PREDICTION MODEL OF PUBLIC HOUSES’ HEATING SYSTEMS: A COMPARISON OF SUPPORT VECTOR MACHINE METHOD AND RANDOM FOREST METHOD

Analiza danych i prognozowanie odgrywają ważną rolę w zarządzaniu systemami zaopatrzenia w ciepło. Wykorzystanie modeli do przewidywania parametrów systemu jest możliwe do zarządzania jakością, podejmowania odpowiednich decyzji sterujących, które będą miały na celu poprawę efektywności energetycznej i zmniejszenie ilości zużywanego źródła energii elektrycznej, diagnozowania i wykrywania nietypowych procesów w funkcjonowaniu systemu. W artykule porównano dwie metody uczenia maszynowego: Random Forest (RF) i Support Vector Machine (SVM) do przewidywania temperatury czynnika grzewczego w systemie grzewczym na podstawie danych elektronicznego regulatora pogodowego. Do porównania modeli autorzy wykorzystują następujące parametry: dokładność, koszt początkowy oraz możliwość interpretacji wyników i nieoczywistych zależności. Ustalono, że czas poświęcony na wyznaczenie optymalnych hiperparametrów i wytrenowanie modelu SVM znacznie przekracza dane parametru RF, pomimo zbliżonych wartości błędu średniokwadratowego (RMSE). Zmiana z danych 15-minutowych na dane raz na minutę została dokonana w celu poprawy dokładności modelu RF. RMSE modelu RF z danych testowych wynosi 0,41°C. W pracy zbadano znaczenie wkładu zmiennych w dokładność prognozy.

Słowa kluczowe:

zaopatrzenie w ciepło budynku, random forest, metoda wektorów wspierających

Bibliografia

Ahmad M. V. et al.: Tree-based ensemble methods for predicting PV power generation and their comparison with support vector regression. Energy 164, 2018, 465–474. DOI: https://doi.org/10.1016/j.energy.2018.08.207

Ahmad, M. V. et al.: Predictive modelling for solar thermal energy systems: A comparison of support vector regression, random forest, extra trees and regression trees. Journal of Cleaner Production 203, 2018, 810–821. DOI: https://doi.org/10.1016/j.jclepro.2018.08.207

Ahmad M. W. et al.: Trees vs Neurons: Comparison between random forest and ANN for high-resolution prediction of building energy consumption. Energy and Buildings 147, 2017, 77–89. DOI: https://doi.org/10.1016/j.enbuild.2017.04.038

Azarov A. D. et al.: Class of numerical systems for pipe-line bit sequential development of multiple optoelectronic data streams. Proc. SPIE 4425, 2001, 406-409. DOI: https://doi.org/10.1117/12.429761

Azarov A.D. et al.: Static and dynamic characteristics of the self-calibrating multibit ADC analog components. Proc. SPIE 8698, 2012, 86980N. DOI: https://doi.org/10.1117/12.2019737

Breiman L.: Out-of-bag estimation. Tech. rep. University of California, 1996 [https://www.stat.berkeley.edu/~breiman/OOBestimation.pdf].

Breiman L.: Random Forests. Machine Learning 45(1), 2001, 5–32. DOI: https://doi.org/10.1023/A:1010933404324

Dong B. et al.: Applying support vector machines to predict building energy consumption in tropical region. Energy and Buildings 37(5), 2005, 545–553. DOI: https://doi.org/10.1016/j.enbuild.2004.09.009

Esen H. et al.: Modelling of a new solar air heater through least-squares support vector machines. Expert Systems with Applications 36(7), 2009, 10673–1068. DOI: https://doi.org/10.1016/j.eswa.2009.02.045

Geng Y. et al.: Building energy performance diagnosis using energy bills and weather data. Energy and Buildings 172, 2018, 181–191. DOI: https://doi.org/10.1016/j.enbuild.2018.04.047

Kaczmarek C. et al.: Measurement of pressure sensitivity of modal birefringence of birefringent optical fibers using a Sagnac interferometer. Optica Applicata 45(1), 2015, 5–14. DOI: https://doi.org/10.1109/ICSENS.2015.7370173

Kukharchuk V. V. et al.: Method of magneto-elastic control of mechanic rigidity in assemblies of hydropower units. Proc. SPIE 10445, 2017, 104456A. DOI: https://doi.org/10.1117/12.2280974

Kukharchuk V. V. et al.: Noncontact method of temperature measurement based on the phenomenon of the luminophor temperature decreasing. Proc. SPIE 10031, 2016, 100312F. DOI: https://doi.org/10.1117/12.2249358

Kukharchuk V. V. et al.: Discrete wavelet transformation in spectral analysis of vibration processes at hydropower units. Przegląd Elektrotechniczny 93(5), 2017, 65–68.

