Tersedia secara online di www.sciencedirect.

com

ScienceDirect

Procedia Teknik 121 (2015) 1016 - 1022

9 Simposium Internasional Pemanasan, Ventilasi dan penyejuk udara (ISHVAC) dan ke-3
Konferensi Internasional Energi Bangunan dan Lingkungan (COBEE)

Menggunakan Support Vector Machine untuk Memprediksi Beban Berikutnya Hari Listrik
Bangunan Umum dengan Perangkat Sub-metering

Yangyang Fu Sebuah, Zhengwei Li Sebuah,*, Hao Zhang b, Peng Xu Sebuah

Sebuah Jurusan Teknik dan Energi Teknik, Universitas Tongji, 201.800, Cina
b Tengtian Konservasi Energi Inc Shanghai, 201800, Cina

Abstrak

Memprediksi beban listrik jangka pendek akurat sangat penting untuk memfasilitasi manajemen sisi permintaan di sektor bangunan. Untuk bangunan yang memiliki
listrik sistem sub-metering diinstal, adalah mungkin untuk memprediksi kedua beban listrik total dan beban sistem layanan bangunan individu (AC, lampu, listrik, dan
peralatan lainnya). Dalam makalah ini, metode yang didasarkan pada Support Vector Machine (SVM) diusulkan untuk memprediksi beban pada tingkat sistem. Untuk
setiap jenis sistem, 24 model SVM (satu model per jam) dilatih dan digunakan untuk memprediksi beban listrik per jam. Input untuk metode prediksi hanya prediksi
cuaca dan beban listrik per jam dalam dua hari sebelumnya. Sebuah studi kasus menunjukkan bahwa metode yang diusulkan melebihi tiga metode populer lainnya
data mining (ARIMAX, Decision Tree, dan Artificial Neural Network) di kedua CV_RMSE dan N_MBE. Dengan demikian, metode SVM disarankan untuk memprediksi
tingkat sistem beban listrik dari gedung-gedung publik. © 2015 The Authors. Diterbitkan oleh Elsevier Ltd

© 2015 The Authors. Diterbitkan oleh Elsevier Ltd Ini adalah akses artikel terbuka di bawah CC BY-NC-ND lisensi ( http://creativecommons.org/licenses/by-nc-nd/4.0/
Peer-review di bawah tanggung jawab panitia ISHVACCOBEE 2015.
).
Peer-review di bawah tanggung jawab panitia ISHVAC-COBEE 2015

Kata kunci: Membangun beban listrik; Mendukung mesin vektor; Sub-metering; prediksi energi

1. pengantar

Dekade terakhir telah dibuktikan pertumbuhan dramatis konsumsi energi primer di seluruh dunia. Untuk memenuhi permintaan energi yang semakin
meningkat tanpa menyebabkan masalah lingkungan, teknologi Demand Side Management (DSM) telah dikembangkan [1]. DSM mengacu pada
tindakan yang mengoptimalkan perilaku konsumsi penggunaan listrik

* Penulis yang sesuai. Tel .: +86 021 65.989.750.

Alamat email: zhengwei_li@tongji.edu.cn

1877-7058 © 2015 The Authors. Diterbitkan oleh Elsevier Ltd Ini adalah akses artikel terbuka di bawah CC BY-NC-ND lisensi ( http://creativecommons.org/licenses/by-nc-nd/4.0/
).
Peer-review di bawah tanggung jawab panitia ISHVAC-COBEE 2015 doi: 10,1016 /
j.proeng.2015.09.097
 Yangyang Fu et al. / Procedia Teknik 121 (2015) 1016 - 1022 1017

pengguna dengan memotivasi mereka melalui peraturan kebijakan atau keuntungan finansial. Sejak perubahan perilaku ini biasanya menyebabkan permintaan daya
puncak menurun, hal itu dapat meringankan kebutuhan untuk pembangkit listrik baru dan sistem transmisi listrik [2].

