亲爱的研友该休息了!由于当前在线用户较少,发布求助请尽量完整的填写文献信息,科研通机器人24小时在线,伴您度过漫漫科研夜!身体可是革命的本钱,早点休息,好梦!

Intelligent techniques for forecasting electricity consumption of buildings

消费(社会学) 需求预测 电力需求 能量(信号处理) 环境经济学 发电 可再生能源 需求响应 高效能源利用
作者
Khuram Pervez Amber,Rizwan Ahmad,Muhammad Waqar Aslam,Anila Kousar,Muhammad Usman,Muhammad Sajid Khan
出处
期刊:Energy [Elsevier]
卷期号:157: 886-893 被引量:72
标识
DOI:10.1016/j.energy.2018.05.155
摘要

Abstract The increasing trend in building sector's energy demand calls for reliable and robust energy consumption forecasting models. This study aims to compare prediction capabilities of five different intelligent system techniques by forecasting electricity consumption of an administration building located in London, United Kingdom. These five techniques are; Multiple Regression (MR), Genetic Programming (GP), Artificial Neural Network (ANN), Deep Neural Network (DNN) and Support Vector Machine (SVM). The prediction models are developed based on five years of observed data of five different parameters such as solar radiation, temperature, wind speed, humidity and weekday index. Weekday index is an important parameter introduced to differentiate between working and non-working days. First four years data is used for training the models and to obtain prediction data for fifth year. Finally, the predicted electricity consumption of all models is compared with actual consumption of fifth year. Results demonstrate that ANN performs better than all other four techniques with a Mean Absolute Percentage Error (MAPE) of 6% whereas MR, GP, SVM and DNN have MAPE of 8.5%, 8.7%, 9% and 11%, respectively. The applicability of this study could span to other building categories and will help energy management teams to forecast energy consumption of various buildings.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
手撕蛋完成签到 ,获得积分10
6秒前
9秒前
12秒前
15秒前
zhanghenhao发布了新的文献求助30
15秒前
Akim应助牛与马采纳,获得10
15秒前
nenoaowu完成签到,获得积分10
18秒前
24秒前
牛与马发布了新的文献求助10
29秒前
科研通AI2S应助科研通管家采纳,获得10
32秒前
寻道图强应助科研通管家采纳,获得50
32秒前
Akim应助科研通管家采纳,获得10
32秒前
牛与马完成签到,获得积分20
34秒前
46秒前
Otter完成签到,获得积分10
50秒前
Dannnn完成签到 ,获得积分10
1分钟前
1分钟前
Doyle发布了新的文献求助10
1分钟前
Enchanted完成签到 ,获得积分10
1分钟前
yf完成签到,获得积分10
1分钟前
SciGPT应助yf采纳,获得10
1分钟前
小马甲应助冷酷愚志采纳,获得10
1分钟前
Doyle完成签到,获得积分10
1分钟前
1分钟前
采薇发布了新的文献求助10
1分钟前
1分钟前
Mottri发布了新的文献求助10
1分钟前
十四吉完成签到 ,获得积分10
2分钟前
慕青应助Forizix采纳,获得10
2分钟前
2分钟前
2分钟前
科研通AI2S应助科研通管家采纳,获得10
2分钟前
CodeCraft应助科研通管家采纳,获得10
2分钟前
FashionBoy应助科研通管家采纳,获得10
2分钟前
天天快乐应助科研通管家采纳,获得10
2分钟前
2分钟前
Forizix完成签到,获得积分10
2分钟前
2分钟前
Forizix发布了新的文献求助10
2分钟前
2分钟前
高分求助中
The late Devonian Standard Conodont Zonation 2000
The Lali Section: An Excellent Reference Section for Upper - Devonian in South China 1500
Nickel superalloy market size, share, growth, trends, and forecast 2023-2030 1000
Smart but Scattered: The Revolutionary Executive Skills Approach to Helping Kids Reach Their Potential (第二版) 1000
Mantiden: Faszinierende Lauerjäger Faszinierende Lauerjäger 800
PraxisRatgeber: Mantiden: Faszinierende Lauerjäger 800
A new species of Coccus (Homoptera: Coccoidea) from Malawi 500
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3244671
求助须知:如何正确求助?哪些是违规求助? 2888383
关于积分的说明 8252725
捐赠科研通 2556854
什么是DOI,文献DOI怎么找? 1385365
科研通“疑难数据库(出版商)”最低求助积分说明 650157
邀请新用户注册赠送积分活动 626234