Статья по теме Имея прогнозируемую температуру, вычисляем количество теплоты, отпускаемое потребителю по формулам
 Скачать 167.57 Kb.
|
|
Необходим алгоритм, написанный на ЯП Python. Суть алгоритма:  Алгоритм получает базу данных: температура, скорость ветра в течение N дней (данные за каждые 3 часа) Также алгоритм получает данные потребителя (длину, высоту и ширину здания, вводится пользователем)   Алгоритм прогнозирует среднюю температуру в дневное и ночное время на ближайшие два дня вперед  Алгоритм считает количество теплоты, необходимое для отопления здания по прогнозным данным и по реальным (в дневное и ночное время)  Выводится ошибка прогнозирования, количество теплоты по прогнозу и в действительности Материалы и методы: Данные берем с сайта gismeteo с архив, нас интересуют температура и ветер:  На основании данных имеем значения реальные и прогнозируемые (график желательно отобразить):  Прогнозируем только температуру! Задача очень похожа на задачу прогнозирования временного ряда с решением методом скользящего окна: Статья по теме Имея прогнозируемую температуру, вычисляем количество теплоты, отпускаемое потребителю по формулам:   коэффициент, учитывающий изменение удельной отопительной характеристики здания в зависимости от расчетной температуру наружного воздуха (ниже tн.о.), берется по таблице в зависимости от прогнозируемой температуры воздуха (интерполяцией):   удельная отопительная характеристика здания, ккал/(м3*час*°С), берется в зависимости от объема здания (ниже Vн.з.) по таблице ниже, интерполируем (и берем по постройке после 1958 года и только):  наружный объем здания, м3 (считается по высоте, длине и ширине); внутренняя температура наружного воздуха для отопления (всегда 24 в расчете), °С; расчетная температура наружного воздуха для отопления (мы её прогнозируем), °С; расчетный коэффициент инфильтрации, определяется:  средняя скорость ветра (имеем по данным), м/с; свободная высота здания, м; ускорение свободного падения, м/с2.Считаем и выводим погрешность (не могу сказать, что потребуется для настройки алгоритма, но эти показатели будут нужны нам для науки): Относительную:  Нормализованную по разнице:  Ниже прилагаю письмо: запросил материалы, по которым наш студент смог самостоятельно написать алгоритм. Ярослав Сергеевич, здравствуйте. Высылаю письмо с ссылками на уроки по обучению. 1. Трек - Питон + анализ данных, машинное обучение: a) "Поколение Python": курс для начинающих · Stepik b) "Поколение Python": курс для продвинутых · Stepik Питон нужен, чтобы пройти обучение по курсу: c) Введение в Data Science и машинное обучение · Stepik Знания статистики нужны, (но это не критично) поскольку анализ данных основан на статистических критериях. d) Основы статистики · Stepik - пока не проходил, но думаю, что будет полезным. Параллельно можно пройти: 2. Трек - машинное обучение, искусственные нейронные сети (рассказывают что это такое "на пальцах" без программирования): 1) Машинное обучение · Stepik 2) Введение в искусственные нейронные сети · Stepik В 1-м и 2-м треках возможно понадобятся знания по линейной алгебре (векторы, матрицы, ...), по мат. анализу (производные, градиенты, оптимизация ...). Есть соответствующие курсы, но по ним ничего не могу сказать, надо пробовать. Есть еще бесплатный курс по Data Science: Искусственный интеллект – обучение в Нетологии с нуля (netology.ru). Он начнется 12 июля. Там всего 4 лекции. Есть 3 лекции и практические задания по нейронным сетям. Можно на Google Colab сделать свои сети и посмотреть, что это такое и как они работают. |