典型文献
基于神经网络的建筑能耗混合预测模型
文献摘要：
为了提升建筑能耗预测的精度、鲁棒性和泛化能力,提出树种算法(TSA)优化的径向基函数(RBF)神经网络与长短时记忆(LSTM)神经网络结合的混合预测模型. 采用基于自适应噪声的完全集成经验模态分解算法,将建筑能耗数据分解为1组本征模态函数(IMF)分量和1个残余分量,利用样本熵算法将各分量划分为高频分量和低频分量. 采用最小绝对收缩与选择算子(LASSO)方法进行特征选择. 分别利用TSA算法优化后的RBF模型与LSTM模型对低频分量和高频分量进行预测,并叠加重构得到最终预测结果. 模型评估结果表明,混合预测模型的精度为98. 72％. 相比于RBF、TSA-RBF、LSTM模型,所提模型的预测效果更好,且具有较强的鲁棒性和泛化能力,能够更为有效地用于建筑逐时电力能耗预测.
文献关键词：
建筑能耗预测;神经网络;混合预测模型;集成经验模态分解;特征选择
中图分类号：
作者姓名：
于军琪;杨思远;赵安军;高之坤
作者机构：
西安建筑科技大学 建筑设备科学与工程学院,陕西 西安 710055;西安建筑科技大学 信息与控制工程学院,陕西 西安 710055
文献出处：
引用格式：
[1]于军琪;杨思远;赵安军;高之坤-.基于神经网络的建筑能耗混合预测模型)[J].浙江大学学报（工学版）,2022(06):1220-1231
A类：
B类：
混合预测模型,建筑能耗预测,泛化能力,树种算法,TSA,径向基函数,RBF,长短时记忆,自适应噪声,完全集成经验模态分解,能耗数据,数据分解,本征模态函数,IMF,样本熵,高频分量,低频分量,选择算子,LASSO,特征选择,算法优化,模型评估,电力能耗
AB值：
0.255728
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
