导读:本文包含了能耗预测方法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
能耗预测方法论文文献综述
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）
曹嘉晟,杨太华[2]（2019）在《时间序列分析方法在上海地铁能耗预测中的应用》一文中研究指出轨道交通是我们必不可少的出行方式,其能源消耗量不断攀升。以1993～2016年上海市轨道交通的运行统计能耗数据为基础,从轨道交通网络、路线、体系、车站等不同方面,选择典型的能耗指标,描述其能源消耗情况。并运用Eviews7.2软件对能耗数据进行分析,建立上海市轨道交通能耗系统的时间序列预测模型,从而为上海市轨道交通发展提供决策依据。(本文来源于《能源与环境》期刊2019年03期）
方晓丽,骆勇[3]（2019）在《四川省公路水路货运能耗及碳排放趋势预测方法研究》一文中研究指出为充分掌握交通运输业的能耗和碳排放量,本文首先利用二次平滑指数法对四川省的GDP值进行预测,再利用货运量与GDP的相关性预测出四川省公路水路货运量,其次根据相关统计数据及典型企业的调研数据得到历年公路水路货运量能耗和碳排放强度,分别对基准情境和绿色情境下的能耗和碳排放强度进行预测,最后得到不同情境下四川省公路水路货运能耗和碳排放量及节能减排趋势,为低碳交通的发展奠定了鉴定的基础。(本文来源于《交通节能与环保》期刊2019年03期）
谢先明[4]（2019）在《基于混合数据驱动模型的多尺度电力能耗预测方法研究》一文中研究指出能源结构的重大变革和环保政策力度的不断加强,对能源行业发展提出了巨大的挑战。电能作为二次能源,在我国的现代化进程中扮演着不可或缺的角色。准确有效的电力能耗预测,对合理分配电力资源,防止电能浪费具有重要的现实意义。数据驱动模型由于其易用性和寻优适应性,近年来广泛应用于各类能耗预测场景。其中,基于人工神经网络(ANN)的预测模型在解决电力负荷预测方面最受欢迎。本文将智能算法与人工神经网络模型相结合,进行混合数据驱动模型的多尺度电力能耗预测方法研究。具体研究内容包括:(1)以人工神经网络为基础,结合数据分析与预处理方法,提出利用数据驱动模型进行电力能耗预测的基本流程及方法。首先对原始输入变量数据按照特点选取水平处理方法或小波变换处理方法(WT)对异常点进行删除;然后补齐缺失的数据;最后用主成分分析法(PCA)对输入变量进行特征降维以降低输入冗杂度。(2)为提高神经网络的寻优性能,提出一种基于教学优化算法(TLBO)的混合建模方法。TLBO是一种新的基于群体智能的启发式算法。其基本思想是模拟“教”与“学”两个阶段。在该算法中,学生在课堂上通过教师的教学获取知识,也通过学习者之间的相互学习获取知识。为进一步提高TLBO的寻优精度,在TLBO的基础上进行叁个部分的改进,改进后的iTLBO通过基准测试函数对比实验,证明了其寻优性能优于基本TLBO。结合iTLBO和ANN的特点,设计iTLBO-ANN混合预测模型用于电力负荷预测。出于性能比较目的,同时实现粒子群算法(PSO)和遗传算法(GA)与ANN的结合,设计相应混合预测模型。(3)为验证iTLBO-ANN混合预测模型的多尺度电力负荷预测性能,选取两个不同能量尺度的实际案例进行验证。(i)利用一个高校图书馆的电力能耗数据,对单栋建筑电力能耗进行短时预测。(ii)利用江苏省某城市的实际能源数据,对城镇级电力能耗进行研究。经过数据预处理后,运用上述数据驱动模型进行预测性能分析,结果表明iTLBO-ANN模型与其它混合预测模型(TLBO-ANN,iPSO-ANN,GA-ANN)相比,具有较好的预测精度和较短的预测时间。此外,该模型简单易于实现,因此能够进行不同能量尺度的短期在线预测,具有较强的普遍适用性。(本文来源于《江苏大学》期刊2019-04-01）
谢楠,周俊锋,郑蓓蓉[5]（2018）在《考虑能耗的多传感器融合加工表面粗糙度预测方法》一文中研究指出目的提出一种考虑能耗的多传感器融合加工表面粗糙度预测方法,精确预测零件表面粗糙度。方法首先采集车削过程中的功率和振动信号,测量加工表面粗糙度值,利用集成经验模态分解(Ensemble empirical mode decomposition,EEMD)和小波包分析提取振动信号的时域与频域特征,联合功率信号的时域特征、能耗特征与切削参数,构造联合多特征向量。然后采用核主成分分析(Kernel principal component analysis,KPCA)对联合多特征向量进行融合降维处理生成融合特征。最后将融合特征作为基于支持向量机(Support vector machine,SVM)的表面粗糙度预测模型的输入特征,并使用遗传算法(Genetic algorithm,GA)对SVM模型相关核参数进行优化以提高预测精度。结果预测得到的表面粗糙度平均相对误差为4.91%,最大误差为0.111μm,预测时间为9.24 s。与单传感器预测方法及多传感器联合特征预测方法相比,多传感器融合预测方法具有最高的准确率且预测速度快。结论多传感器采集的信息更全面、准确,保证了预测的准确性,对特征进行融合可进一步提高预测精度。(本文来源于《表面技术》期刊2018年09期）