Membangun sektor adalah sektor penggunaan energi yang signifikan di sebagian besar negara. Di antara berbagai sektor bangunan, sektor
bangunan umum sangat cocok untuk menerapkan DSM, terutama karena dua alasan. Pertama, intensitas konsumsi energi di gedung-gedung publik
relatif tinggi dibandingkan dengan sektor-sektor bangunan lainnya [3]; kedua, sistem penyimpanan energi (baik pasif atau aktif) biasanya tersedia di
gedung-gedung publik [4]. Untuk secara efektif mengelola permintaan bangunan listrik, memprediksi mereka satu hari sebelumnya akurat sangat
penting. Mengingat profil prediksi beban, sesuai strategi manajemen energi bangunan (seperti precooling, penyimpanan panas, dll) dapat diambil untuk
menggeser beban puncak dengan menggunakan teknik optimasi [5].

Saat ini, listrik sub-metering berbasis platform manajemen energi menjadi populer. Di Cina, diperkirakan bahwa pada tahun 2015, luas
bangunan umum dengan sistem listrik sub-metering terpasang akan mencapai 60 juta meter persegi [6]. Di satu sisi, jumlah bangunan yang
beban listrik perlu diprediksi dengan cepat meningkatkan; di sisi lain, informasi rinci dari penggunaan energi sejarah tersedia di tingkat alat
individu. Dengan informasi ini, sekarang mungkin untuk memprediksi beban listrik tidak hanya di tingkat seluruh bangunan, tetapi juga di
tingkat sistem yang lebih rinci atau tingkat alat. Namun, metode untuk memprediksi beban listrik pada tingkat yang lebih rendah berdasarkan
pada listrik data sub-metering belum diteliti dengan baik dalam literatur.

Sebelumnya, untuk mendukung prediksi membangun beban listrik, berbagai metode telah diusulkan. Metode ini dapat dikategorikan ke dalam
metode putih kotak, metode kotak abu-abu, dan metode kotak hitam [7]. Dalam kategori metode black box, metode metode regresi linier (MLR /
ARMAX), Support Vector Machine (SVM), metode Keputusan Regresi (DR), dan metode Artificial Neural Network (ANN) adalah metode yang paling
populer [7]. Misalnya, kontestan dalam kontes adu prediksi energi yang besar menggunakan jaringan saraf tiruan (JST) untuk memprediksi total beban
bangunan listrik [8], Tso dan Yau [9] diterapkan regresi keputusan metode (DR) untuk memprediksi penggunaan listrik dari bangunan yang berbeda di
Hong Kong, dan Dong et al. [10] diterapkan Support Vector Regression (SVR) untuk memprediksi tagihan listrik bulanan selama empat bangunan
komersial di Singapura, dll kinerja metode yang disebutkan di atas telah dipelajari dan dibandingkan oleh beberapa peneliti. Holcomb et al. [11]
dibandingkan tiga metode kotak hitam (MLR, SVR, dan ANN) dalam kinerja prediksi beban menggunakan data simulasi, dan ia menemukan bahwa
sementara MLR dan SVR menunjukkan akurasi prediksi yang sama, ANN memiliki kinerja terburuk di antara tiga metode. Li et al. [12] dibandingkan
SVM dan ANN untuk memprediksi beban pendinginan per jam di sebuah gedung, dan menemukan bahwa SVM melebihi ANN dalam akurasi prediksi.
Temuan penelitian lain juga menunjukkan bahwa SVM adalah metode prediksi yang luar biasa diberikan informasi masukan yang terbatas [13].

Berdasarkan tinjauan literatur, pendekatan berdasarkan SVM diusulkan untuk memecahkan tingkat sistem masalah prediksi beban listrik.
Pendekatan ini menggunakan prediksi cuaca dan data penggunaan listrik historis sebagai masukan, dan memprediksi beban hari listrik berikutnya di
sistem (sistem AC, sistem pencahayaan, sistem tenaga, dan peralatan lainnya) tingkat.

