当前位置: X-MOL 学术Adv. Civ. Eng. › 论文详情
Our official English website, www.x-mol.net, welcomes your feedback! (Note: you will need to create a separate account there.)
基于学习时间序列小波变换的分类器特征增强用于区域供热站夜间倒退分类
Advances in Civil Engineering ( IF 1.8 ) Pub Date : 2021-03-05 , DOI: 10.1155/2021/8887328
Fan Zhang 1, 2 , Chris Bales 2 , Hasan Fleyeh 1
Affiliation  

通过管道将热量分配到住宅和商业建筑的区域供热系统在北欧已得到广泛使用,根据最新研究,区域供热在瑞典的供热市场中占有最大份额。因此,区域供热系统的能源效率引起了能源利益相关者的极大兴趣。但是,由于各种故障或不适当的操作,区域供热系统未能达到预期的性能并不少见。夜间倒退是一种控制策略,从经济因素和能源效率两方面,事实证明,该策略不适用于隔热良好的现代建筑。根据文献,shapelets算法不仅提供了可解释的结果,而且在时间序列分类中被证明是有效的。然而,他们尚未探索解决能源领域的问题。在这项研究中,提出了一种基于学习时间序列shapelet和shapelet变换的特征增强方法,旨在提高夜挫分类的分类器性能。为了评估该方法的有效性,案例研究中使用了瑞典10个匿名变电站的数据。所提出的方法应用于六个常用的基线分类器:支持向量分类器,多层感知器神经网络,逻辑回归,K最近邻,决策树和随机森林。精度,召回率和f1分数用作绩效指标。样本外测试的结果表明,通过应用所提出的方法可以提高分类器的泛化能力。此外,



"点击查看英文标题和摘要"

更新日期:2021-03-05
down
wechat
bug