赵芳云,张明富,顾嘉楠[6]（2018）在《船舶装备物联网移动信息长距离传输能耗预测方法》一文中研究指出通常使用最小二乘法预测船舶装备物联网移动信息在输送时产生的能耗,在预测长距离运输和长时间运输能耗时,该方法的预测能力很低,准确性很差,容易产生误差。为了解决此问题,提出了嵌入式预测法,由应用层、数据层和预测层组成预测系统,预测流程分为预测模板设置、预测条件确认、预测方式选择和预测数据异常分析4步。通过对比实验结果可知,在相同时间和相同距离下,嵌入式预测法的预测能力要优于最小二乘法,准确性更高,与实际值更加吻合。(本文来源于《舰船科学技术》期刊2018年14期）
胡文[7]（2018）在《基于值迭代算法的建筑能耗预测方法研究》一文中研究指出由于建筑具有面积大、能耗大和能耗复杂等特点,并且建筑自身是一个包含多种系统、设备相互连接的复杂非线性系统,因此一直被作为节能的重点。然而,建筑能耗受诸多因素影响,使得能耗预测变得相当困难。在建筑节能问题中,建筑能耗预测方法有很多,例如工程法、数学分析法、人工智能法等。其中,人工智能方法目前使用较为广泛,而强化学习方法在人工智能领域引发了广泛学者的关注,并在多个领域体现其应用价值。强化学习利用试错与环境相互交互的方法不断改进已获得的策略,主要优点在于自学习和在线学习,是目前人工智能的主要研究方向。本文围绕如何利用强化学习方法对建筑能耗进行预测展开研究,通过深度置信网(DBN)对历史能耗进行状态估计,利用强化学习中值迭代算法对能耗建模,实现能耗预测。由于值迭代算法具有较慢的收敛速率、较差的稳定性以及“维数灾难”等问题,本文通过函数逼近、option自动分层、reward shaping等方法提出两种改进的值迭代算法,更加快速准确地预测建筑能耗,主要内容包括以下叁部分:(1)针对经典值迭代算法所存在的算法收敛不稳定以及收敛速度慢的问题,提出一种改进的基于函数逼近的冗余值迭代算法。算法将经典的值迭代算法与贝尔曼冗余值迭代算法相结合,引入权重因子,构建新的值函数参数更新向量,同时从理论上证明,利用所提出的值函数参数更新向量更新值函数参数可以保证算法收敛,解决经典值迭代算法收敛不稳定的问题。(2)提出一种基于option自动分层的启发式值迭代算法。该算法在识别子目标的过程中引入轨迹去环方法,减少样本数据,加快子目标的识别,提高option集的构造质量。为了避免误选子目标的情况发生,算法引入均值限界的方法,降低子目标周围状态的访问次数,以提高子目标识别的精度。此外,算法通过奖赏塑造(Reward shaping)方法,构建启发式信息,加快算法的学习过程。在完成option集的构造后,将option作为值迭代算法中抽象状态的输入,以求解问题的最优策略。(3)为了精确地预测建筑物未来时刻的能耗,提出一种基于值迭代算法的建筑能耗预测方法。由于值迭代算法无法处理连续的状态空间问题,因此本章节通过结合深度置信网(DBN)对建筑能耗进行状态估计,并将输出的状态集作为值迭代算法的输入,进一步完成能耗建模及能耗预测。通过美国巴尔的摩燃气和电力公司记载的建筑能耗数据进行测试实验,实验结果表明,利用DBN的方法提取能耗的高阶特征,能耗预测的准确性明显提高。此外,将第叁章和第四章提出的两种改进的值迭代算法应用于能耗预测实验中,进一步验证算法的性能,由实验结果可知,两种改进的VI算法对能耗预测的精确性皆高于经典VI算法。(本文来源于《苏州科技大学》期刊2018-06-01）
丁子祥[8]（2018）在《基于机器学习方法的建筑能耗预测研究》一文中研究指出随着人口的增长以及经济的发展,住宅与办公建筑中的能源消耗越来越多。因此,寻求能够降低建筑能耗的策略是十分有必要的。建筑节能技术在降低建筑能耗方面扮演着重要的角色。然而,由于一些不可避免的问题,例如:建筑管理不当以及设备任务调度不合理等,使得节能政策的有效性大打折扣。为了提升建筑管理水平以及建筑设备调度的合理性,对建筑能耗进行精确的预测是一种行之有效的方法。目前,相关研究人员提出了大量数据驱动的建筑能耗预测方法且取得了较好的预测结果。然而,由于人员分布、建筑热环境、天气状况以及工作时长等因素的影响,在历史建筑能耗数据中存在着高度的不确定性以及随机性,这使得准确、合理的预测很困难。为获得更加准确、合理的预测结果,本文将采取如下叁种策略:一是采用更加强大的建模方法去学习隐藏在历史数据中的信息;二是将来自经验与数据的知识或模式嵌入到预测模型中;叁是构建具有语言值输出的预测模型。