2. Support Vector Machine

Algoritma SV tegas didasarkan pada kerangka teori belajar statistik, atau teori VC, yang telah dikembangkan selama empat dekade
terakhir oleh Vapnik [14-16]. Ini adalah generalisasi nonlinear dari algoritma Portrait yang Generalized, berdasarkan minimalisasi risiko
struktural (SRM) prinsip induktif. Karena struktur yang unik dari SVM, pelatihan SVM setara dengan pemecahan masalah pemrograman
kuadratik terkendala linear, sehingga solusi global optimal dapat ditemukan.

2.1. Ide dasar dari regresi -sV

Misalkan kita diberikan data training . di mana menunjukkan ruang pola masukan
(misalnya ). adalah jumlah sampel pelatihan. dalam ε- SV regresi, tujuan kami adalah untuk menemukan fungsi yang memiliki paling banyak

ε penyimpangan dari target sebenarnya diperoleh untuk semua data pelatihan, dan pada saat yang sama adalah sedatar mungkin.
SVM berkaitan dengan fungsi, mengambil bentuk sebagai berikut:
1018 Yangyang Fu et al. / Procedia Teknik 121 (2015) 1016 - 1022

fx() wx., ()() b (1)

dimana merupakan produk titik di X. Kerataan berarti bahwa orang berusaha kecil w. Untuk meminimalkan koefisien
w dan b, masalah dapat ditulis sebagai masalah optimasi cembung:

ll
1 2 *
toilet
2
Memperkecil w 2 Cl saya saya
2 il 1
saya

wx
yysaya
w
saya
w,., ()() saya
b saya

*
tunduk pada w,(x,.())
w ( ))W )( (saya
( saya ))) oleh saya saya
(2)
*
., 0000
i,saya
** saya
0

dimana diperkenalkan sebagai variabel slack dan C sebagai konstan regularisasi margin lembut ε- regresi SV. Dalam kebanyakan kasus
masalah optimasi dapat diselesaikan dengan lebih mudah dalam formulasi ganda dan perumusan ganda menyediakan kunci untuk memperluas
mesin SV untuk fungsi nonlinier [17]. Setelah memanfaatkan Lagrange multiplier dan mengikuti kondisi saddle point, formulasi ganda dari masalah
optimasi dapat ditulis ulang sebagai berikut:

1
11 * *
((((((
( saya i) (
saya
)( j j
) (),
() ()),
( x) saya ( x) j
(((
memaksimalkan 2 jsaya
222
2 . saya,
aku j 1
saya,
saya
(3)

* *
( saya
((((
(( saya
) ((
y saya saya saya
)
saya1 11
1 saya1

* *
tunduk pada (( ) 0,
0 . 0, C
saya i)
saya saya saya

saya1

dimana dan adalah Lagrange multipliers.

Demikian,

*
fx saya saya
x saya xb (4)
saya
1

Mengganti dot produk dengan fungsi kernel , mendapatkan:

Kita bisa

*
fx() ( sayasaya isaya
i)*)( (
)) K
( . )x
(( . xb
saya
) b (5)
saya11

setiap fungsi Kondisi memuaskan Mercer dapat digunakan sebagai kernel fungsi. fungsi kernel khas
termasuk fungsi linear, fungsi polinomial, fungsi Gaussian, dll Di antara fungsi-fungsi ini, fungsi Gaussian, yang dapat memetakan sampel
diatur dari ruang input ke dalam ruang fitur dimensi tinggi, cocok untuk mewakili hubungan nonlinear yang kompleks antara input dan output.
Selanjutnya, dengan menggunakan fungsi kernel Gaussian, perhitungan dapat dilakukan langsung di ruang input, bukan di ruang fitur, biaya
sehingga komputasi dapat dikurangi. fungsi gaussian ditampilkan sebagai berikut:

2
K xx
(, saya j
) ep ((
(exp
exp (( xxsaya2) j
)
(6)
 Yangyang Fu et al. / Procedia Teknik 121 (2015) 1016 - 1022 1019

Dimana γ adalah parameter kernel.

