第1章 建筑能耗分析概述 1
1.1 简介 1
1.2 物理模型 2
1.3 灰色模型 3
1.4 统计模型 4
1.5 人工智能模型 5
1.5.1 神经网络 5
1.5.2 SVM 7
1.6 现有模型的比较 8
1.7 小结 9
第2章 建筑能源分析的数据采集 10
2.1 简介 10
2.2 调查或问卷调查 10
2.3 测量 12
2.4 仿真 14
2.4.1 仿真软件 15
2.4.2 仿真过程 16
2.5 数据不确定性 19
2.6 校准 20
2.7 小结 21
第3章 人工智能模型 23
3.1 简介 23
3.2 ANN 24
3.2.1 单层感知器 24
3.2.2 前馈神经网络 25
3.2.3 RBF网络 26
3.2.4 RNN 27
3.2.5 RDP 28
3.2.6 神经网络的应用 30
3.3 SVM 31
3.3.1 SVC 31
3.3.2 ε-SVR 34
3.3.3 一类SVM 36
3.3.4 多类SVM 37
3.3.5 v-SVM 38
3.3.6 直推式SVM 39
3.3.7 二次型问题求解器 40
3.3.8 SVM的应用 46
3.4 小结 47
第4章 建筑能耗分析中的人工智能 48
4.1 简介 48
4.2 建筑能耗预测中的SVM 48
4.2.1 能耗预测定义 48
4.2.2 实际问题 49
4.2.3 SVM用于预测 52
4.3 神经网络用于故障检测和诊断 56
4.3.1 故障描述 58
4.3.2 故障检测中的RDP 58
4.3.3 故障诊断中的RDP 61
4.4 小结 63
第5章 SVM的模型降阶 64
5.1 简介 64
5.2 模型降阶概述 64
5.2.1 包装器方法 65
5.2.2 滤波器方法 65
5.2.3 嵌入式方法 66
5.3 模型降阶用于能耗 66
5.3.1 简介 66
5.3.2 算法 67
5.3.3 特征集描述 68
5.4 独栋建筑能耗的模型降阶 69
5.4.1 特征集选择 69
5.4.2 实验评价 71
5.5 多栋建筑能耗的模型降阶 71
5.6 小结 73
第6章 SVM的并行计算 74
6.1 简介 74
6.2 并行SVM概述 74
6.3 并行二次问题求解器 75
6.4 基于MPI的并行SVM 77
6.4.1 信息传递接口编程模型 77
6.4.2 Pisvm 79
6.4.3 Psvm 79
6.5 基于MapReduce的并行SVM 80
6.5.1 MapReduce编程模型 80
6.5.2 缓冲技术 81
6.5.3 稀疏数据表示 82
6.5.4 MRPsvm和Pisvm的比较 82
6.6 基于MapReduce的并行ε-SVR 84
6.6.1 实施方面 84
6.6.2 能耗数据集 85
6.6.3 建筑能耗预测评价 86
6.7 小结 88
第7章 建筑能耗分析的总结与展望 89
参考文献 91