本文的主要工作如下:首先,为了提升建筑能耗预测的精度,提出了一种极限深度学习方法。所提方法将堆栈自编码网络与极限学习机相结合,并继承了两者各自的优势。其中,堆栈自编码网络用于提取建筑能耗的特征,极限学习机作为预测器去获取精确的预测结果。此外,为了检验所提方法的性能,将其与四种流行的机器学习方法——反向传播神经网络(BPNN)、支持向量回归(SVR)、广义径向基函数神经网络(GRBFNN)以及多元线性回归(MLR)进行了比较。实验结果显示,该方法在不同的实验中都能取得最好的预测性能。其次,为了进一步提升建筑能耗预测的精度,给出了一种基于修正深信度网络的混合模型。该模型结合修正深信度网络与用能模式两者的输出来产生最终的预测结果。其中,用能模式代表了建筑能耗中的周期性,可以从历史能耗数据中将其提取出来。然后,将用能模式从原始数据中移除,生成用于训练修正深信度网络的残差数据。修正深信度网络的参数训练过程包括两个步骤:首先,通过一种预训练的方式利用对比散度算法对隐层参数进行优化;然后,通过最小二乘方法确定输出权重向量。此外,为了检验所提模型的优越性,将其与四种人工智能方法——反向传播神经网络(BPNN)、广义径向基函数神经网络(GRBFNN)、极限学习机(ELM)以及支持向量回归(SVR)进行了比较。实验结果表明,该模型对于不同类型的建筑能耗实验都可以取得最好的预测性能。最后,大多数预测模型只能对建筑能耗进行点估计,然而,点估计的合理性与可解释性并不强。针对该问题,提出了一种语言值输出模糊神经网络模型。该模型将模糊神经网络的单一值输出权重拓展为模糊输出权重,以此来获得最终的语言值输出。此外,并提出了一种数据驱动设计方法构建该网络。将所提出的模型应用于建筑能耗预测中,实验结果显示,模型的语言值输出能够有效地捕获历史数据中的不确定性以及随机性。(本文来源于《山东建筑大学》期刊2018-06-01）
李紫微,林波荣,陈洪钟[9]（2018）在《建筑方案能耗快速预测方法研究综述》一文中研究指出综述了建筑方案能耗快速预测的4种方法:工程简化算法、以多元回归方法为代表的统计学方法、以人工神经网络模型为代表的人工智能方法和并行计算方法,并从预测精度、预测速度、方法适用情况、方法局限性等方面进行了对比,为针对具体问题的预测方法选择给出了建议。(本文来源于《暖通空调》期刊2018年05期）
方伟,李华,肖贺,扶鑫[10]（2018）在《大型商业综合体能耗预测方法研究与验证》一文中研究指出本文以合犯市某大型商业综合体为研究对象,采用eQUEST建筑能耗模拟软件作为分析工具,在实际运行能耗特征的基础上,结合考虑建筑用能系统能效的提升空间,对能耗预测模型进行回归修正,形成了更贴合建筑用能特征且可指导建筑节能运行的建筑能耗预测模型。(本文来源于《2018国际绿色建筑与建筑节能大会论文集》期刊2018-04-02）
能耗预测方法论文开题报告
（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：
轨道交通是我们必不可少的出行方式,其能源消耗量不断攀升。以1993～2016年上海市轨道交通的运行统计能耗数据为基础,从轨道交通网络、路线、体系、车站等不同方面,选择典型的能耗指标,描述其能源消耗情况。并运用Eviews7.2软件对能耗数据进行分析,建立上海市轨道交通能耗系统的时间序列预测模型,从而为上海市轨道交通发展提供决策依据。
（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。
能耗预测方法论文参考文献
[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].曹嘉晟,杨太华.时间序列分析方法在上海地铁能耗预测中的应用[J].能源与环境.2019
[3].方晓丽,骆勇.四川省公路水路货运能耗及碳排放趋势预测方法研究[J].交通节能与环保.2019
[4].谢先明.基于混合数据驱动模型的多尺度电力能耗预测方法研究[D].江苏大学.2019
[5].谢楠,周俊锋,郑蓓蓉.考虑能耗的多传感器融合加工表面粗糙度预测方法[J].表面技术.2018
[6].赵芳云,张明富,顾嘉楠.船舶装备物联网移动信息长距离传输能耗预测方法[J].舰船科学技术.2018
[7].胡文.基于值迭代算法的建筑能耗预测方法研究[D].苏州科技大学.2018
[8].丁子祥.基于机器学习方法的建筑能耗预测研究[D].山东建筑大学.2018
[9].李紫微,林波荣,陈洪钟.建筑方案能耗快速预测方法研究综述[J].暖通空调.2018
[10].方伟,李华,肖贺,扶鑫.大型商业综合体能耗预测方法研究与验证[C].2018国际绿色建筑与建筑节能大会论文集.2018