1. 研究目的与意义
(1) 背景：随着人口和经济的增长，越来越多的能源被消耗。
作为能耗的一个方面，建筑能耗占相当大的比例。
例如，在中国，统计数据显示，建筑能耗占2011年总能耗的28%，到2020年将达到35%；在美国，建筑能耗接近总能耗的39%。
2. 研究内容和预期目标
(1) 研究内容
1.学习有关深度学习的基础知识。
2.学习PyTorch 等深度学习框架。
3.学习LSTM模型的构建。
3. 研究的方法与步骤
(1) 数据采集：自建能耗数据，将其记录到Excel表中；
(2) 数据预处理：对采集到的数据进行预处理，去除异常值，并对数据进行归一化处理；
(3) 模型构建：使用PyTorch 等深度学习框架，构建 LSTM 模型，并对模型进行训练；
(4) 模型训练：使用预处理后的数据进行模型训练，并对模型的效果进行评估；
(5) 模型评估：使用测试数据集对模型进行评估，评估指标包括精度、均方差等；
(6) 模型优化：根据评估结果，对模型进行优化，优化技术包括模型调整、超参数调整等；
(7) 系统部署：将优化后的模型部署到系统中，实现建筑能耗的预测功能；
(8) 结果分析：对预测结果进行分析，并对未来的建筑能耗趋势进行预测；
(9)编写论文并完善。
4. 参考文献
[1]王海晏,江涛,王芳,邓世杰.基于知识图谱的目标识别模型[J].探测与控制学报,2022,44(06):76-80 86.
[2]王怡,田智齐.基于可视化知识图谱的智能停车研究进展与热点分析[J].安徽建筑大学报,2022,30(06):95-102.
[3]刘东,张越,皮俊波,单连飞,刘赫,宋鹏程,姜涛.面向电网调控信息智能检索的知识图谱构建及应用[J/OL].中国电力:1-11[2023-01-10].http://kns.cnki.net/kcms/detail/11.3265.TM.20221213.1731.004.html
[4]冉均均,袁磊.基于深度学习的大型建筑中央空调能耗预测系统[J].自动化技术与应用,2022,41(12):1-4.DOI:10.20033/j.1003-7241.(2022)12-0001-04.
[5]陈恕,魏子清,岳宝,丁云霄,郑春元,翟晓强.基于深度迁移学习的住宅建筑能耗预测方法[J].制冷术,2022,42(05):46-51.
[6]李可,傅启明,陈建平,陆悠,王蕴哲,吴宏杰.基于分类DQN的建筑能耗预测[J].计算机系统应用,2022,31(10):156-165.DOI:10.15888/j.cnki.csa.008692.
[7]张卓渊.一种基于生成对抗网络的建筑能耗多步预测方法[J].电脑知识与技术,2022,18(23):92-94 110.DOI:10.14004/j.cnki.ckt.2022.1577.
[8]于军琪,杨思远,赵安军,高之坤.基于神经网络的建筑能耗混合预测模型[J].浙江大学学报(工学版),2022,56(06):1220-1231.
[9]张卓渊. 基于生成对抗网络的建筑能耗预测[D].广东工业大学,2022.DOI:10.27029/d.cnki.ggdgu.2022.000751.
[10]董道国,朱建龙,方瑾.基于神经网络的建筑能耗及设备故障预测方法研究[J].智能建筑与智慧城市,2022(04):148-150.DOI:10.13655/j.cnki.ibci.2022.04.044.
[11]李俊阳. 基于深度学习的建筑能耗预测方法研究[D].浙江大学,2022.DOI:10.27461/d.cnki.gzjdx.2022.000012.
[12]王悦,陈建平,傅启明,吴宏杰,陆悠.自适应序列生成的建筑能耗预测[J].计算机系统应用,2021,30(11):155-163.DOI:10.15888/j.cnki.csa.008151.
[13] 冯国会,李奇岩,张磊,王刚.基于TRNSYS与深度学习模型的近零能耗建筑系统能耗与负荷预测[J].暖通空调,2021,51(S1):90-94.
5. 计划与进度安排
(1)2024.1.7----2024.1.15确认论文目录
(2)2024.1.16----2024.1.31查阅资料撰写开题报告
(3)2024.2.1----2024.3.15完成论文设计，编写代码，调试程序
以上是毕业论文开题报告，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
