A hybrid model based on multivariate fast iterative filtering and long short-term memory for ultra-short-term cooling load prediction

计算机科学 期限(时间) 预处理器 降维 人工智能 多元统计 主成分分析 还原(数学) 短时记忆 模式识别(心理学) 特征(语言学) 机器学习 数据挖掘 人工神经网络 循环神经网络 数学 物理 量子力学 语言学 哲学 几何学
作者
Aung Myat,Namitha Kondath,Yong Loke Soh,An H
出处
期刊:Energy and Buildings [Elsevier BV]
卷期号:307: 113977-113977
标识
DOI:10.1016/j.enbuild.2024.113977
摘要

The current ultra-short-term cooling load forecasting models have not given due attention to the data pre-processing stage. In this paper, multivariate signal decomposition methods MEMD and MvFIF are used in the preprocessing phase to replace the complex signal with simpler subcomponents. The resulting increase in the number of features is tackled through a dimensionality reduction technique, PCA. Finally, prediction is done using two rigorous machine learning algorithms – LSTM and XGBoost. By combining these algorithms at different stages, four hybrid algorithms are formed - MEMD-PCA-LSTM, MEMD-PCA-XGBoost and MvFIF-PCA-LSTM, and MvFIF-PCA-XGBoost. Following a thorough performance comparison, this paper proposes MvFIF-PCA-LSTM for the prediction of ultra-short-term cooling loads. Additionally, experiments are performed to compare the running time of the proposed model, to endorse the importance of using PCA in the proposed model, and to evaluate the choice of parameters that undergo feature reduction. Compared to the base LSTM model assayed on the same datasets, the proposed model offered an improvement of 24.94%, 33.65%, and 23.82% in R2 values for SIT@Dover, SIT@NYP, and simulated datasets, respectively. MAPE achieved by the proposed model is exceptionally low, measuring at 1.13% for the SIT@Dover dataset, 1.42% for the SIT@NYP dataset, and a mere 0.36% for the simulated dataset. The best values of performance metrics computed for the proposed model demonstrate its accuracy in ultra-short-term cooling load prediction.

科研通智能强力驱动
Strongly Powered by AbleSci AI
科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
安详的惜梦应助KnowPhil采纳,获得10
1秒前
所所应助Wsq采纳,获得10
2秒前
5秒前
7秒前
每念至此完成签到,获得积分10
9秒前
10秒前
花开发布了新的文献求助10
10秒前
研友_VZG7GZ应助chrysan采纳,获得10
12秒前
13秒前
cdercder应助野性的曼香采纳,获得10
13秒前
yukang发布了新的文献求助10
14秒前
菜籽发布了新的文献求助10
17秒前
完美世界应助Graziella采纳,获得10
18秒前
阿斯披粼完成签到,获得积分10
20秒前
花开完成签到,获得积分20
20秒前
冷酷的乐驹完成签到 ,获得积分10
20秒前
21秒前
yukang完成签到,获得积分10
26秒前
xu完成签到 ,获得积分10
27秒前
29秒前
景景子完成签到,获得积分10
33秒前
34秒前
35秒前
36秒前
忐忑的黑猫完成签到,获得积分10
40秒前
景景子发布了新的文献求助10
41秒前
chrysan发布了新的文献求助10
41秒前
27小天使发布了新的文献求助30
41秒前
43秒前
自觉的满天完成签到,获得积分10
48秒前
sxr发布了新的文献求助10
48秒前
绿麦盲区完成签到 ,获得积分10
51秒前
52秒前
学术通zzz发布了新的文献求助10
53秒前
xiaoxiaoshu完成签到,获得积分10
54秒前
lin发布了新的文献求助10
57秒前
顾矜应助QingMRI采纳,获得10
1分钟前
秘密完成签到,获得积分10
1分钟前
独孤幻月96完成签到,获得积分10
1分钟前
916举报lizombie求助涉嫌违规
1分钟前
高分求助中
【此为提示信息,请勿应助】请按要求发布求助,避免被关 20000
ISCN 2024 – An International System for Human Cytogenomic Nomenclature (2024) 3000
Continuum Thermodynamics and Material Modelling 2000
Encyclopedia of Geology (2nd Edition) 2000
105th Edition CRC Handbook of Chemistry and Physics 1600
Maneuvering of a Damaged Navy Combatant 650
Fashion Brand Visual Design Strategy Based on Value Co-creation 350
热门求助领域 (近24小时)
化学 材料科学 医学 生物 工程类 有机化学 物理 生物化学 纳米技术 计算机科学 化学工程 内科学 复合材料 物理化学 电极 遗传学 量子力学 基因 冶金 催化作用
热门帖子
关注 科研通微信公众号,转发送积分 3777918
求助须知:如何正确求助?哪些是违规求助? 3323458
关于积分的说明 10214533
捐赠科研通 3038671
什么是DOI,文献DOI怎么找? 1667606
邀请新用户注册赠送积分活动 798207
科研通“疑难数据库(出版商)”最低求助积分说明 758315