论文部分内容阅读
建筑业作为国民经济支柱性产业,在推动社会发展的同时也消耗了大量能源。推动建筑行业进行节能减排,对实现我国于2030年左右使二氧化碳排放达到峰值的节能减排目标具有重要意义。建筑节能减排的一个重要手段是建筑能耗精细化管理,而进行这一工作的基础就是对建筑能耗进行准确的预测,从而支撑建筑运行优化管理,实现节能减排的目标。为更高效的完成建筑能耗预测工作,本文将机器学习算法应用于建筑能耗预测领域,以实际案例公共建筑能耗数据为基础,通过完成建筑能耗数据预处理、建筑能耗特征分析、机器学习算法能耗预测模型建立、模型预测结果分析与评价等工作,建立起了不同类型建筑与机器学习算法模型之间的适配关系,最终总结提出了标准化的基于机器学习的建筑能耗预测方法。本文主要研究内容和成果如下:首先,本文提出了基于KNN算法和K-means算法的建筑能耗异常数据识别和修复方法,并利用该方法完成了对案例建筑历史能耗数据的预处理工作。建筑能耗预处理结果表明,该方法可以合理且准确的完成对建筑能耗异常数据的修复工作。这为后续研究奠定了数据基础。其次,本文对四栋不同用途的案例公共建筑进行了能耗特征分析,分别得出了办公建筑、商业建筑、酒店建筑和医疗建筑之间的相似性和差异性能耗特征规律,这为后续不同类型公共建筑与不同算法模型之间的匹配提供了依据。再次,本文建立了基于SVR算法、LSTM算法和XGBOOST算法这三种典型的基于机器学习的建筑能耗预测模型,利用预测模型对四栋案例公共建筑开展了能耗预测实验,并对实验进行了准确性和时间成本评价。结果表明,不同类型建筑和不同算法模型之间具有不同的适应性特征,当选择合适的匹配关系时,基于机器学习的建筑能耗预测模型可以取得令人满意的预测准确度。最后,本文总结了不同类型建筑与不同算法模型之间的匹配关系,提出了完整的基于机器学习的建筑能耗预测方法,这为其他建筑能耗预测研究提供了参考。