基于机器学习的建筑能耗模型适用性研究

为进一步分析不同机器学习方法用于建筑能耗模型的适用性,重点比较了6种常用机器学习方法用于预测办公建筑能耗时的准确性,包括线性回归、高斯过程、多元自适应回归样条法、自助多元自适应回归样条法、随机森林和支持向量机.结果表明:多元自适应回归样条法、自助多元自适应回归样条法和随机森林法适用于取暖能耗的模型建立;对于制冷能耗预测,自助多元自适应回归样条法的计算精度最高.同时发现制冷能耗与取暖能耗相比,由于存在更加复杂的非线性关系,其预测难度更大.研究结果不仅可用于在建筑节能分析中确定最佳机器学习方法,而且所得机器学习方法可用于城市建筑能耗模型的建立.     

人口增长率的非参数自回归预测模型

针对传统的人口增长预测模型不能理想地捕获我国人口增长率数据的非线性性特征，本文基于局部线性非参数估计理论，对我国建国以来的年人口增长率建立了非参数自回归NAB．（1）模型，并对2000年-2003年的年人口增长率进行了预测，计算结果表明，相对于参数自回归模型而言，非参数自回归模型能够很好地解决人口增长预测这一非线性问题，预测精度较高．     

基于服务模式切换的数据中心能耗最小化问题研究

面向云计算的数据中心一般由大量服务器组成,保持合适数量活跃服务器提供及时服务的同时,尽可能切换服务器到空闲模式以减少能耗是一种有效的节能措施。文章研究了负载已知的情况下如何最小化数据中心操作能耗(服务进程能耗)和切换能耗(活跃/空闲模式改变能耗)的问题。首先,建立数据中心能耗最小化模型;然后分析特殊情况下最优解的特性;最后通过消除动态规划的递推过程,得到具有多项式复杂度的最优算法。不同负载变化趋势的数值结果表明,该算法能保证能耗达到最小,同时计算过程平稳。     

工业电阻炉多参数能耗建模与预测

电阻炉温度变化存在非线性、大延迟的特点,建立精确的能耗数学模型比较困难.为解决理论建模复杂且不具备实时性的问题,提出了一种基于数据驱动的电阻炉多参数能耗预测方法.首先,通过分析电阻炉工作阶段的能耗特性,建立了电阻炉理论能耗预测模型;然后,利用粒子群优化算法对支持向量回归的超参数进行寻优,建立了基于支持向量回归的多参数能耗预测模型;最后,对比了支持向量回归、高斯过程回归、自适应模糊神经推理系统模型在单参数及多参数条件下的能耗预测结果.实验结果表明,基于粒子群优化下的支持向量回归多参数能耗预测方法具有更好的预测效果.     

工业机器人功率等效模型与参数辨识

针对工业机器人能耗复杂,动态性强,实时功率难以预测的问题,在对机器人系统中永磁同步电机、伺服驱动器等功能部件能耗分析的基础上,提出了工业机器人功率等效模型.该模型通过高阶多项式建立起机器人损耗功率与电机扭矩、电机角速度的映射关系,其系数通过最小二乘法求解,可以在机器人电机参数未知的条件下进行功率预测.结果表明,基于功率模型的理论计算值和实验测量值的均方根相对误差为8.11％,证明了功率模型和辨识参数的正确性.     

基于词嵌入与卷积神经网络的建筑能耗预测

在对建筑能耗进行回归预测时需要利用到时序特征与分类特征,而传统模型只能处理其中一种特征.针对该问题,文中提出了一种融合一维卷积与词嵌入的神经网络新构架,其中,一维卷积核能提取连续的时间序列特征,词嵌入模型能对离散的分类特征进行嵌入计算,从而建立能同时处理时序特征与分类特征的建筑能耗预测模型.通过与梯度提升决策回归树和长...     

采用机器学习算法的软件能耗感知模型及其应用

针对软件开发人员不了解代码的能耗,或者即使能测得软件运行时的能耗但由于缺乏对影响能耗的各因素了解的问题,在对4种机器学习算法实验的基础上,选用岭回归算法建立了以软件性能事件为特征的软件能耗模型。以收集的软件能耗测量值和软件性能事件数据作为训练样本,利用岭回归机器学习算法建立平均能耗模型,用平均能耗模型来预测其他软件的平均能耗;并在此基础上,利用软件运行的实时特征提出了实时的能耗模型。实验结果表明:以测量的能耗为基准,采用所提出的平均能耗模型对软件能耗进行预测的误差率在9%以内;与平均能耗模型相比,实时能耗模型的预测误差率更低。采用本文所提出的两种能耗模型,软件设计人员不需要对自己的软件进行测量和训练就可以较准确地估算出软件的能耗并能解释能耗产生的原因,最后根据预测结果对软件的能效进行优化。     

基于改进自回归移动平均算法的能耗预测

本文针对经验模态分解算法与自回归移动平均算法两种结合模型(EMD-ARMA)预测数据准确度不足的问题,运用经验模态分解算法(EMD)、自回归移动平均模型(ARMA)和多项式拟合模型三者相结合的方法对小样本电能能耗数据进行预测,最终提高预测结果的准确度.本文首先利用经验模态分解算法对原始能耗数据样本进行分解,提取该能耗样本不同频率的特征分量(IMFx);然后设定频率阈值,针对高频分量和低频分量建立不同的拟合模型;最终将分量预测结果进行合成,得到总体预测结果.仿真结果表明,EMD-ARMA模型的平均绝对误差1.984 2,本文模型的平均绝对误差1.616 8,提高了预测结果的准确度.     

办公建筑运行能耗的混沌时间序列复合预测

针对办公建筑已有的能耗预测方法中未能考虑到能耗数据的混沌变化特性,提出了一种基于混沌时间序列的办公建筑运行能耗预测方法.对研究对象的时间序列进行相空间重构,判断其具备混沌特性,建立混沌理论和支持向量回归的组合模型进行训练,采用Markov链消除组合模型由于参数传递产生的累积误差,得到最终预测结果.为了验证算法的有效性,以西安某办公建筑的能耗监测数据为例进行实例分析,并与非线性自回归神经网络、支持向量回归等其他预测方法进行对比.实验结果表明,经过Markov修正后的混沌时间序列组合模型预测精度显著提高,预测效果优于其他方法,且更符合办公建筑能耗的变化规律,为节能优化提供有效的数据支撑.     

城市日用水量预测的非参数模型研究

本文针对传统的线性回归模型误差较大的特点,利用核估计与局部线性估计方法,以气温、节假日为自变量,以用水量为因变量建立了城市日用水量的多元非参数回归模型.经西安市实例验证表明,相对于线性回归模型而言,多元非参数回归模型预测精度较高,预测效果好.