亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于數(shù)據(jù)驅(qū)動(dòng)的地下車(chē)站能耗預(yù)測(cè)模型對(duì)比研究

        2022-06-28 08:03:10蘇子怡李曉鋒
        都市快軌交通 2022年3期
        關(guān)鍵詞:計(jì)算成本預(yù)測(cè)值車(chē)站

        王 巖,蘇子怡,李曉鋒,王 斌

        (1. 無(wú)錫地鐵集團(tuán)有限公司,江蘇無(wú)錫 214000;2. 清華大學(xué)建筑學(xué)院,北京 100084)

        1 研究背景

        “十三五”期間,城市軌道交通累計(jì)新增運(yùn)營(yíng)線(xiàn)路4 351.7 km,年均增長(zhǎng)率17.1%,創(chuàng)歷史新高。截至2020 年底,中國(guó)大陸地區(qū)共有45 座城市開(kāi)通城市軌道交通線(xiàn)路244 條,運(yùn)營(yíng)總長(zhǎng)達(dá)7 969.7 km,其中地鐵占比78.8%。2020 年,城軌交通總用電量172.4 億kW·h,其中車(chē)站能耗88.4 億kW·h,隨著新建線(xiàn)路的增加,能耗持續(xù)增長(zhǎng)[1]。

        當(dāng)前地鐵車(chē)站的運(yùn)行存在巨大的節(jié)能潛力。常用的反饋控制軟件自適應(yīng)力不強(qiáng),無(wú)法及時(shí)應(yīng)對(duì)地鐵環(huán)境的復(fù)雜變化,主要存在的問(wèn)題包括車(chē)站公共區(qū)溫度控制振蕩嚴(yán)重、無(wú)法及時(shí)應(yīng)對(duì)活塞風(fēng)效應(yīng)導(dǎo)致的環(huán)境變化等,導(dǎo)致能源浪費(fèi)[2]。因此,有必要研究地鐵車(chē)站能耗預(yù)測(cè)模型,準(zhǔn)確預(yù)測(cè)用能負(fù)荷,這對(duì)于指導(dǎo)車(chē)站設(shè)備選型和節(jié)能運(yùn)行具有至關(guān)重要的意義。

        數(shù)據(jù)驅(qū)動(dòng)算法是建筑能耗預(yù)測(cè)的常用方法,多種大數(shù)據(jù)技術(shù)被廣泛應(yīng)用于各類(lèi)型建筑不同時(shí)間尺度的能耗預(yù)測(cè)中[3-5]。趙海湉等探究了室內(nèi)環(huán)境、室外環(huán)境、在室人員數(shù)量等使用需求參數(shù)對(duì)建筑大數(shù)據(jù)能耗預(yù)測(cè)的影響[6];Kim 等對(duì)比了線(xiàn)性回歸、隨機(jī)森林、決策樹(shù)回歸、卷積神經(jīng)網(wǎng)絡(luò)等算法在住宅用電量預(yù)測(cè)中的表現(xiàn)[7];何明秀以上海市多棟公共建筑為例,對(duì)比了支持向量機(jī)、隨機(jī)森林等多種方法的能耗預(yù)測(cè)效果[8];孫劭波研究了政府辦公建筑能耗的大數(shù)據(jù)預(yù)測(cè)算法[9];韓連華基于逐步回歸和決策樹(shù)方法,建立了建筑能耗預(yù)測(cè)和基準(zhǔn)評(píng)價(jià)集成模型[10]。上述研究表明,數(shù)據(jù)驅(qū)動(dòng)算法在建筑能耗預(yù)測(cè)領(lǐng)域應(yīng)用廣泛,但缺乏針對(duì)地鐵車(chē)站建筑能耗預(yù)測(cè)的數(shù)據(jù)驅(qū)動(dòng)算法研究。

        本研究以地下2 層標(biāo)準(zhǔn)車(chē)站為例,建立了基于數(shù)據(jù)驅(qū)動(dòng)的通風(fēng)空調(diào)、垂直交通和照明系統(tǒng)能耗的預(yù)測(cè)模型,對(duì)比了多種常用的大數(shù)據(jù)技術(shù),包括最小二乘多元線(xiàn)性回歸(LR)、嶺回歸(Ridge)、Lasso 回歸、隨機(jī)森林(RF)、XGBoost,從預(yù)測(cè)精度、計(jì)算成本的角度分析了各算法的優(yōu)缺點(diǎn),為地下車(chē)站能耗的預(yù)測(cè)提供了數(shù)據(jù)驅(qū)動(dòng)算法參考。

