基于深度学习的新型组合方法,具有最佳分数的转移-适应性神经模糊推理系统用于能源消耗预测
Birce Dağkurs1, İsmail Atacak2
1Graduate School of Natural and Applied Sciences, Advanced Technologies, Gazi University, Ankara, Turkey.
PeerJ. Computer science
|March 10, 2025
概括
这项研究引入了一种新的深度学习组合方法,用于精确预测智能家居和城市的能源消耗. 拟议的方法显著优于现有方法,提供更高的效率和降低成本.
科学领域:
- 人工智能的人工智能
- 智能能源系统 智能能源系统
- 数据科学数据科学数据科学
背景情况:
- 准确的能源消耗预测对于房屋所有者和能源供应商来说至关重要.
- 现有的方法利用基于统计和人工智能的方法进行能源预测.
- 改进的预测可以提高能源效率并降低成本.
研究的目的:
- 提出一种基于深度学习的全套 (DLBNE) 方法来进行可靠的能源消耗预测.
- 在适应性神经模糊推理系统 (ANFIS) 框架内集成多个深度学习算法.
- 为了验证拟议的方法的性能与各种既定的AI技术.
主要方法:
- 开发了一种基于深度学习的小说合集 (DLBNE) 方法.
- 雇佣的基础预测器包括CNN,RNN,LSTM,BI-LSTM和GRUs.
- 使用最佳分数转移适应神经模糊推理系统 (BST-ANFIS) 进行组合集成.
主要成果:
- 在多个数据集 (IBSH,HCEC,IHPC) 中,DLBNE方法表现出卓越的性能.
- 与其他方法相比,在RMSE,MAE,MSE和MAPE中取得了明显更好的结果.
- 在定期和比较分析中展示了具有竞争力和强大的预测能力.
结论:
- 拟议的DLBNE方法为能源消耗预测提供了高性能和强大的解决方案.
- 这种方法有效地利用深度学习算法来增强智能能源管理.
- 这些发现支持采用先进的组合方法来优化能源效率.
