基于深度学习的开窗模型
机器学习
2018-09-21 v3 机器学习
摘要
居住者行为（OB），特别是开窗行为，需要在建筑性能模拟（BPS）中加以考虑，以便真实地模拟供暖通风与空调（HVAC）的室内气候和能耗。然而，已有的OB开窗模型往往偏向于窗户保持关闭这一代表性过强的类别。此外，它们需要针对每位居住者进行调参，无法有效扩展到居住者数量增加的情况。本文提出一种用于商业建筑的基于深度学习的开窗模型。该模型使用来自德国一栋办公楼的居住者数据进行训练。总共使用来自位于亚琛、法兰克福和费城的3栋独立建筑的近2000万（20 mio.）个数据点对该模型进行评估。最终，总结了3100核小时的模型开发结果，使本研究成为开窗状态建模中同类规模最大的研究。此外，通过将所提模型纳入基于Modelica的热建筑模拟中，测试了该模型的实际潜力。在办公楼上得到的评估准确率和F1分数分别在86-89%和0.53-0.65之间。在输入数据稀疏的情况下，性能下降约15个百分点，而F1分数保持较高。
引用
@article{arxiv.1807.03610,
title = {Window Opening Model using Deep Learning Methods},
author = {Romana Markovic and Eva Grintal and Daniel Wölki and Jérôme Frisch and Christoph van Treeck},
journal= {arXiv preprint arXiv:1807.03610},
year = {2018}
}
备注
Accepted for publication in Building and Environment