        2 能耗預(yù)測(cè)模型

        2.1 車(chē)站用能系統(tǒng)

        本研究的對(duì)象為地下2 層的非換乘、屏蔽門(mén)系統(tǒng)車(chē)站,冷源為變頻螺桿冷水機(jī)組。

        地鐵車(chē)站的主要用能系統(tǒng)包括通風(fēng)空調(diào)系統(tǒng)(約占55%)、垂直交通系統(tǒng)(約占15%)和照明系統(tǒng)(約占22%)[11]。其中,照明系統(tǒng)形式相對(duì)簡(jiǎn)單、能耗易算,本研究推薦采用基于運(yùn)行原理的模型進(jìn)行計(jì)算。該模型采用車(chē)站照明功率密度、照明面積、照明時(shí)長(zhǎng)進(jìn)行計(jì)算,預(yù)測(cè)模型的均方根誤差的變異系數(shù)CV-RMSE為2.9%[12]。而車(chē)站通風(fēng)空調(diào)、垂直交通系統(tǒng)能耗的影響因素復(fù)雜,所以筆者對(duì)其進(jìn)行重點(diǎn)研究,對(duì)比常用的數(shù)據(jù)驅(qū)動(dòng)模型,對(duì)其能耗進(jìn)行預(yù)測(cè)研究。

        2.2 輸入?yún)?shù)選擇

        已有研究通過(guò)敏感性分析指出,地下車(chē)站通風(fēng)空調(diào)系統(tǒng)能耗的關(guān)鍵影響因素包括室內(nèi)外環(huán)境、機(jī)械新風(fēng)量、設(shè)備能效、無(wú)組織滲風(fēng)量、客流量等相關(guān)的14個(gè)參數(shù),垂直交通系統(tǒng)能耗的關(guān)鍵影響因素包括發(fā)車(chē)對(duì)數(shù)、客流量、設(shè)備功率、設(shè)備數(shù)量等相關(guān)的13 個(gè)輸入?yún)?shù),如表1 所示[13]。本研究建立的數(shù)據(jù)驅(qū)動(dòng)模型,以各系統(tǒng)能耗的關(guān)鍵影響因素作為輸入?yún)?shù)。

        表1 車(chē)站能耗模型關(guān)鍵影響因素 Table 1 Key inputs of energy models for underground stations

        2.3 數(shù)據(jù)驅(qū)動(dòng)模型

        筆者選擇了最小二乘回歸、嶺回歸、Lasso 回歸、隨機(jī)森林、XGBoost 模型,對(duì)比各模型在地下車(chē)站能耗預(yù)測(cè)上的效果。采用的數(shù)據(jù)庫(kù)為車(chē)站分項(xiàng)能耗原理模型模擬得到的10 000 條數(shù)據(jù),預(yù)測(cè)步長(zhǎng)為1 h。

        2.3.1 多元線(xiàn)性回歸

        多元線(xiàn)性回歸模型Y 考慮了輸入?yún)?shù)的交互作用項(xiàng),即Xi包括N 個(gè)關(guān)鍵影響因素及其兩兩乘積,有

        2.3.2 嶺回歸

        嶺回歸是一種替代最小二乘的壓縮估計(jì)擬合方法,通過(guò)正則化減少方差,能夠?qū)⑾禂?shù)往零的方向進(jìn)行壓縮,在多元回歸模型中實(shí)現(xiàn)變量重要性的篩選。嶺回歸的系數(shù)估計(jì)值通過(guò)最小化式(3)得到

        式中,λ≥0 是調(diào)節(jié)參數(shù),選擇合適的λ 對(duì)模型十分重要,可用交叉驗(yàn)證進(jìn)行參數(shù)尋優(yōu)。

        2.3.3 Lasso 回歸

        Lasso 回歸也是通過(guò)正則化減少方差,與嶺回歸的差異在于Lasso 可以將系數(shù)壓縮至零,能夠?qū)崿F(xiàn)變量的篩選,得到輸入?yún)?shù)較少的稀疏模型。Lasso 回歸的系數(shù)估計(jì)值通過(guò)最小化式(4)得到

        式中,λ≥0 是調(diào)節(jié)參數(shù),選擇合適的λ 對(duì)模型十分重要,可用交叉驗(yàn)證進(jìn)行參數(shù)尋優(yōu)。

