.png){kind=icon}
返回
Fast machine learning for building management systems
.png){kind=icon}
OA
AI
DOI：10.1007/s10462-025-11226-6.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
建筑管理系统（BMSs）正越来越多地整合先进的机器学习（ML）和人工智能（AI）能力，以提升运营效率和响应能力。BMSs的转型涉及广泛的环境、行为、经济和技术因素，以及最优性能考量，旨在实现能源效率并确保长期可持续性。现有BMSs只能通过为建成资产创建和管理信息来提供局部适应性，缺乏基于性能目标进行学习和适应的能力。本研究对BMSs中的ML技术进行了全面综述，特别强调并展示了在真实案例研究中应用的快速机器学习（FastML）技术。该研究回顾了ML算法的优化方法，聚焦于使用长短期记忆（LSTM）网络进行能耗预测，并探索利用硬件加速器实现低延迟、高吞吐量处理的解决方案。机器学习高层次综合（HLS4ML）框架促进了FastML模型与BMSs的部署，在资源受限环境中实现了硬件效率和推理速度的显著提升。研究发现，HLS4ML优化的模型在保持准确性的同时，通过剪枝和量化等技术提供计算效率，支持实时BMS应用。本研究通过整合ML算法与先进硬件解决方案，显著推动了智能BMSs的发展，最终提升了现代建筑中的能源管理、 occupant comfort 和安全性。
Keyword:
Fast machine learning
Building management systems
Energy forecasting
High level specification languages
Building automation
期刊
IF:
13.9
论文数:
6.1K
被引数:
1.9W
机构
引用论文
FastML Science Benchmarks: Accelerating Scientific Edge ML [Poster]FastML Science Benchmarks：加速科学边缘机器学习 [海报]OAAI
OAAI分享收藏LSTM Prediction on Sudden Occurrence of Maintenance Operation of Air-Conditioners in Real-Time Pricing Adaptive Control基于实时定价自适应控制的空调维护操作突发性发生的LSTM预测
PREAI
分享收藏An GMM Method in IoT Approach to Improve Energy Efficiency in Smart Building一种物联网方法中的GMM方法，用于提高智能建筑中的能源效率
PREAI
分享收藏Cluster analysis-based anomaly detection in building automation systems.png)
ENERGY AND BUILDINGS
ENERGY AND BUILDINGSIF7.1
PREAI
分享收藏Advancing building energy modeling with large language models: Exploration and case studies使用大型语言模型推进建筑能耗建模: 探索和案例研究ENERGY AND BUILDINGS
ENERGY AND BUILDINGSIF7.1
PREAI
分享收藏Enhancing electrical panel anomaly detection for predictive maintenance with machine learning and IoT通过机器学习和物联网增强电气面板异常检测以进行预测性维护
OAAI
OAAI分享收藏
查看更多内容