论文题目：复合模型及深度学习模型在建筑能耗预测中的应用
摘要：建筑部门是当代社会重要的能源消费部门,建筑节能是推进能源转型、实现“碳达峰和碳中和”战略目标的重要手段。精准的建筑能耗预测是构建建筑能源管理系统,达到建筑节能的支撑技术。建筑能耗不仅受建筑物理结构的影响,建筑的实际功能和使用方式也决定了建筑的实际能耗,因此建筑能耗具有显著的波动性和不确定性。传统的工程方法、统计回归方法以及单一机器学习模型难以满足日益提高的高精度建筑能耗预测的要求。以人工智能算法为基础建立的复合机器学习模型以及深度学习模型能够提供更精准的预测结果,因此在建筑能耗预测的研究中愈发流行。本文以建筑能耗预测为研究对象,基于多种人工智能算法构建复合机器学习模型以及深度学习模型,深入研究以数据驱动为基础的建筑能耗预测方法。具体内容包括如下:（1）建立线性加权复合模型,在以往的研究中,研究者往往根据经验选择线性加权复合模型中的基模型,缺少对如何选择基模型的类型与数量的研究。本文选择反向传播（Back Propagation,BP）神经网络、极限学习机（Extreme Learning Machine,ELM）神经网络、径向基（Radial Basis Function,RBF）神经网络和支持向量机（Support Vector Machine,SVM）等四个被广泛使用的机器学习模型作为基模型,构建了 11个线性加权复合模型,并采用遗传算法优化各基模型在复合模型中的权重。通过对比各个模型用来建筑能耗预测的结果,得到基模型对线性加权复合模型预测结果的影响规律。（2）堆叠复合是区别于线性加权的另外一种机器学习模型复合方法。到目前为止,堆叠复合模型在建筑能耗预测领域的应用并不多见。本文采用与线性加权复合模型中相同的基模型,以RBF神经网络和SVM作为元模型建立30个堆叠复合模型,分别对办公建筑及商用建筑能耗进行预测。通过对比预测结果,得到影响堆叠复合模型预测结果的一般规律,同时还发现堆叠复合模型的预测结果优于线性加权复合模型。（3）和一般机器学习模型相比,深度学习模型通常具备更强的数据挖掘能力。因此,本文以长短期记忆神经网络（Long Short Term Memory,LSTM）为例,研究深度学习模型预测建筑能耗的效果。本文采用粒子群优化方法（Particle Swarm Optimization,PSO）优化长短期记忆神经网络的超参数,构建PSO-LSTM模型,分别对办公建筑及商用建筑能耗实行预测。结果表明,该预测模型可以得到令人满意的预测精度,证实了深度学习模型应用在建筑能耗预测问题的可行性。通过对比预测结果,发现深度学习模型的建筑能耗预测结果虽不及堆叠复合模型,但要优于线性加权复合模型。
关键词：建筑能耗预测;人工智能;机器学习;深度学习;复合模型
学科专业：动力工程（专业学位）
摘要
ABSTRACT
第1章 绪论
1.1 研究背景及意义
1.2 建筑能耗预测方法
1.2.1 工程方法
1.2.2 统计回归方法
1.2.3 人工智能方法
1.3 基于机器学习的建筑能耗预测模型
1.3.1 基于单一机器学习算法的建筑能耗预测模型
1.3.2 基于复合模型的建筑能耗预测模型
1.4 基于深度学习的建筑能耗预测模型研究现状
1.5 本文主要研究内容及章节安排
第2章 用于建筑能耗预测的人工智能方法
2.1 引言
2.2 基模型
2.2.1 反向传播神经网络
2.2.2 极限学习机神经网络
2.2.3 径向基神经网络
2.2.4 支持向量机
2.3 长短期记忆神经网络
2.4 复合模型
2.4.1 线性加权复合模型
2.4.2 堆叠复合模型
2.5 交叉验证
2.6 遗传算法
2.7 粒子群优化算法
2.8 本章小结
第3章 建筑能耗预测模型
3.1 引言
3.2 建筑能耗数据及预处理
3.3 建筑能耗预测模型的构建
3.3.1 线性加权复合模型
3.3.2 堆叠复合模型
3.3.3 深度学习模型
3.4 预测模型的性能评价指标
3.5 本章小结
第4章 建筑能耗模型预测结果及预测方法对比分析
4.1 引言
4.2 案例一结果对比分析
4.2.1 线性加权复合模型预测结果
4.2.2 堆叠复合模型预测结果
4.2.3 深度学习模型预测结果
4.2.4 案例一不同类别模型对比
4.3 案例二结果对比分析
4.3.1 线性加权复合模型预测结果
4.3.2 堆叠复合模型预测结果
4.3.3 深度学习模型预测结果
4.3.4 案例二不同类别模型对比
4.4 本章小结
第5章 总结与展望
5.1 全文总结
5.2 课题展望
参考文献
致谢