Ketika melatih model SVM, dua parameter bebas perlu diidentifikasi, yang parameter kernel γ dan regularisasi konstan C.

2.2. Evaluasi kinerja

Untuk mengevaluasi kinerja model prediksi, dua indeks yang digunakan: akar dinormalisasi mean square error (CV_RMSE) dan normalisasi berarti
kesalahan bias yang (N_MBE). Yang menunjukkan jumlah poin prediksi sebagai n, penggunaan listrik yang diprediksi sebagai E p, i ( 0 ≤ saya ≤ n), dan
penggunaan listrik yang benar sebagai E t, i ( 0 ≤ saya ≤ n), nilai CV_RMSE dan N_MBE dihitung sebagai berikut:

n
2
n ( Y pi. Y ti. )
saya1
(7)
CV RMSE
_ n

Y TII.
1
n

Y pi. Y ti.
saya1
(8)
N MBE
_ n

Y TII.
1

3. Studi kasus

3.1. Pengumpulan data

Dalam studi kasus ini, data listrik yang dikumpulkan dari Shanghai arsip selama tahun 2013 digunakan. Gedung ini terutama digunakan untuk menyimpan
catatan sejarah, sambil memberikan ruang untuk menggunakan kantor juga. Tabel 1 menunjukkan empat sistem sub meteran bangunan ini. konsumen listrik
utama di gedung ini adalah chillier, boiler listrik, sistem pencahayaan untuk bangunan kantor dan ruang penyimpanan, dll Semua sistem diaktifkan selama hari
kerja (Senin-Jumat) dan waktu kerja (08:00-06:00). Air beban pendingin, beban pencahayaan, dan beban listrik adalah tuntutan utama dalam bangunan ini,
menduduki
41,7%, 22,2%, dan 32,9% dari total beban listrik masing-masing. Sementara beban AC memiliki karakteristik musiman yang kuat, beban cahaya, listrik dan
lainnya jauh lebih sedikit tergantung pada musim. Ketika mengevaluasi kinerja dari metode yang diusulkan, data dari Juni 1- 15 Sep digunakan untuk
pelatihan dan data dari September 16 - 30 Sep digunakan untuk pengujian, karena ini adalah musim pendinginan khas di Shanghai.

Tabel 1. jenis utama dari sub-meteran listrik nama Sistem

Nama sub-sistem

AC tanaman utama (termasuk pompa), sistem sekunder dan unit terminal

Penerangan penerangan umum daerah, pencahayaan koridor, pencahayaan lansekap, pencahayaan bawah tanah, pencahayaan gabungan dan beban steker

Kekuasaan Angkat, pompa, fan

Lain Pusat data, laundry, dapur, kolam renang, gym, dll

Proses pemilihan fitur masukan diperkenalkan sebagai berikut. Untuk model prediksi, fitur masukan yang akan dipilih terutama jumlah
sebelumnya beban jam listrik. Secara umum, semakin banyak sebelumnya sebagai masukan, kinerja pelatihan yang lebih baik bisa. Namun,
ketika jumlah beban sebelumnya terlalu banyak, masalah
'Lebih pas' muncul. Untuk mempermudah proses seleksi, jumlah beban sebelumnya dibatasi ke integer dividable oleh 24 (0, 24, 48 ...) dan 48 adalah jumlah
maksimum yang ditetapkan dalam seleksi ini. Hasil optimasi menunjukkan bahwa semakin banyak beban listrik sebelumnya digunakan sebagai masukan,
akurasi prediksi yang lebih baik. Fitur masukan akhir dalam penelitian ini bekerja hari / non-hari kerja, yang menunjukkan oleh 1 dan 0 masing-masing, suhu bola
per jam kering ( T db), titik embun per jam
1020 Yangyang Fu et al. / Procedia Teknik 121 (2015) 1016 - 1022

suhu ( T de), dan sebelumnya 48 jam beban listrik ( E p). Setelah pemilihan fitur, penggunaan listrik dari empat sub-sistem adalah skala untuk [0, 1].

