Таблица | Карточка | RUSMARC | |
Разрешенные действия: –
Действие 'Прочитать' будет доступно, если вы выполните вход в систему или будете работать с сайтом на компьютере в другой сети
Действие 'Загрузить' будет доступно, если вы выполните вход в систему или будете работать с сайтом на компьютере в другой сети
Группа: Анонимные пользователи Сеть: Интернет |
Аннотация
Данная работа посвящена созданию модели машинного обучения для решения задачи предсказания потребления электроэнергии в офисном здании в городе Бангкок, Таиланд, с использованием сверточных, рекурентных и трансформенных архитектур. В ходе исследования для достижения поставленной цели решались следующие задачи: 1. Изучение и реализация нейросетевых архитектур LSTM, CNN-LSTM, Transformer. 2. Очистка и подготовка данных к работе, их анализ. 3. Проведение экспериментов для тестирования предложенного подхода. 4. Проведение оценки эффективности модели для прогнозирования электропотребления в здании. В ходе исследования были разработаны и сравнены три модели прогнозирования энергопотребления здания, и лучшая из них была выделена в качестве оптимального решения. Был сделан вывод о применимости методов машинного обучения для данной задачи. Полученные результаты могут быть использованы для прогнозирования энергопотребления в зданиях на основе исторических данных, что позволит эффективнее управлять энергетическими ресурсами.
This work is devoted to the creation of a machine learning model to solve the problem of predicting energy consumption in an office building in Bangkok, Thailand, using convolutional, recurrent and transformer architectures. During the study, to achieve this goal, the following tasks were solved: 1. Study and implementation of LSTM, CNN-LSTM, transformer neural network architectures. 2. Cleaning and preparing data for work, data analysis. 3. Conducting experiments to test the proposed approach. 4. Assessing the effectiveness of the model for predicting energy consumption in a building. The study developed and compared three building energy forecasting models and identified the best one as the optimal solution. The conclusion was made about the applicability of machine learning methods for this task. The results obtained can be used to predict energy consumption in buildings based on historical data, which will allow more efficient management of energy resources.
Права на использование объекта хранения
Место доступа | Группа пользователей | Действие | ||||
---|---|---|---|---|---|---|
Локальная сеть ИБК СПбПУ | Все |
![]() ![]() ![]() |
||||
Интернет | Авторизованные пользователи СПбПУ |
![]() ![]() ![]() |
||||
![]() |
Интернет | Анонимные пользователи |
Оглавление
- Построение модели для прогнозирования потребления электрической энергии в здании
- Введение
- 1. Постановка задачи и обзор литературы
- 2. Подготовка и анализ данных
- 3. Разработка решения
- 4. Эксперименты и анализ результатов
- Заключение
- Список использованных источников
Статистика использования
|
Количество обращений: 0
За последние 30 дней: 0 Подробная статистика |