机构名称：
¥ 1.0
全球通风控制系统构成建筑行业最重要的能源需求之一。优化此类系统的能源使用对于建造可持续建筑至关重要，对于实现环境可持续性至关重要。这些建筑物的占用因素，尤其是加热，通风和空调（HVAC）优化，对于能量优化至关重要。在这项工作中，我们采用机器学习方法来提高Prairie View A＆M University在Prairie View A＆M University的工程课堂和研究大楼（ENCARB）的HVAC系统的效率。我们专注于通过基于占用模式对HVAC温度进行准确估计来支持实时自动化的HVAC控制。因此，我们介绍了Airflo，这是一个具有功率的强大框架，用于学习优化HVAC能源消耗。我们的框架整合了从班级时间表获得的几个占用因素，以估算理想的HVAC温度。具体来说，我们在Encarb建筑物内相对于Energy HVAC服务期提供了用户非特异性行为，以收集有用的矩阵作为模型设计的基础。为了学习数据中的复杂模式，我们使用监督的机器学习培训了我们的框架。具体来说，我们最初使用多层神经网络的集合使用我们的培训数据训练了我们的框架，并观察到独立验证集中的估计性能。要学习更深的表示并执行系统的比较模型分析，我们提出了我们的计划，以合并卷积神经网络（CNN）和图神经网络（GNNS）。总的来说，我们提出的方法将为优化HVAC能源优化提供一个全面，可扩展的框架，从而改善可持续性。
机器学习如何革新建筑舒适
主要关键词
相关文件推荐
