《表1 各类机器学习算法的优缺点比较》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于数据驱动的办公建筑电耗预测方法》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

现阶段，主要的建筑能耗预测方法分为物理模型法和数据驱动的能耗预测方法。物理模型基于建筑传热原理和物理方程对建筑系统的热特性进行分析，该方法建模需要详尽的建筑信息、机电设备装机（静态）及运行信息（动态），而这些信息的搜集在一定程度上存在困难，且建模过程亦需耗费大量时间。同时，建模所设定的建筑运营时间表与实际情况一般存在较大的偏离，这些均是制约物理模型应用的重要因素。数据驱动模型主要包括神经网络模型、支持向量机模型、决策树模型等机器学习算法，应用数据驱动模型对建筑能耗进行预测已有大量研究，如施剑锋等人直接采用BPNN算法对夏热冬冷地区办公类建筑的日能耗进行预测[2]。但是随着应用范围的逐步扩大，BP神经网络暴露出了越来越多的缺点，比如较容易陷入局部极值导致训练失败。径向基神经网络（RBF）局部学习能力较好，避免了网络收敛速度慢及可能陷入局部极小的问题，戴坤成等人建立了RBF神经网络模型以预测建筑能耗，但传统的RBF模型具有网络参数的设置基于参数空间局部信息的缺陷[3，4]。除神经网络模型外，数学解释性较强的支持向量机模型（SVM）同样是研究者关注的重点，该算法由于以风险最小化原理为基础，能有效地解决小样本、非线性、局部极小点等实际问题，赵超等人建立了一种基于KPCA-WLSSVM的建筑能耗预测模型[5]，Hai Xiang等人采用SVR对100栋建筑的能耗数据进行训练[6]。当前各类典型机器学习算法的优缺点总结如表1所示。