3.2. Identifikasi Model

Dalam setiap jenis sistem, data dibagi menjadi 24 kelompok, sesuai dengan jam hari. Untuk setiap kelompok, model SVM dilatih dan diuji. Untuk
mencapai kinerja yang optimal dari SVM, parameter masing-masing model SVM ( C, γ dan
ε) dioptimalkan secara terpisah.
fungsi kernel Gaussian telah dipilih sebagai model kernel oleh banyak penelitian sebelumnya. Dibandingkan dengan fungsi kernel
lainnya, fungsi Gaussian memiliki beberapa keuntungan yang unik: pertama, ditemukan bahwa linear kernel dan kernel sigmoid adalah
kasus khusus dari kernel Gaussian; kedua, fungsi kernel Gaussian memiliki kesulitan kurang numerik; ketiga, fungsi kernel Gaussian lebih
cocok untuk mewakili hubungan nonlinear [18]. Mengingat fitur dari kernel RBF dan fakta bahwa hubungan antara beban listrik dan input ( T db,
T de, dan E p)
adalah nonlinear, kernel RBF akhirnya dipilih dalam penelitian ini.
parameter C dan γ dioptimalkan dalam proses pelatihan, dan prosedur cross-validasi diadopsi dalam hal masalah overfitting. Sebuah metode
grid-cari diterima dalam digunakan untuk mencari optimal C dan γ. urutan tumbuh secara eksponensial C dan γ digunakan untuk mengidentifikasi
parameter yang baik, misalnya, C = [ 2-5, 25], γ = [ 2-5, 25], baik dengan langkah 0,1 di eksponen. Parameter dengan yang terbaik cross-validasi
berarti squared error (MSE) kemudian dipilih.

3.3. Hasil dan perbandingan

Kinerja prediksi metode yang diusulkan pada data pengujian ditunjukkan pada Tabel 2. Hal ini dapat dilihat bahwa
di antara empat jenis penggunaan listrik, ketik 'peralatan lainnya sistem 'Sebagian besar sulit untuk diprediksi,
diikuti oleh AC, pencahayaan, dan kekuasaan.

Tabel 2. Pengujian ulang sults dari ε- regresi SV dan metode lainnya

ARIMAX REPTree ANN SVM

sistem
N_MBE CV_RMSE N_MBE CV_RMSE N_MBE CV_RMSE N_MBE CV_RMSE

AC 23,4% 52,1% 25,9% 68,6% 26,1% 57,8% 16,2% 40,0%

Penerangan 14,4% 22,5% 12,8% 19,1% 15,2% 21,4% 9,1% 12,1%

Kekuasaan 0,9% 1,3% 1,0% 1,3% 1,2% 1,6% 0,8% 1,0%

Lain 46,4% 72,8% 25,9% 40,0% 43,6% 68,1% 27,6% 49,7%

Total 12,4% 22,4% 12,1% 27,2% 11,9% 22,1% 7,7% 15,2%

Kinerja prediksi dari metode yang diusulkan ditunjukkan pada Gambar. 1. Secara keseluruhan, metode yang diusulkan mampu memprediksi beban
listrik keseluruhan dengan akurasi yang memuaskan (dengan CV_RMSE dari 15,2% dan N_MBE dari 7,7%). Karena sistem listrik memiliki beban listrik
yang stabil, diprediksi N_MBE dan CV_RMSE hanya 0,8% dan
1,0% masing-masing. Sistem pencahayaan telah diprediksi N_MSE lebih rendah 10%. Meskipun model SVM telah dilakukan baik dalam
pencahayaan dan daya sistem, ia memiliki kesalahan relatif besar bila diterapkan dalam AC dan “ peralatan lainnya ” sistem, yang penggunaan
listrik lebih rumit.
Dari Tabel 1, diketahui bahwa 'peralatan lain termasuk , Data center, laundry, dapur kolam renang, gym, dll Penggunaan peralatan ini
sangat tergantung pada perilaku penghuni, dan sangat stokastik. Di sisi lain, rutinitas operasi pencahayaan dan kekuasaan jauh lebih teratur,
konsisten dengan on / off bertugas saat penghuni. Adapun AC, konsumsi listrik dapat dipengaruhi oleh banyak variabel lain, seperti radiasi
global yang surya, mendung atau hujan dan sebagainya, sehingga juga sulit untuk memprediksi.

