DECODE：基于历史数据与环境因子的建筑能耗数据驱动预测
机器学习
2024-02-07 v2 人工智能
摘要
建筑能耗预测在有效的能源管理中起着关键作用。精确的预测对于实现电网内最优的能耗与分配至关重要。本文提出一种长短期记忆（LSTM）模型，旨在利用历史能耗数据、 occupancy 模式与天气状况预测建筑能耗。与现有预测模型相比，该 LSTM 模型可为住宅与商业建筑提供准确的短期、中期和长期能耗预测。我们将所提 LSTM 模型与既有预测方法进行比较，包括线性回归、决策树与随机森林。令人鼓舞的是，所提 LSTM 模型在所有指标上均表现最优。其展现出卓越的预测精度，具有最高的 R2 分数 0.97 与最有利的平均绝对误差（MAE）0.007。我们所开发模型的另一优势在于，即使在有限数据集上训练，也能实现高效的能耗预测。我们通过真实数据上的严格训练与评估，解决了过拟合（方差）与欠拟合（偏差）问题。总之，我们的研究通过提供一个鲁棒 LSTM 模型推进了能耗预测，该模型优于其他方法，并以显著的效率、泛化性与可靠性运行。
引用
@article{arxiv.2309.02908,
title = {DECODE: Data-driven Energy Consumption Prediction leveraging Historical Data and Environmental Factors in Buildings},
author = {Aditya Mishra and Haroon R. Lone and Aayush Mishra},
journal= {arXiv preprint arXiv:2309.02908},
year = {2024}
}
备注
10 pages, 7 figures, 7 tables