        2.3.4 隨機(jī)森林

        隨機(jī)森林是一種常用的以決策樹(shù)為基礎(chǔ)的分析方法,隨機(jī)采樣有放回的抽取k 個(gè)樣本并進(jìn)行N次采樣生成的N 個(gè)訓(xùn)練集,用訓(xùn)練集擬合模型并求得預(yù)測(cè)值。每考慮樹(shù)上的一個(gè)分裂點(diǎn),都要從全部預(yù)測(cè)變量中選出一個(gè)包含部分預(yù)測(cè)變量的隨機(jī)樣本作為候選變量,這個(gè)分裂點(diǎn)所用的預(yù)測(cè)變量只能從候選變量中選擇,在每個(gè)分裂點(diǎn)處都重新抽樣。最后,對(duì)所有預(yù)測(cè)值求平均,得到模型。隨機(jī)森林方法由于在訓(xùn)練過(guò)程中引入了隨機(jī)性,所以能夠避免過(guò)擬合,且能夠處理高維數(shù)據(jù),訓(xùn)練速度快。

        對(duì)隨機(jī)森林模型預(yù)測(cè)效果影響顯著的參數(shù)需要進(jìn)行調(diào)優(yōu),利用Python 的RandomForestRegressor 和GridSearchCV 函數(shù)進(jìn)行模型參數(shù)的調(diào)優(yōu),包含的參數(shù)如表2 所示。

        表2 各算法的最優(yōu)的參數(shù)估計(jì) Table 2 Results of k-fold cross-validation

        2.3.5 XGBoost

        XGBoost 是一種改進(jìn)的決策樹(shù)方法:每訓(xùn)練一個(gè)決策樹(shù)模型,都會(huì)按照偏差來(lái)調(diào)整樣本的權(quán)重,通過(guò)不斷學(xué)習(xí)前一個(gè)決策樹(shù)的偏差,最終得到預(yù)測(cè)模型。利用Python 的XGBRegressor 和GridSearchCV 函數(shù)進(jìn)行參數(shù)調(diào)優(yōu),包含的參數(shù)如表2 所示。

        2.4 模型訓(xùn)練及評(píng)價(jià)

        將原始數(shù)據(jù)集拆分為訓(xùn)練集、驗(yàn)證集和測(cè)試集。

        在訓(xùn)練集和驗(yàn)證集上,采用網(wǎng)格搜尋算法和k 折交叉驗(yàn)證對(duì)模型進(jìn)行訓(xùn)練,得到模型最優(yōu)的參數(shù)估計(jì)。網(wǎng)格搜尋算法通過(guò)遍歷給定的參數(shù)組合來(lái)搜尋模型最優(yōu)的參數(shù)取值。對(duì)于每種參數(shù)取值,采用k 折交叉驗(yàn)證對(duì)模型的效果進(jìn)行評(píng)分:將樣本數(shù)據(jù)分為k 個(gè)子集,每次令一個(gè)子集作為驗(yàn)證集,其余k-1 個(gè)子集作為訓(xùn)練集;對(duì)于每種參數(shù)取值,執(zhí)行k 次模型訓(xùn)練和驗(yàn)證評(píng)分,以平均評(píng)分作為該參數(shù)取值下模型的最終評(píng)分(見(jiàn)圖1)。通過(guò)網(wǎng)格搜尋算法和k 折交叉驗(yàn)證得到模型的最優(yōu)參數(shù)估計(jì),進(jìn)而在訓(xùn)練集和驗(yàn)證集的全部數(shù)據(jù)上進(jìn)行訓(xùn)練,從而得到最優(yōu)模型。

        在測(cè)試集上評(píng)價(jià)模型表現(xiàn)。采用均方根誤差(RMSE)和均方根誤差的變異系數(shù)(CV-RMSE),作為模型預(yù)測(cè)效果的評(píng)價(jià)指標(biāo)。RMSE 能夠綜合衡量預(yù)測(cè)值與實(shí)際值之間的偏差[14],CV-RMSE 可將預(yù)測(cè)誤差歸一化,是便于多個(gè)模型比較的無(wú)單位度量[15]。

        圖1 數(shù)據(jù)集劃分及k 折交叉驗(yàn)證示意 Figure 1 Data set and k fold cross-validation

        3 模型調(diào)節(jié)參數(shù)

        在訓(xùn)練集和驗(yàn)證集上采用網(wǎng)格搜尋法和k 折交叉驗(yàn)證進(jìn)行參數(shù)的優(yōu)化,得到每種算法的最優(yōu)的參數(shù)估計(jì),如表2 所示。

        4 模型對(duì)比分析

        4.1 預(yù)測(cè)精度

        4.1.1 車(chē)站通風(fēng)空調(diào)系統(tǒng)

