文献

J-GLOBAL ID：202002241181580133   整理番号：20A2480686

新しい加熱ステーションの予測精度を改善するための新しいモデル【JST・京大機械翻訳】

A novel model for improving the prediction accuracy of the new heating station

著者 (10件)： Yuan Jianjuan (Tianjin Key Laboratory of Built Environment and Energy Application, School of Environmental Science and Engineering, Tianjin University, China) ,  Zhou Zhihua (Tianjin Key Laboratory of Built Environment and Energy Application, School of Environmental Science and Engineering, Tianjin University, China) ,  Wang Chendong (Tianjin Key Laboratory of Built Environment and Energy Application, School of Environmental Science and Engineering, Tianjin University, China) ,  Lu Shilei (Tianjin Key Laboratory of Built Environment and Energy Application, School of Environmental Science and Engineering, Tianjin University, China) ,  Huang Ke (Tianjin Key Laboratory of Built Environment and Energy Application, School of Environmental Science and Engineering, Tianjin University, China) ,  Han Zhao (Gong da Keya (Tianjin) Energy Technology Co. LTD, China) ,  Qu Fan (University of London King’s College London Kings Coll London, England, United Kingdom) ,  Zhang Ji (Tianjin Key Laboratory of Built Environment and Energy Application, School of Environmental Science and Engineering, Tianjin University, China) ,  Deng Na (Tianjin Key Laboratory of Built Environment and Energy Application, School of Environmental Science and Engineering, Tianjin University, China) ,  Gao Feng (School of Architecture, Tianjin University, Tianjin, China)
資料名： Energy and Buildings  (Energy and Buildings)
巻： 229  ページ： Null  発行年： 2020年 
JST資料番号： A0199A  ISSN： 0378-7788  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： 少数の運転データで確立できる予測モデルは,新しい加熱ステーションのできるだけ早くオンデマンド加熱を実現するための鍵である。高精度の既存の物理ベース法は,詳細な建物熱パラメータに基づいており,入手が困難で,適応性が乏しい。データ駆動法は高い予測精度を持つが,それらはモデル訓練のための大量の歴史的データを必要とする。本論文では,κモデルと呼ばれる建物熱慣性に基づく新しい予測モデルを提案した。κモデル,サポートベクトルマシン(SVM),極端な勾配ブースティング(XGBoost)と二次平均温度予測のための異なる条件による多重線形回帰(MLR)の間で,解析と比較を行った。結果は,κモデルが運転データの1/2日から加熱特性を探索することができて,1時間ごとの1段階または多段階によって高精度で二次平均温度を予測することができることを示した。XGBoostとMLRは1時間/日予測モデル訓練の15/60日の運転データを必要としたが,多段階予測の精度はXGBoostの1段階予測より高く,MLRは誤差蓄積による毎日の多段階予測に適していなかった。SVMは時間/日予測に対して15/75日の訓練データを必要とし,1段階予測は多段階予測よりも高い精度を有した。実用工学において,κモデルだけが11月16日から11月29日までの時間毎予測に適用でき,暖房季節の初めの11月17日から1月16日までの日予測に適用できる。Copyright 2020 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： 適応性 ,  平均気温 ,  予測誤差 ,  予測モデル ,  *サポートベクトルマシン
準シソーラス用語： 訓練データ ,  オンデマンド ,  *予測精度 ,  ブースティング ,  高精度 ,  熱慣性 ,  データ駆動 ,  温度予測 ,  多重線形回帰 ,  運転データ , 【Automatic Indexing@JST】

著者キーワード (5件)： 二次平均温度 ,  データ駆動法 ,  κモデル ,  1ステップ予測 ,  多段階予測

分類 (1件)： エネルギー消費・省エネルギー  (LD01000B)

タイトルに関連する用語 (3件)： ステーション ,  予測精度 ,  モデル