典型文献
基于模式划分的空调能耗混合填补方法
文献摘要：
针对公共建筑能耗监测平台采集的空调能耗数据存在缺失、异常等问题,提出一种将无监督学习与监督学习结合的基于模式划分的空调能耗混合填补方法.利用k-means聚类算法将空调能耗数据划分至制冷、制热和独立新风3种运行模式中.在制冷及制热模式下,提出了一种BP神经网络(back propagation neural network,BPNN)和改进粒子群优化算法(amelio-rate particle swarm optimization,APSO)相结合的混合填补策略,进行能耗填补,采用随机森林(random forest,RF)作为特征提取策略,用改进的惯性权重和速度更新方程的APSO优化BPNN的初始参数;在独立新风模式下,采用k最邻近算法(k-nearest neighbor,kNN)填补能耗.青岛市某商场空调能耗试验数据分析结果表明,与RF-APSO-BPNN算法、BPNN算法、小脑神经网络算法(cerebellar model articulation controller,CMAC)相比,本研究方法填补空调能耗的平均百分比误差分别减少了53.44％、69.39％、62.15％.RF-APSO-BPNN-kNN混合方法填补空调能耗更优于其他算法.
文献关键词：
公共建筑;空调能耗数据;运行模式划分;RF-APSO-BPNN-kNN混合模型;机器学习
中图分类号：
作者姓名：
孙鸿昌;周风余;单明珠;翟文文;牛兰强
作者机构：
山东大学控制科学与工程学院,山东济南250061;山东大卫国际建筑设计有限公司机电智能化设计研究院,山东济南250101
文献出处：
引用格式：
[1]孙鸿昌;周风余;单明珠;翟文文;牛兰强-.基于模式划分的空调能耗混合填补方法)[J].山东大学学报（工学版）,2022(01):9-18
A类：
空调能耗数据,运行模式划分
B类：
填补方法,公共建筑能耗,能耗监测平台,无监督学习,means,聚类算法,数据划分,分至,制冷,制热,新风,back,propagation,neural,network,BPNN,改进粒子群优化算法,amelio,rate,particle,swarm,optimization,APSO,random,forest,RF,提取策略,惯性权重,速度更新,更新方程,nearest,neighbor,kNN,补能,青岛市,商场,能耗试验,试验数据分析,小脑,脑神经,神经网络算法,cerebellar,model,articulation,controller,CMAC,补空,混合方法,混合模型
AB值：
0.372425
相似文献
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。
