算法通过建立灰色神经网络模型进行机场用电短期能耗预测,但由于神经网络模型随机初始化权值以及可利用的数据不足依然带来了很大误差。为提高民航机场用电短期能耗模型预测精度,提出了改进的灰色深度信念网组合预测模型。首先利用机场电能耗历史数据建立改进的灰色预测模型;然后将灰色预测结果、多维历史用电量数据特征和影响机场电能耗的主要因素共同作为深度信念网的输入,确定网络结构;最后基于此预测模型对某机场东区用电量数据进行预测,并与传统的灰色神经网络预测结果进行对比,仿真结果表明,所提出的结合了灰色模型的深度学习网组合模型在机场用电量短期预测中具有较高的精度。(本文来源于《计算机仿真》期刊2018年09期）
王尉同,潘毅群,黄治钟[8]（2018）在《梯度渐进回归树在建筑能耗短期预测中的应用》一文中研究指出建筑能耗短期预测可以为供能系统调度、节能量评估提供依据,因此如何精确地预测建筑能耗一直是建筑节能领域的研究热点之一。针对建筑能耗短期预测问题,提出了一种基于梯度渐进回归树(GBRT)的建筑能耗预测方法。算法流程包括对数据进行预处理,通过交叉验证优化模型参数,训练GBRT模型用于建筑能耗短期预测。通过上海市某大型公共建筑实测数据进行验证,结果表明,与基于人工神经网络和支持向量机的预测算法相比,基于GBRT的建筑能耗预测算法预测精度更高,同时参数在很宽泛的范围均可以接近最优结果,算法具有较强的实用性。(本文来源于《建筑节能》期刊2018年03期）
路阔,钟伯成,吕丁浩,雒静[9]（2015）在《基于GALM神经网络的建筑能耗短期预测》一文中研究指出为改进以往神经网络对建筑能耗预测的不足,提出应用遗传算法结合Levenberg-Marquardt算法(GALM)改进神经网络对建筑能耗进行预测。首先,利用遗传算法优化神经网络的权值和阈值;其次,利用Levenberg-Marquardt算法优化神经网络训练,针对影响建筑能耗的主要因素建立GALM神经网络的建筑能耗预测模型。通过建立建筑能耗监测平台采集某公共建筑1个月的能耗数据,对该模型进行训练和测试。实验结果表明,该模型可以准确且高效地对建筑能耗进行短期预测。(本文来源于《建筑节能》期刊2015年09期）
路阔,钟伯成[10]（2014）在《基于LMBP神经网络的建筑能耗短期预测》一文中研究指出为解决BP神经网络预测速度慢不适于建筑能耗短期预测的问题,采用Levenberg-Marquardt算法改进BP神经网络建立了基于LMBP神经网络的建筑能耗短期预测模型。通过某建筑物1个月的电量,对模型进行训练和测试,结果表明基于LMBP神经网络的预测模型预测速度显着提高,预测精度满足实际需要,适用于建筑能耗短期预测。(本文来源于《建筑节能》期刊2014年11期）
短期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：
由于电力能耗数据各分量的交叉影响,单一的模型很难实现准确的预测。论文提出一种基于STL(Seasonal and Trend decomposition using Loess)时间序列分解与支持向量回归的短期电力能耗预测算法,首先使用STL时间序列分解算法将电力能耗数据分解为趋势项、周期项与余项,之后使用支持向量回归模型分别对趋势项与周期项进行预测,抛弃余项,最后整合趋势项与周期项得到最终的预测结果。实验表明,与单一的支持向量回归模型相比,有效提升了预测精度。
（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。
短期能耗预测论文参考文献
[1].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
[2].左志宏,赵云鹏,刘竹,肖鹏.基于时间序列分解与支持向量回归的短期电力能耗预测研究[J].信息系统工程.2019
[3].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
[4].邓晓红,宫磊,刘兴民.基于PSO-LS-SVMR的公共建筑能耗短期预测模型[J].建筑节能.2019
[5].廖文强,王江宇,陈焕新,丁新磊,尚鹏涛.基于长短期记忆神经网络的暖通空调系统能耗预测[J].制冷技术.2019
[6].丁飞鸿,刘鹏,卢暾,顾宁,丁向华.基于遗传优化决策树的建筑能耗短期预测模型[J].计算机工程.2019
[7].郭晓静,张娇婷,万雅萍.民航机场用电短期能耗优化预测仿真[J].计算机仿真.2018
[8].王尉同,潘毅群,黄治钟.梯度渐进回归树在建筑能耗短期预测中的应用[J].建筑节能.2018
[9].路阔,钟伯成,吕丁浩,雒静.基于GALM神经网络的建筑能耗短期预测[J].建筑节能.2015
[10].路阔,钟伯成.基于LMBP神经网络的建筑能耗短期预测[J].建筑节能.2014