论文部分内容阅读
在建筑能耗分析领域,建立建筑能耗模型是深入分析其能耗特点的重要手段,而且能够为建筑节能提供优化节能措施。因此,建立可靠准确的建筑能耗模型是建筑节能研究中的重要任务。机器学习方法近年来在建筑能耗分析领域的应用越来越广泛。机器学习方法由于其先进的数据分析能力,可以用于分析多变量之间的复杂模式以及交互作用,在调整完机器模型中算法参数后,能够达到计算速度快的特点,非常适合应用于建筑能耗模型的建立和分析。所建立的机器学习能耗模型,可进一步用来进行建筑能耗的不确定性和敏感性分析、贝叶斯分析和最优化计算等方面。本文重点从单体建筑能耗和区域建筑能耗两方面来比较几种常用的机器学习方法对建筑能耗预测的准确性,包括完全线性回归、LOSSO回归、高斯过程回归、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、支持向量机和促进法。结果表明在单体办公建筑的能耗预测中,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三种方法适用于取暖能耗的模型建立,对于制冷和用电能耗预测,自助多元自适应回归样条法是计算精度最好的机器学习方法。同时发现制冷能耗模型与取暖能耗模型相比,由于存在着更加复杂的非线性关系,其预测难度更大。办公建筑外围护结构因素的敏感性分析得出,对于建筑的取暖能耗的影响最为显著的因素为建筑高度,而对于制冷和用电情况来说建筑规模的影响程度更大。在区域建筑能耗的预测中,支持向量机模型和自助多元自适应回归样条法的预测效果最好,而且自助多元自适应回归样条法所建立模型预测值的不确定性区间要小于支持向量机的预测值不确定性区间,所以其建立的模型更加精确。同时,研究结果表明电能预测的统计模型与燃气预测的统计模型相比所需模型变量数目少,但是电能预测模型比燃气模型的预测难度高。