通过整合的人工神经网络范式对智能建筑的早期能源性能分析
Guoqing Guo1, Peng Liu1, Yuchen Zheng2
1Xi'an Jiaotong-liverpool University, Xi'an, Shannxi, 215123, China.
Heliyon
|February 26, 2024
概括
优化的人工神经网络 (ANN) 准确预测建筑物的能量负载. 鹿优化算法 (GOA),难以理解但可以理解的时间逻辑 (IbIL) 和灰天优化算法 (STOA) 在能源效率预测方面表现出卓越的性能.
科学领域:
- 建筑能源性能评估.
- 智能建筑中的机器学习应用.
背景情况:
- 全球能源消耗的增加需要高效的建筑能源管理.
- 精确预测冷却负载 (CL) 和加热负载 (HL) 对于优化建筑能源系统至关重要.
研究的目的:
- 评估一个人工神经网络 (ANN) 的有效性,该网络被五个超启发式算法优化,用于预测住宅建筑的能量负载 (CL和HL).
- 使用已建立的性能指标,比较优化ANN模型的预测准确度.
主要方法:
- 人工神经网络 (ANN) 被用作基础模型.
- 通过使用五个元启发算法来优化ANN:coati优化算法 (COA),gazelle优化算法 (GOA),难以理解但可理解的时间逻辑 (IbIL),鱼优化算法 (OOA) 和灰天优化算法 (STOA).
- 在能源效率数据集上使用平均绝对百分比误差 (MAPE),根平均平方误差 (RMSE) 和百分比-皮尔森相关系数 (PPCC) 来评估模型性能.
主要成果:
- 所有优化的ANN模型都表现出高的CL和HL预测准确度 (PPCC>89%).
- 与COA和OOA相比,GOA,IBIL和STOA算法的性能优于COA和OOA,基于基于分数的排名系统.
- 优化的模型,特别是GOA,IbIL和STOA,超过了之前文献中报道的各种算法.
结论:
- 用GOA,IBIL和STOA进行优化的ANN模型对于准确预测建筑能效的早期预测非常有效.
- 与现有方法相比,这些优化模型为预测能量负载提供了更准确的解决方案.
- 结果建议应用这些优化的ANN来增强建筑物中能源系统的设计和运行.
