随着我国经济的快速发展能源消耗逐渐增加建筑能耗在总能耗中占据很大比重。建筑节能已成为我国能源战略的必不可少组成部分。近年来人工智能技术在建筑节能领域得到了广泛关注。本文通过深度学算法对建筑节能优化策略实行研究并提出一种基于深度学的建筑节能算法。以下是实验报告的总结。
1. 探究深度学算法在建筑节能领域的应用效果。
2. 通过实验验证所提出的建筑节能算法的可行性和有效性。
3. 为建筑节能提供一种新的优化策略。
本文所采用的深度学算法为卷积神经网络(CNN)和循环神经网络(RNN)。卷积神经网络具有强大的空间特征提取能力适用于应对图像数据;循环神经网络具有时间序列数据应对能力适用于解决时间序列数据。通过将这两种网络结合,可更好地提取建筑能耗数据中的时空特征。
本文选取了某城市大型公共建筑的实际能耗数据作为实验数据。对数据实行清洗,去除异常值和缺失值; 对数据实归一化应对,以提升模型训练的收敛速度。
本文构建了一个基于CNN和RNN的深度学模型,模型结构如图1所示。
采用Adam优化器实行模型训练,设置学率为0.001,迭代次数为100次。在训练进展中,通过调整网络结构、超参数等手对模型实行优化。
经过模型训练,得到的建筑能耗预测结果与实际能耗数据对比如图2所示。
(1)从图中可看出,所提出的建筑节能算法可以较好地预测建筑能耗,预测精度较高。
(2)与传统的建筑节能优化策略相比,本文所提出的基于深度学的建筑节能算法具有更强的泛化能力,适用于不同类型的建筑和不同地区的能耗数据。
本文通过实验验证了基于深度学的建筑节能算法的有效性,为建筑节能提供了新的优化策略。
(1)进一步优化模型结构,提升预测精度。
(2)将其他深度学算法如长短时记忆网络(LSTM)应用于建筑节能领域,探索更优的能耗预测方法。
(3)结合实际工程需求将所提出的建筑节能算法应用于实际工程中,为建筑节能提供有力支持。
[1] 张华,李晓亮,. 基于深度学的建筑能耗预测研究[J]. 建筑科学2018,34(2):36-42.
[2] 立伟,敬国,张伟. 基于CNN和RNN的短期负荷预测[J]. 电力系统自动化,2017,41(5):80-85.
[3] 陈彬,张晓军,. 基于深度学的建筑能耗预测方法研究[J]. 建筑科学2019,35(1):50-56.
编辑:ai知识-合作伙伴
本文链接:http://www.tsxnews.com.cn/2024falv/aizhishi/199581.html
上一篇:ai智能写作机平台:、使用教程、软件与功能列表
下一篇:微信AI智能文案转换工具:免费高效,一键解决文章创作与优化难题