典型文献
基于深度迁移学习的住宅建筑能耗预测方法
文献摘要：
为解决数据挖掘方法在建筑能耗预测领域应用过程中面临的数据量不足问题,本文提出了基于深度迁移学习的住宅建筑能耗预测方法,即迁移学习一维卷积神经网络(TL-1D-CNN),该方法结合了深度学习模型的特征提取能力与迁移学习对预测目标数据需求小的特点.基于三栋住宅楼的能耗数据,以其中两栋住宅楼的能耗数据作为源域数据,第三栋住宅楼的部分能耗数据作为目标域数据,研究了该方法在目标楼栋数据不足情况下的预测性能.结果表明,对比长短期记忆神经网络(LSTM)模型在数据完备情况下的预测精度,TL-1D-CNN在供冷季的预测能耗平均绝对百分比误差(MAPE)高0.14％,均方误差(MSE)高0.44 W/m2,供暖季MAPE高0.58％,MSE高0.06 W/m2,模型性能基本接近.
文献关键词：
住宅建筑能耗预测;数据挖掘;深度迁移学习;微调技术
中图分类号：
作者姓名：
陈恕;魏子清;岳宝;丁云霄;郑春元;翟晓强
作者机构：
上海交通大学低温与制冷研究所,上海 200240;广东美的暖通设备有限公司,广东佛山 528311
文献出处：
引用格式：
[1]陈恕;魏子清;岳宝;丁云霄;郑春元;翟晓强-.基于深度迁移学习的住宅建筑能耗预测方法)[J].制冷技术,2022(05):46-51
A类：
住宅建筑能耗,住宅建筑能耗预测
B类：
深度迁移学习,挖掘方法,数据量,不足问题,一维卷积神经网络,TL,1D,深度学习模型,特征提取能力,数据需求,三栋,住宅楼,能耗数据,两栋,源域,目标域,楼栋,预测性能,长短期记忆神经网络,供冷,冷季,平均绝对百分比误差,MAPE,均方误差,MSE,供暖季,模型性能,微调技术
AB值：
0.251979
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。