Kvyetnyy R. et al.: Blur recognition using second fundamental form of image surface. Proc. SPIE 9816, 2015, 98161A. DOI: https://doi.org/10.1117/12.2229103

Kvyetnyy R. et al.: Method of image texture seg-mentation using Laws' energy measures. Proc. SPIE 10445, 2017, 1044561. DOI: https://doi.org/10.1117/12.2280891

Kvyetnyy R. et al.: Modification of fractal coding algorithm by a combination of modern technologies and parallel computations. Proc. SPIE 9816, 2015, 98161R. DOI: https://doi.org/10.1117/12.2229009

Osadchuk A. et al.: Pressure transducer of the on the basis of reactive properties of transistor structure with negative resistance. Proc. SPIE 9816, 2015, 98161C. DOI: https://doi.org/10.1117/12.2229211

Osadchuk O. et al.: The Generator of Superhigh Frequencies on the Basis Silicon Germanium Heterojunction Bipolar Transistors. 13th International Conference on Modern Problems of Radio Engineering, Telecommunications and Computer Science (TCSET), 2016, 336 – 338. DOI: https://doi.org/10.1109/TCSET.2016.7452051

Paluszyska A.: Structure mining and knowledge extraction from random forest with applications to The Cancer Genome Atlas project. 2017. [https://rawgit.com/geneticsMiNIng/BlackBoxOpener/master/randomForestExplainer_Master_thesis.pdf].

Parfenenko Yu. V. et al.: Prediction the heat consumption of social and public sector buildings using neural networks. Radio Electronics, Computer Science, Control 2, 2015, 41–46. DOI: https://doi.org/10.15588/1607-3274-2015-2-5

Perekrest A. et al.: Key Performance Indicators Assessment Methodology Principles Adaptation for Heating Systems of Administrative and Residential Buildings. IEEE Problems of Automated Electrodrive. Theory and Practice (PAEP), 2020, 1–4. DOI: https://doi.org/10.1109/PAEP49887.2020.9240784

Perekrest A. et al.: Complex information and technical solutions for energy management of municipal energetics. Proc. SPIE 10445, 2017, 1044567. DOI: https://doi.org/10.1117/12.2280962

Ruiz L. G. B. et al.: Energy consumption forecasting based on Elman neural networks with evolutive optimization. Expert Systems with Applications 92, 2018, 380–389. DOI: https://doi.org/10.1016/j.eswa.2017.09.059

Smolarz A. et al.: Fuzzy controller for a lean premixed burner. Przegląd Elektrotechniczny 86(7), 2010, 287–289.

Vapnik V., Chapelle O.: Bounds on error expectation for suport vector machines. Neural Computation 12 (9), 2000, 2013–2036. DOI: https://doi.org/10.1162/089976600300015042

Vedmitskyi Y. G. et al.: New non-system physical quantities for vibration monitoring of transient processes at hydropower facilities, integral vibratory accelerations. Przegląd Elektrotechniczny 93(3), 2017, 69–72. DOI: https://doi.org/10.15199/48.2017.03.17

Wei Y. et al.: A review of data-driven approaches for prediction and classification of building energy consumption. Renewable and Sustainable Energy Reviews 82, 2018, 1027–1047. DOI: https://doi.org/10.1016/j.rser.2017.09.108

Wójcik W. et al.: Concept of application of signals from fiber-optic system for flame monitoring to control separate pulverized coal burner. Proc. SPIE 5484, 2004, 427–431. DOI: https://doi.org/10.1117/12.569041

Wójcik W. et al.: Vision based monitoring of coal flames source. Przegląd Elektrotechniczny 84(3), 2008, 241–243.

Perekrest, A., Chenchevoi, V., Chencheva, O., Kovalenko, A., Kushch-Zhyrko, M., Kalizhanova, A., & Amirgaliyev, Y. (2022). MODEL PROGNOZOWANIA SYSTEMÓW GRZEWCZYCH BUDYNKÓW UŻYTECZNOŚCI PUBLICZNEJ: PORÓWNANIE METODY SUPPORT VECTOR MACHINE I RANDOM FOREST. Informatyka, Automatyka, Pomiary W Gospodarce I Ochronie Środowiska, 12(3), 34–39. https://doi.org/10.35784/iapgos.3032

##plugins.themes.bootstrap3.article.sidebar##

Numer Tom 12 Nr 3 (2022)

Archiwum

##plugins.themes.bootstrap3.article.main##

DOI

Authors

Abstrakt

Słowa kluczowe:

Bibliografia

##plugins.themes.bootstrap3.article.details##

Licencja