基于機器學習方法的建筑能耗性能研究.pdf

1、在建筑能耗分析領域，建立建筑能耗模型是深入分析其能耗特點的重要手段，而且能夠為建筑節(jié)能提供優(yōu)化節(jié)能措施。因此，建立可靠準確的建筑能耗模型是建筑節(jié)能研究中的重要任務。
　　機器學習方法近年來在建筑能耗分析領域的應用越來越廣泛。機器學習方法由于其先進的數據分析能力，可以用于分析多變量之間的復雜模式以及交互作用，在調整完機器模型中算法參數后，能夠達到計算速度快的特點，非常適合應用于建筑能耗模型的建立和分析。所建立的機器學習能耗模型，可進

2、一步用來進行建筑能耗的不確定性和敏感性分析、貝葉斯分析和最優(yōu)化計算等方面。
　　本文重點從單體建筑能耗和區(qū)域建筑能耗兩方面來比較幾種常用的機器學習方法對建筑能耗預測的準確性，包括完全線性回歸、LASSO回歸、高斯過程回歸、多元自適應回歸樣條法、自助多元自適應回歸樣條法、隨機森林、支持向量機和促進法。結果表明在單體辦公建筑的能耗預測中，多元自適應回歸樣條法、自助多元自適應回歸樣條法和隨機森林法三種方法適用于取暖能耗的模型建立，對于制

3、冷和用電能耗預測，自助多元自適應回歸樣條法是計算精度最好的機器學習方法。同時發(fā)現制冷能耗模型與取暖能耗模型相比，由于存在著更加復雜的非線性關系，其預測難度更大。辦公建筑外圍護結構因素的敏感性分析得出，對于建筑的取暖能耗的影響最為顯著的因素為建筑高度，而對于制冷和用電情況來說建筑規(guī)模的影響程度更大。
　　在區(qū)域建筑能耗的預測中，支持向量機模型和自助多元自適應回歸樣條法的預測效果最好，而且自助多元自適應回歸樣條法所建立模型預測值的不確