.png){kind=icon}
返回
Physics-Guided Memory Network for building energy modeling
.png){kind=icon}
OA
AI
DOI：10.1016/j.egyai.2025.100538.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
• 设计了基于物理引导的内存网络（PgMN）用于建筑能耗预测。
• PgMN 结合了基于物理和机器学习模型的双重优势。
• PgMN 能够适应新建筑和改建建筑，利用可用的历史数据。
• 设计了并行投影层、内存单元和内存经验模块。
• 提供了PgMN性能的理论证明和实验验证。
Keyword:
Energy forecasting
Physics-Guided Memory Network
Building energy
Load forecasting
Neural networks
EnergyPlus
Hybrid models
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
9.6
论文数:
901
被引数:
3.1K
机构
引用论文
A review of physics-informed machine learning for building energy modeling基于物理信息的建筑能耗建模机器学习综述.png)
APPLIED ENERGY
APPLIED ENERGYIF11
PREAI
分享收藏Enhancing images of shale formations by a hybrid stochastic and deep learning algorithmNEURAL NETWORKS
NEURAL NETWORKSIF6.3
PREAI
分享收藏Denoising Autoencoder-Based Missing Value Imputation for Smart Meters基于去噪自编码器的智能电表缺失值填补IEEE ACCESSOAAI
IEEE ACCESSIF3.6
OAAI分享收藏Optimization of a photovoltaic-battery system using deep reinforcement learning and load forecasting使用深度强化学习和负载预测优化光伏电池系统ENERGY AND AIOAAI
ENERGY AND AIIF9.6
OAAI分享收藏Modularized neural network incorporating physical priors for future building energy modeling结合物理先验的模块化神经网络用于未来建筑能源建模PATTERNSOAAI
PATTERNSIF7.4
OAAI分享收藏Building thermal modeling and model predictive control with physically consistent deep learning for decarbonization and energy optimization利用物理一致的深度学习进行建筑热建模和模型预测控制，以实现脱碳和能源优化APPLIED ENERGY
APPLIED ENERGYIF11
PREAI
分享收藏
查看更多内容