Our official English website, www.x-mol.net, welcomes your
feedback! (Note: you will need to create a separate account there.)
区域供热的可解释热负荷模式预测
Scientific Reports ( IF 3.8 ) Pub Date : 2023-05-08 , DOI: 10.1038/s41598-023-34146-3
L Minh Dang 1 , Jihye Shin 2 , Yanfen Li 3 , Lilia Tightiz 4 , Tan N Nguyen 5 , Hyoung-Kyu Song 1 , Hyeonjoon Moon 3
"点击查看英文标题和摘要"
更新日期:2023-05-08
Scientific Reports ( IF 3.8 ) Pub Date : 2023-05-08 , DOI: 10.1038/s41598-023-34146-3
L Minh Dang 1 , Jihye Shin 2 , Yanfen Li 3 , Lilia Tightiz 4 , Tan N Nguyen 5 , Hyoung-Kyu Song 1 , Hyeonjoon Moon 3
Affiliation
|
热网通过向某些国家/地区的居民提供热能,在能源领域发挥着至关重要的作用。热网的有效管理和优化需要深入了解用户的热使用模式。不规则的模式,例如高峰使用期,可能会超出系统的设计能力。然而,以前的工作大多忽略了热量使用情况的分析或小规模的分析。为了缩小差距,本研究提出了一种数据驱动的方法来分析和预测区域供热网络中的热负荷。该研究使用来自韩国清州热电联产 DH 工厂超过八个供暖季节的数据,使用监督机器学习 (ML) 算法构建分析和预测模型,包括支持向量回归 (SVR)、增强算法和多层感知器 (MLP) ). 这些模型将天气数据、节假日信息和历史每小时热负荷作为输入变量。使用数据集的不同训练样本大小比较这些算法的性能。结果表明,boosting 算法,尤其是 XGBoost,是更合适的 ML 算法,预测误差低于 SVR 和 MLP。最后,应用不同的可解释人工智能方法来深入解释训练模型和输入变量的重要性。是比 SVR 和 MLP 更合适的预测误差更低的 ML 算法。最后,应用不同的可解释人工智能方法来深入解释训练模型和输入变量的重要性。是比 SVR 和 MLP 更合适的预测误差更低的 ML 算法。最后,应用不同的可解释人工智能方法来深入解释训练模型和输入变量的重要性。

"点击查看英文标题和摘要"