基于特征工程的建筑负荷预测：热带天气下商业建筑冷却塔优化案例研究
系统与控制
2025-02-25 v1 人工智能
机器学习
系统与控制
摘要
在高湿气候的国家，空调可占建筑能耗的高达 60%。对于采用集中式系统的商业建筑，冷却塔的效率至关重要，模型预测控制通过基于准确负荷预测进行动态调整来有效优化运行。人工神经网络在建模非线性系统方面有效，但因其复杂性容易产生过拟合。有效的特征工程可缓解这一问题。虽然天气数据对负荷预测至关重要，但常被用作原始数值输入而缺乏深度处理。聚类特征是一种可减少模型复杂度并提升预测精度的技术。虽然已有研究探索了用于负荷预测的聚类算法，但尚无研究将其应用于多维天气数据，留下了研究空白。本研究提出一种结合神经网络、卡尔曼滤波和 K 均值聚类的冷却负荷预测模型。应用于新加坡市中心商业区某大型商务楼的真实数据，模型实现了 46.5% 的预测精度提升。我们还通过遗传算法优化预测负荷，开发了最优冷却塔序列策略，可实现 13.8% 的能源节省。最后，本研究评估了将热能储存集成到冷却塔设计中的潜力，结果显示可分别降低资本和运营成本 26% 和 13%。
引用
@article{arxiv.2502.15780,
title = {Feature Engineering Approach to Building Load Prediction: A Case Study for Commercial Building Chiller Plant Optimization in Tropical Weather},
author = {Zhan Wang and Chen Weidong and Huang Zhifeng and Md Raisul Islam and Chua Kian Jon},
journal= {arXiv preprint arXiv:2502.15780},
year = {2025}
}