![](https://iirr.vn/wp-content/uploads/2023/06/rsz_64795810d9d00.png)
![Chiến lược active learning nhằm dự báo năng lượng tòa nhà dựa trên dữ liệu ngắn hạn với độ chính xác cao Chiến lược active learning nhằm dự báo năng lượng tòa nhà dựa trên dữ liệu ngắn hạn với độ chính xác cao](https://iirr.vn/wp-content/uploads/2023/06/rsz_64795810d9d00.png)
Chiến lược active learning nhằm dự báo năng lượng tòa nhà dựa trên dữ liệu ngắn hạn với độ chính xác cao
Active learning strategy for high fidelity short-term data-driven building energy forecasting
Tác giả: Liang Zhang, Jin Wen
Ngày đăng tải: 19/04/2021
DOI: https://doi.org/10.1016/j.enbuild.2021.111026
Chất lượng của một mô hình dựa trên dữ liệu phụ thuộc rất nhiều vào chất lượng của dữ liệu. Dữ liệu từ các hoạt động của tòa nhà thường có vấn đề về sai lệch dữ liệu, có nghĩa là mẫu dữ liệu được thu thập theo cách mà một số thành phần của tập hợp dữ liệu dự tính ít có khả năng được đưa vào hơn những thành phần khác. Do đó, các mô hình dự báo năng lượng dựa trên dữ liệu được xây dựng trên dữ liệu đó bị sai lệch và có thể dẫn đến các lỗi dự báo lớn. Học chủ động – active learning – một phương pháp hiệu quả để chống lại sai lệch dữ liệu – hiếm khi được nghiên cứu hoặc áp dụng trong lĩnh vực lập mô hình dự báo năng lượng tòa nhà dựa trên dữ liệu. Bài báo này cố gắng lấp đầy khoảng trống này và khám phá ứng dụng của active learning trong dự báo năng lượng tòa nhà dựa trên dữ liệu. Chiến lược được phát triển trong bài viết này tạo ra dữ liệu đào tạo thông tin một cách hiệu quả trong một quỹ thời gian và sử dụng thiết kế khối để xem xét các biến động thời tiết một cách thụ động. Chiến lược active learning đã phát triển được áp dụng và đánh giá trong cả các thử nghiệm ảo và tòa nhà thực so với các phương pháp dựa trên dữ liệu truyền thống. Thông qua các trường hợp đánh giá tòa nhà thực và ảo này, chúng tôi đã chứng minh rằng vấn đề sai lệch dữ liệu thường tồn tại trong dữ liệu vận hành tòa nhà được giải quyết bằng cách áp dụng chiến lược active learning đã phát triển. Hơn nữa, việc xây dựng các mô hình dự báo năng lượng được đào tạo từ dữ liệu được tạo ra từ chiến lược active learning đã cho thấy hiệu suất được cải thiện ở cả khía cạnh độ chính xác của mô hình và khả năng mở rộng của mô hình. Hiệu quả của mô-đun thiết kế khối cũng được xác nhận để xem xét hiệu quả tác động của điều kiện thời tiết đối với thiết kế active learning.
Link: Science Direct | OSTI.gov