Energy and Buildings ( IF 6.6 ) Pub Date : 2022-04-20 , DOI: 10.1016/j.enbuild.2022.112122 Anjun Zhao 1 , Lu Mi 1 , Xiao Xue 2 , Jiangtao Xi 3 , Yang Jiao 1
住宅小区热网的优化控制需要准确的每栋建筑的短期热负荷预测值。然而，目前住宅热负荷预测的研究主要依赖与热负荷相关的历史数据，没有考虑建筑本体参数对不同建筑类型的影响，导致预测准确率不高。本研究的目的是获得住宅区不同建筑物的准确短期热负荷预测值。在此基础上，引入建筑本体参数，采用Lasso方法对热负荷影响因素进行综合分析和选择。提出了一种使用自适应T分布Satin Bowerbird（tSBO）算法优化卷积神经网络（CNN）的混合短期热负荷预测模型。收集了10个住宅小区已建成供暖系统的实际运行数据，对模型的性能进行了测试。结果表明，构建本体参数对未来热负荷的预测精度有显着影响。引入建筑本体参数后，混合模型预测值的平均绝对百分比误差（MAPE）和均方根误差（RMSE）分别降低了约29.61%和22.00%。与其他预测模型相比，所提出的混合模型在 MAPE 和 RMSE 上平均降低了 18.08% 和 16.26%。收集了10个住宅小区已建成供暖系统的实际运行数据，对模型的性能进行了测试。结果表明，构建本体参数对未来热负荷的预测精度有显着影响。引入建筑本体参数后，混合模型预测值的平均绝对百分比误差（MAPE）和均方根误差（RMSE）分别降低了约29.61%和22.00%。与其他预测模型相比，所提出的混合模型在 MAPE 和 RMSE 上平均降低了 18.08% 和 16.26%。收集了10个住宅小区已建成供暖系统的实际运行数据，对模型的性能进行了测试。结果表明，构建本体参数对未来热负荷的预测精度有显着影响。引入建筑本体参数后，混合模型预测值的平均绝对百分比误差（MAPE）和均方根误差（RMSE）分别降低了约29.61%和22.00%。与其他预测模型相比，所提出的混合模型在 MAPE 和 RMSE 上平均降低了 18.08% 和 16.26%。引入建筑本体参数后，混合模型预测值的平均绝对百分比误差（MAPE）和均方根误差（RMSE）分别降低了约29.61%和22.00%。与其他预测模型相比，所提出的混合模型在 MAPE 和 RMSE 上平均降低了 18.08% 和 16.26%。引入建筑本体参数后，混合模型预测值的平均绝对百分比误差（MAPE）和均方根误差（RMSE）分别降低了约29.61%和22.00%。与其他预测模型相比，所提出的混合模型在 MAPE 和 RMSE 上平均降低了 18.08% 和 16.26%。
"点击查看英文标题和摘要"
京公网安备 11010802027423号