        分別采用最小二乘回歸、嶺回歸、Lasso 回歸、隨機(jī)森林、XGBoost 算法,建立地下車(chē)站通風(fēng)空調(diào)系統(tǒng)能耗模型,將其預(yù)測(cè)值與測(cè)試集的實(shí)際值進(jìn)行對(duì)比,如圖2 所示??梢园l(fā)現(xiàn),在全部模型中,XGBoost 模型在測(cè)試集上的能耗預(yù)測(cè)值更接近實(shí)際值,預(yù)測(cè)效果最好。

        圖2 通風(fēng)空調(diào)模型預(yù)測(cè)效果對(duì)比 Figure 2 Comparison on the prediction performance of VAC models

        統(tǒng)計(jì)各算法在通風(fēng)空調(diào)能耗數(shù)據(jù)測(cè)試集上的預(yù)測(cè)值與實(shí)際值,給出了各算法能耗預(yù)測(cè)效果的評(píng)價(jià)指標(biāo)(見(jiàn)表3 和圖3)??梢钥闯?,各算法的均方根誤差變異系數(shù)在5.1%~8.5%之間,均可達(dá)到工程應(yīng)用的精度要求。其中,XGBoost 算法在預(yù)測(cè)精度上優(yōu)于其他算法,預(yù)測(cè)值的均方根誤差為20.5 kW·h,其他算法預(yù)測(cè)值的均方根誤差在30.3~33.8 kW·h 之間。

        表3 各算法通風(fēng)空調(diào)能耗預(yù)測(cè)效果的評(píng)價(jià)指標(biāo)統(tǒng)計(jì) Table 3 Evaluation indices of the VAC energy models

        圖3 通風(fēng)空調(diào)模型評(píng)價(jià)指標(biāo)CV-RMSE Figure 3 CV-RMSE of VAC models

        4.1.2 車(chē)站垂直交通系統(tǒng)

        圖4 所示為各算法在垂直交通能耗數(shù)據(jù)上的預(yù)測(cè)值與實(shí)際值的對(duì)比。與通風(fēng)空調(diào)模型類(lèi)似,XGBoost算法在測(cè)試集上的能耗預(yù)測(cè)值更接近實(shí)際值,預(yù)測(cè)效果最好。

        統(tǒng)計(jì)各算法在垂直交通能耗數(shù)據(jù)測(cè)試集上的預(yù)測(cè)值與實(shí)際值,模型評(píng)價(jià)指標(biāo)如表4 和圖5 所示??梢钥闯?,各算法的均方根誤差變異系數(shù)在5.4%~9.4%之間,均可達(dá)到工程應(yīng)用要求的精度。其中,XGBoost算法在預(yù)測(cè)精度上明顯優(yōu)于其他算法,預(yù)測(cè)值的均方根誤差僅為1.9 kW·h;其次為隨機(jī)森林算法,預(yù)測(cè)值的均方根誤差為2.5 kW·h。

        4.2 計(jì)算成本

        圖4 垂直交通模型預(yù)測(cè)效果的對(duì)比 Figure 4 Comparison on the prediction performance of TRANS models

        表4 各算法垂直交通能耗預(yù)測(cè)效果的評(píng)價(jià)指標(biāo)統(tǒng)計(jì) Table 4 Evaluation indices of the TRANS energy models

        圖5 垂直交通模型評(píng)價(jià)指標(biāo)CV-RMSE Figure 5 CV-RMSE of TRANS models

        對(duì)比各算法的模型訓(xùn)練所需的計(jì)算時(shí)間,結(jié)果如圖6 所示。最小二乘回歸、嶺回歸、Lasso 回歸的模型 調(diào)參簡(jiǎn)單,計(jì)算成本較低。隨機(jī)森林和XGBoost 模型需要調(diào)整的參數(shù)較多,交叉驗(yàn)證和網(wǎng)格搜尋需要的計(jì)算成本遠(yuǎn)高于其他幾種方法,隨機(jī)森林算法訓(xùn)練模型所需的計(jì)算時(shí)間約為415 s,而XGBoost 算法訓(xùn)練模型所需的計(jì)算時(shí)間超過(guò)1 000 s。

        圖6 各算法模型訓(xùn)練的計(jì)算成本 Figure 6 Calculation costs of the data-driven methods

        5 結(jié)語(yǔ)