Dalam tulisan ini, model ARIMAX, pemangkasan pohon pengurangan error (REPTree) dan jaringan umpan-maju dengan tiga lapisan dikerahkan
untuk membandingkan dengan model SVM. Model ARIMAX berisi tiga hal: istilah autoregressive, istilah rata-rata bergerak, dan istilah masukan
eksogen, dengan masing-masing koefisien berasal dari pelatihan. Itu
 Yangyang Fu et al. / Procedia Teknik 121 (2015) 1016 - 1022 1021

Model REPTree adalah pohon keputusan yang cepat ramping yang membangun pohon keputusan menggunakan gain informasi sebagai kriteria
membelah dan plum menggunakan pengurangan kesalahan pemangkasan. Terutama di ANN, jumlah neuron di lapisan pertama dan ketiga
ditentukan oleh jumlah input dan output masing-masing, jumlah neuron di lapisan kedua adalah parameter disesuaikan selama modeling. fungsi
tangen sigmoid hiperbolik digunakan sebagai fungsi transfer dalam neuron tersembunyi, dan fungsi linear digunakan dalam neuron output. Fungsi
pelatihan adalah Levenberg-Marquardt algoritma back-propagasi.

Perbandingan empat metode regresi individu ini mengenai kinerja prediksi mereka pada empat jenis membangun sistem ditunjukkan pada
Gambar. 2. Hal ini dapat dilihat bahwa untuk pendingin udara, pencahayaan, sistem tenaga dan konsumsi listrik total, model SVM acara yang
lebih baik kinerja dari tiga metode lain, yang memiliki akurasi prediksi yang sama. Untuk 'Peralatan lainnya sistem ', Jika penggunaan Perilaku
sangat stokastik (seperti kasus di Shanghai Arsip), metode MLR / ARIMAX melakukan jauh lebih buruk daripada metode lainnya.

Analisis di atas menunjukkan bahwa model SVM melakukan lebih baik dari metode lain yang disebutkan di atas atas semua empat sistem
dalam bangunan. Meskipun keempat metode regresi adalah kandidat yang baik untuk beban listrik dengan perilaku biasa, SVM jelas lebih cocok
ketika perilaku penggunaan listrik sangat stokastik. Demikian,
menerapkan metode prediksi 'tepat' untuk perilaku penggunaan listrik 'benar' adalah penting.

Gambar. Prediksi 1. Total beban listrik oleh SVM

Gambar. 2. Perbandingan metode regresi individual

1022 Yangyang Fu et al. / Procedia Teknik 121 (2015) 1016 - 1022

4. Kesimpulan

Dalam tulisan ini, SVM diusulkan untuk memprediksi beban listrik sistem bangunan pelayanan, termasuk sistem pendingin udara, sistem
pencahayaan, sistem tenaga, dan peralatan lainnya. Metode ini pertama melatih 24 metode regresi individu sesuai dengan jam, dan kemudian
menggabungkan prediksi mereka untuk mengevaluasi kinerja dari masing-masing sistem. Akhirnya beban listrik total dalam gedung dipelajari dihitung
berdasarkan prediksi di setiap subsistem. Hasil pengujian menunjukkan bahwa, metode yang diusulkan ini mampu memprediksi beban listrik sistem
pendingin udara, sistem pencahayaan, dan sistem tenaga dengan akurasi yang baik. Ketika memprediksi beban listrik total, nilai CV_RMSE dan nilai
N_MBE sekitar 15% dan 8%, masing-masing. Dengan membandingkan metode yang diusulkan dengan metode regresi individu, jelas bahwa SVM
memiliki akurasi prediksi yang lebih baik, dalam hal N_MBE dan CV_RMSE. Dengan demikian, SVM disarankan untuk memprediksi beban listrik jangka
pendek dari gedung-gedung publik.

