一种机器学习支持的测量与验证(M&V) 2.0方法的开发与应用
人工智能
2018-01-26 v1
摘要
所有能源节约测量与验证(M&V)方法的基础都基于相同的五项关键原则：准确性、完整性、保守性、一致性和透明度。最被广泛接受的方法往往将M&V泛化，以确保适用于各类节能措施(ECM)。这些方法并未提供严格的后续计算流程。本文旨在弥合高层级方法与实际建模算法应用之间的差距，重点关注工业建筑领域。为此，我们开发了一种新颖的、机器学习支持的M&V 2.0方法，能够准确量化节能量。我们采用了一种新颖且计算高效的特征选择算法和强大的机器学习回归算法，以最大化可用数据的有效性。基线期能耗使用人工神经网络、支持向量机、k近邻和多元普通最小二乘回归进行建模。改进的知识发现与扩展的分析边界使得更复杂的能源系统得以分析，从而提升了M&V的适用性。我们以一家大型生物医学制造设施中的案例研究展示了该方法在真实条件下准确量化节能量的能力。研究发现该ECM实现了604,527 kWh的节能，在68%置信区间下不确定度为57%。我们使用穷举法开发了20个基线能耗模型，并采用最优模型量化节能量。文中给出了各模型估计的节能范围，并审视了不确定度的可接受性。该案例研究证明了该方法在挑战性环境下以可接受标准执行M&V的能力。
引用
@article{arxiv.1801.08175,
title = {Development and application of a machine learning supported methodology for measurement and verification (M&V) 2.0},
author = {Colm V. Gallagher and Kevin Leahy and Peter O'Donovan and Ken Bruton and Dominic T. J. O'Sullivan},
journal= {arXiv preprint arXiv:1801.08175},
year = {2018}
}
备注
17 pages. Pre-print submitted to Energy and Buildings. This manuscript version is made available under the CC-BY-NC-ND 4.0 licence