论文部分内容阅读
随着中国经济的不断发展,解决能耗问题成为社会发展过程中不可避免的重大挑战。目前,我国能耗不断增加,其中建筑物总能耗所占比率已超过社会总能耗的30%,同时随着城市建设的飞速发展造成建筑物数量迅速增加,此外人们物质水平的提高对所处环境的舒适度的要求不断提高,导致建筑能耗仍继续增长[1]。为了缓解目前建筑能耗的需求,关于建筑智慧节能问题已经成为建筑领域的重要研究点,其中建筑能耗的分析预测是开展建筑智慧节能相关工作的重要前提,因而准确、高效的能耗预测是建筑节能的重要研究任务之一。本文针对建筑能耗预测相关问题采用迁移学习与强化学习方法展开深入研究。主要内容分为3部分:（1）首先,建筑能耗预测的准确性影响后续建筑节能的相关工作,该章节结合迁移学习方法对强化学习Sarsa算法进行改进,以提高能耗预测的准确性,提出一种基于值函数迁移的建筑能耗预测方法。该方法通过引入自模拟度量,对具有相同状态空间和动作空间的原始任务和目标任务进行度量,对满足迁移条件的原始状态进行值函数迁移,此外,采用变分贝叶斯衡量信息增益,构建内部奖赏函数作为启发式探索因子,提高Sarsa算法的收敛速度,从而提高能耗预测性能。（2）其次,建筑能耗特征复杂,影响建筑能耗预测性能,为降低复杂度,提出一种基于特征迁移强化学习的建筑能耗预测方法,该方法采用堆叠去噪自动编码器,学习建筑能耗中的深层特征,并对有利的建筑能耗模型特征进行迁移,共享建筑能耗之间有利信息,另一方面将训练的模型状态输出集作为强化学习Sarsa算法的输入,结合强化学习MDP进行建筑能耗建模,构建奖赏函数,运用强化学习Sarsa算法实现建筑物能耗预测,提高能耗预测精度。（3）最后,建筑能耗影响因素较多,并且能耗数据样本不足,影响建筑预测性能,从而提出了一种基于降维式自主迁移强化学习的建筑能耗预测方法,该方法运用稀疏编码统一不同建筑物MDP的维度,提取影响建筑物能耗的重要维度进行降维,采用欧式度量对满足迁移条件的原始建筑MDP状态进行迁移,解决目标建筑MDP能耗样本不足问题,结合Sarsa算法构建能耗奖赏函数,实现能耗预测,提高能耗预测性能。将前两部分提出的算法都进行能耗预测实验,实验结果表明提出的算法性能都优于传统的强化学习Sarsa算法,同时在多维影响因素下,本章提出的方法能耗预测性能进一步提高。