为解决深度学习预测模型在数据不足时准确性受限的问题,提出一种结合Transformer的交叉注意力(cross-attention in Transformer,CATrans)机制和域分离网络(domain separation networks,DSN)的深度迁移学习方法——CATrans-DSN,用于短期...为解决深度学习预测模型在数据不足时准确性受限的问题,提出一种结合Transformer的交叉注意力(cross-attention in Transformer,CATrans)机制和域分离网络(domain separation networks,DSN)的深度迁移学习方法——CATrans-DSN,用于短期跨建筑负荷预测。CATrans特征提取器利用注意力机制来学习源域和目标域负荷数据的域共有和私有时间特征,并利用共有特征进行知识迁移;特征重构器作为辅助模块,对源域和目标域数据进行数据重构;由回归预测器将学习到的特征转化为预测值。最后,利用在源域和目标域上训练得到的建筑负荷预测模型,直接用于目标建筑的负荷预测。实验结果表明,所提出的方法有效地提高了数据稀缺情况下的预测准确性和模型泛化能力。展开更多
我国高校教学建筑的供暖能耗普遍较高.基于间歇供暖模式对高校课程安排进行优化,是通过改变不同教室的使用规律来降低教学楼整体能耗的有效方法.但仅以建筑节能为目的,而忽略课程授课节次的时间间隔应尽量均匀这一常规排课优化目标,会...我国高校教学建筑的供暖能耗普遍较高.基于间歇供暖模式对高校课程安排进行优化,是通过改变不同教室的使用规律来降低教学楼整体能耗的有效方法.但仅以建筑节能为目的,而忽略课程授课节次的时间间隔应尽量均匀这一常规排课优化目标,会导致优化后的课程安排出现难以与学生客观学习规律相适应的不利结果.为解决以上问题,本研究提出了间歇供暖模式下,同时考虑建筑节能和课程授课时间间隔的高校教学建筑多目标排课优化方法,通过Building Controls Virtual Test Bed(BCVTB)平台建立EnergyPlus与Matlab的联合仿真模型,并利用遗传算法在不同权重的优化目标下对高校排课问题进行计算求解.研究结果表明,随着建筑节能目标所占权重的逐渐增大,排课优化结果存在如下规律:(1)室外温度整体较低的授课日内所排课程减少,室外温度整体较高的授课日内所排课程增多;(2)所有教室中全天不供暖次数以及仅下午供暖的累计次数明显增多;(3)教室占用在时间上逐渐集中,一个教室在半天内课程安排全满的概率显著增加;(4)教学建筑典型周内累计供热量最多可降低31.1%.展开更多
文摘为解决深度学习预测模型在数据不足时准确性受限的问题,提出一种结合Transformer的交叉注意力(cross-attention in Transformer,CATrans)机制和域分离网络(domain separation networks,DSN)的深度迁移学习方法——CATrans-DSN,用于短期跨建筑负荷预测。CATrans特征提取器利用注意力机制来学习源域和目标域负荷数据的域共有和私有时间特征,并利用共有特征进行知识迁移;特征重构器作为辅助模块,对源域和目标域数据进行数据重构;由回归预测器将学习到的特征转化为预测值。最后,利用在源域和目标域上训练得到的建筑负荷预测模型,直接用于目标建筑的负荷预测。实验结果表明,所提出的方法有效地提高了数据稀缺情况下的预测准确性和模型泛化能力。
文摘我国高校教学建筑的供暖能耗普遍较高.基于间歇供暖模式对高校课程安排进行优化,是通过改变不同教室的使用规律来降低教学楼整体能耗的有效方法.但仅以建筑节能为目的,而忽略课程授课节次的时间间隔应尽量均匀这一常规排课优化目标,会导致优化后的课程安排出现难以与学生客观学习规律相适应的不利结果.为解决以上问题,本研究提出了间歇供暖模式下,同时考虑建筑节能和课程授课时间间隔的高校教学建筑多目标排课优化方法,通过Building Controls Virtual Test Bed(BCVTB)平台建立EnergyPlus与Matlab的联合仿真模型,并利用遗传算法在不同权重的优化目标下对高校排课问题进行计算求解.研究结果表明,随着建筑节能目标所占权重的逐渐增大,排课优化结果存在如下规律:(1)室外温度整体较低的授课日内所排课程减少,室外温度整体较高的授课日内所排课程增多;(2)所有教室中全天不供暖次数以及仅下午供暖的累计次数明显增多;(3)教室占用在时间上逐渐集中,一个教室在半天内课程安排全满的概率显著增加;(4)教学建筑典型周内累计供热量最多可降低31.1%.