Prevendo o consumo de energia de condicionadores de ar prediais usando uma rede neural LSTM auto-compilada - com código-fonte Matlab
No processo de urbanização moderna, o consumo de energia da construção representa uma grande proporção. Os sistemas de ar condicionado no interior dos edifícios são uma das principais fontes de consumo de energia. Portanto, a previsão precisa e o controle do consumo de energia do ar-condicionado é um dos meios importantes para promover a conservação de energia e a redução de emissões. Este artigo apresentará um método baseado na rede neural LSTM autofabricada para prever o consumo de energia de condicionadores de ar prediais e fornecerá o código-fonte e exemplos do Matlab.
1. Preparação dos dados
Os dados utilizados nesta pesquisa são os dados de consumo de energia do ar condicionado de um edifício de escritórios, incluindo o consumo de energia por hora em um ano. Em primeiro lugar, os dados originais são pré-processados por limpeza, classificação e valores ausentes e, em seguida, o conjunto de dados é dividido em conjunto de treinamento, conjunto de verificação e conjunto de teste de acordo com a proporção de 80:10:10.
2. Construção de modelo
Este artigo usa um modelo de rede neural LSTM feito por você mesmo, que é caracterizado por uma forte capacidade de processar dados de séries temporais. Antes do modelo, um modelo simples de perceptron multicamada (MLP) é construído e a rede LSTM é construída com base nisso. Os parâmetros do modelo são definidos da seguinte forma:
Número de nós da camada de entrada: 24 (24 horas)
Número de nós da camada oculta: 64
Número de nós da camada de saída: 1
Taxa de aprendizagem: 0,001
Número de iterações: 1000
3. Treinamento do modelo
Realize o treinamento do modelo de acordo com os conjuntos de dados divididos. O modelo é otimizado usando o otimizador Adam usando o erro quadrático médio (MSE) como a função de perda.
4. Verificação e teste do modelo
O efeito de previsão do modelo é verificado por meio do conjunto de verificação e o desempenho do modelo é avaliado por meio do conjunto de teste. Calcule o erro quadrático médio (MSE) e o erro absoluto médio (MAE) entre os valores previstos e reais para comparação.
A seguir está o código-fonte completo do Matlab:
% 数据导入
data = xlsread