文献

J-GLOBAL ID：201802261624288335   整理番号：18A0816312

パラメータ推定と予測のための簡易建物エネルギーモデルのキャリブレーション:確率論的モデル化対決定論的モデリング【JST・京大機械翻訳】

Calibration of simplified building energy models for parameter estimation and forecasting: Stochastic versus deterministic modelling

著者 (3件)： Rouchier Simon (Univ. Grenoble Alpes, Univ. Savoie Mont Blanc, CNRS, LOCIE, 73000, Chambery, France) ,  Rabouille Mickaeel (INES Plateforme Formation & Evaluation, France) ,  Oberle Pierre (INES Plateforme Formation & Evaluation, France)
資料名： Building and Environment  (Building and Environment)
巻： 134  ページ： 181-190  発行年： 2018年 
JST資料番号： C0858A  ISSN： 0360-1323  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： イギリス (GBR)  言語： 英語 (EN)

抄録/ポイント： 多くの逆問題の不適切性のために,パラメータ推定は,実験およびモデリング作業における一連の誤差および近似によって引き起こされる,しばしば大きな不確実性の傾向がある。時系列モデリングのための確率的状態空間モデルは,システム誤差を表すプロセス雑音の項を組み込んでいる。しかし,建物の熱モデル較正に関する多くの研究は,この誤差を見落とす決定論的モデルを用いている。本論文では,モデリング誤差の計算がモデル較正の結果にどのように影響するかを調べた。いくつかの単純化モデルを定義し,実験的試験セルの室内温度をシミュレートした。いくつかのモデルにはプロセスノイズなどが含まれている。次に,各モデルのパラメータを試験セルからのいくつかの訓練データセットを用いて繰り返し学習した。MCMCアルゴリズムを訓練に用いた。独立訓練間のパラメータ推定のロバスト性を評価した。次に,決定論的および確率的オプションの予測能力を,精度およびロバスト性に関して比較した。結果は,確率的モデリングがパラメータ推定の不確実性をかなり増加させるが,分離訓練間の一貫性を保証するが,決定論的モデルはロバスト性が低く,信頼性の低い予測を提供することを示した。Copyright 2018 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： *モデリング ,  雑音 ,  *モデル ,  ロバスト性 ,  *確率モデル ,  不確実性 ,  信頼性 ,  *パラメータ推定 ,  アルゴリズム ,  逆問題
準シソーラス用語： *決定論 ,  MCMC ,  決定論的モデル ,  モデル較正 ,  状態空間モデル , 【Automatic Indexing@JST】

著者キーワード (4件)： キャリブレーション ,  不確実性 ,  mcmC ,  Kalmanフィルタ

分類 (1件)： 建築環境一般  (RB02010T)

タイトルに関連する用語 (8件)： パラメータ推定 ,  予測 ,  簡易 ,  建物エネルギー ,  モデル ,  キャリブレーション ,  確率論的モデル ,  モデリング