基于图卷积网络的城市建筑能耗时间序列预测
机器学习
2021-05-31 v1
摘要
世界日益城市化，建筑行业占美国能耗的 40% 以上。为提升城市可持续性，许多城市通过改造既有建筑和建设新社区采取雄心勃勃的节能策略。在此情形下，准确的城市建筑能耗模型（UBEM）是支撑节能社区设计的基础。然而，当前 UBEM 因其动态与非线性特性，在捕捉建筑间相互依赖关系方面能力有限。这些模型忽略或过度简化了建筑间相互依赖，会大幅影响城市能源建模的准确性。为填补研究空白，本研究提出了一种新颖的数据驱动 UBEM，综合了基于太阳能的建筑相互依赖与时空图卷积网络（ST-GCN）算法。特别地，我们以亚特兰大市中心一所大学校园为例预测 hourly 能耗。此外，我们通过将 ST-GCN 模型与其他常见时间序列机器学习模型的表现进行比较，检验了所提模型的可行性。结果表明 ST-GCN 模型总体优于所有其他模型。另外，模型中嵌入的物理知识得到了良好解释。经讨论发现，集成工程或物理知识的数据驱动模型可显著改善城市建筑能源模拟。
引用
@article{arxiv.2105.13399,
title = {Times Series Forecasting for Urban Building Energy Consumption Based on Graph Convolutional Network},
author = {Yuqing Hu and Xiaoyuan Cheng and Suhang Wang and Jianli Chen and Tianxiang Zhao and Enyan Dai},
journal= {arXiv preprint arXiv:2105.13399},
year = {2021}
}
备注
22 pages, 10 figures, submitted to applied energy