Pengakuan

Para penulis ingin mengucapkan terima kasih Tengtian Konservasi Energi Inc Shanghai untuk dukungan keuangan di bawah jumlah proyek
12dz1202000.

Referensi

[1] DS Kirschen, Demand-side view dari pasar listrik, IEEE Transaksi pada Power Systems 18 (2003) 520-527. [2] P. Palensky, Menuntut manajemen sisi: respon permintaan,
sistem energi cerdas, dan beban cerdas. Transaksi IEEE pada Industri
Informatika 7 (2011) 381-388.
[3] WG Cai, Y. Wu, Y. Zhong, et al. Cina konsumsi energi bangunan: Situasi, tantangan dan langkah-langkah yang sesuai. Kebijakan Energi,
37 (2009) 2054-2059.
[4] Y. Sun, S. Wang, F. Xiao, et al. Beban puncak kontrol pergeseran menggunakan dingin fasilitas penyimpanan energi termal yang berbeda pada bangunan komersial: A

review, Konversi Energi dan Manajemen 71 (2013) 101-114.

[5] J. Ma, J. Qin, T. Salsbury, et al. pengurangan permintaan dalam membangun sistem energi didasarkan pada model ekonomi kontrol prediktif, Kimia
Teknik Ilmu 67 (2012) 92-100. [6] Departemen Konstruksi. panduan pembangunan 'lima Twelfth' bangunan hijau dan kota ekologi, Republik Rakyat Cina, 2013. [7] Z. Li, Y. Han,
P. Xu, Metode pembandingan konsumsi energi bangunan terhadap masa lalu atau kinerja dimaksudkan: Sebuah gambaran.

Terapan Energi 124 (2014) 325-334.

[8] J. Haberl, S. Thamilseran, Energi besar prediktor adu II. ASHRAE Journal 49 (1998) 49-56.
[9] GKF Tso, KKW Yau, Memprediksi konsumsi energi listrik: Sebuah perbandingan analisis regresi, pohon keputusan dan jaringan saraf.
Energi 32 (2007) 1761-1768.
[10] B. Dong, C. Cao, Lee SE mesin Menerapkan dukungan vektor untuk memprediksi membangun konsumsi energi di daerah tropis. energi dan
Bangunan 37 (2005) 545-553.
[11] D. Holcomb, W. Li, SA Seshia, Algoritma untuk bangunan hijau: belajar berbasis teknik untuk prediksi energi dan diagnosis kesalahan.
UCB / EECS-2009-138, University of California di Berkeley.
[12] T. Li, T. Meng, J. Cai, et al. Memprediksi beban pendinginan per jam di gedung: Sebuah perbandingan mesin dukungan vektor dan buatan yang berbeda
jaringan saraf, Konversi Energi dan Manajemen 50 (2009) 90-96.
[13] A. Jain, B. Satish, Clustering berdasarkan prakiraan beban jangka pendek menggunakan mesin pendukung vektor, teknologi listrik IEEE, Bucharest, 2009. [14] V. Vapnik, A. Chervonenkis,
Nauka, Uni Soviet, 1974.
[15] V. Vapnik, Estimasi Dependences Berdasarkan data empiris. Springer, Berlin, 1982. [16] V. Vapnik, The Nature
of Teori Belajar statistik. Springer, New York, 1995.
[17] YJ Lee, OL Mangasarian, SSVM: Sebuah mesin dukungan vektor halus untuk klasifikasi. optimasi komputasi dan Aplikasi,
20 (1) (2001) 5 - 22.
[18] C. Chang, C. Lin, LIBSVM: Sebuah Perpustakaan untuk Support Vector Machines. Transaksi ACM pada Sistem Cerdas dan Teknologi 2 (2011) 1-
27.