...
  • 主题
高级搜索  >
历史搜索 清空历史
首页> 外文期刊>Measurement >A soft computing method for the prediction of energy performance of residential buildings
【24h】

A soft computing method for the prediction of energy performance of residential buildings

机译：一种预测住宅建筑能量性能的软计算方法

获取原文
获取原文并翻译 | 示例
           
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

Buildings are a crucial factor of energy concerns and one of the most significant energy consumers. Accurate estimation of energy efficiency of residential buildings based on the computation of Heating Load (HL) and the Cooling Load (CL) is an important task. Developing computational tools and methods for prediction of energy performance will help the policy makers in efficient design of building. The aim of this study is therefore to develop an efficient method for the prediction of energy performance of residential buildings using machine learning techniques. Our method is developed through clustering, noise removal and prediction techniques. Accordingly, we use Expectation Maximization (EM), Principal Component Analysis (PCA) and Adaptive Neuro-Fuzzy Inference System (ANFIS) methods for clustering, noise removal and prediction tasks, respectively. Experimental results on real-world dataset show that proposed method remarkably improves the accuracy of prediction in relation to the existing state-of-the-art techniques and is efficient in estimating the energy efficiency of residential buildings. The Mean Absolute Error (MAE) of the predictions for HL and CL are respectively 0.16 and 0.52 which show the effectiveness of our method in predicting HL and CL. (C) 2017 Elsevier Ltd. All rights reserved.
机译：建筑物是能源问题的关键因素，以及最重要的能源消费者之一。基于加热负荷（HL）的计算和冷却负荷（CL）的准确估计住宅建筑的能效是重要的任务。开发能源绩效预测的计算工具和方法将有助于政策制定者在高效的建筑设计中。因此，本研究的目的是利用机器学习技术开发一种有效的方法，用于预测住宅建筑的能量性能。我们的方法是通过聚类，噪声去除和预测技术开发的。因此，我们使用期望最大化（EM），主成分分析（PCA）和适应性神经模糊推理系统（ANFIS）方法分别用于聚类，噪声去除和预测任务。实验结果对现实世界数据集显示，提出的方法显着提高了与现有的最先进技术的预测的准确性，并且在估计住宅建筑的能效具有有效的效率。 HL和CL预测的平均绝对误差（MAE）分别为0.16和0.52，其显示了我们预测HL和CL的方法的有效性。 （c）2017 Elsevier Ltd.保留所有权利。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号