        筆者研究了最小二乘多元線(xiàn)性回歸、嶺回歸、Lasso 回歸、隨機(jī)森林、XGBoost 算法在地下車(chē)站通風(fēng)空調(diào)和垂直交通能耗預(yù)測(cè)中的表現(xiàn),對(duì)比了各算法的預(yù)測(cè)精度和計(jì)算成本。結(jié)果顯示,對(duì)于地下車(chē)站通風(fēng)空調(diào)和垂直交通的能耗預(yù)測(cè),各算法的CV-RMSE都在10%以下,均可達(dá)到工程應(yīng)用要求的精度。其中,XGBoost 算法在通風(fēng)空調(diào)能耗預(yù)測(cè)中的CV-RMSE 僅為5.1%,在垂直交通能耗預(yù)測(cè)中的CV-RMSE 僅為5.4%,預(yù)測(cè)效果明顯優(yōu)于其他算法。從計(jì)算成本來(lái)看,最小二乘回歸、嶺回歸、Lasso 回歸的計(jì)算成本較低,隨機(jī)森林和XGBoost 模型這兩個(gè)基于樹(shù)的非線(xiàn)性模型需要調(diào)整的參數(shù)較多,交叉驗(yàn)證和網(wǎng)格搜尋需要的計(jì)算成本遠(yuǎn)高于其他幾種方法。綜合考慮計(jì)算成本和預(yù)測(cè)精度,在工程應(yīng)用中推薦采用最小二乘多元線(xiàn)性回歸(精度可接受,計(jì)算成本最低),如對(duì)精度有較高要求,推薦采用XGBoost 算法(精度高,計(jì)算成本可接受)。

        本研究介紹了能耗預(yù)測(cè)領(lǐng)域常用數(shù)據(jù)驅(qū)動(dòng)算法的原理及各算法需要尋優(yōu)的參數(shù)。以地下2 層的標(biāo)準(zhǔn)車(chē)站為例,對(duì)比了多種基于數(shù)據(jù)驅(qū)動(dòng)算法在通風(fēng)空調(diào)和垂直交通系統(tǒng)能耗預(yù)測(cè)中的表現(xiàn),為工程應(yīng)用中地下車(chē)站能耗預(yù)測(cè)模型的搭建和算法調(diào)參提供了方法參考。

        猜你喜歡
        計(jì)算成本預(yù)測(cè)值車(chē)站
        IMF上調(diào)今年全球經(jīng)濟(jì)增長(zhǎng)預(yù)期
        企業(yè)界(2024年8期)2024-07-05 10:59:04
        王瑛的詩(shī)(三首)
        加拿大農(nóng)業(yè)部下調(diào)2021/22年度油菜籽和小麥產(chǎn)量預(yù)測(cè)值
        ±800kV直流輸電工程合成電場(chǎng)夏季實(shí)測(cè)值與預(yù)測(cè)值比對(duì)分析
        春與人間相遇
        中外文摘(2021年13期)2021-08-06 09:30:04
        法電再次修訂2020年核發(fā)電量預(yù)測(cè)值
        車(chē)站一角
        熱鬧的車(chē)站
        熱鬧的車(chē)站
        啟蒙(3-7歲)(2016年10期)2016-02-28 12:27:06
        圖解各個(gè)行業(yè)的成本真相
        337p日本欧洲亚洲大胆色噜噜| 亚洲精品国产成人| 久久精品无码专区免费青青| 国产精品亚洲A∨天堂不卡| 99热成人精品国产免| 亚洲va成无码人在线观看| 久久久精品国产亚洲av网| 国产亚洲精品免费专线视频| 草草影院ccyy国产日本欧美 | 蜜臀色欲av在线播放国产日韩| 中国凸偷窥xxxx自由视频| 久久久噜噜噜久久中文字幕色伊伊| 国产精品毛片久久久久久l| 久久狠狠爱亚洲综合影院| 久久开心婷婷综合中文| 人妻av中文字幕久久| 亚洲熟妇av日韩熟妇在线| 国产91精选在线观看麻豆| 国产极品美女到高潮视频| 在线日本国产成人免费精品| 亚洲国产aⅴ成人精品无吗| 99香蕉国产精品偷在线观看 | 日韩精品人妻视频一区二区三区| 国产自拍精品视频免费| 在线观看的网站| 成熟丰满熟妇高潮xxxxx视频| 亚欧国产女人天堂Av在线播放| 中出高潮了中文字幕| 亚洲精品大全中文字幕| 亚洲av综合av一区| 日本高清www午色夜高清视频| 欧美伊人网| 久久亚洲av午夜福利精品西区| 国产主播性色av福利精品一区 | 亚洲va无码va在线va天堂| 亚洲精品一区二区三区大桥未久| 亚洲欧洲日产国码久在线| 久久国产女同一区二区| 最好看的亚洲中文字幕| 欧美人与禽zozzo性伦交| 久草视频福利|