DarkGreyBox:一个基于遗传算法和机器学习的开源数据驱动Python建筑热模型
darkgreybox的Python项目详细描述
深灰色盒子
DarkGreyBox:一个开源数据驱动的Python建筑热工模型,灵感来自遗传算法和机器学习
为现有建筑物建立简单、准确和易于解释的热工模型,对于减少建筑环境对环境的影响至关重要。DarkGreyBox提供了一种数据驱动的方法来构建和拟合建筑物的RC等效灰箱热模型,在经典的机器学习(ML)框架内用于直接的模型性能评估。可以在易于配置的管道中建立大量竞争模型,并根据遗传算法(GA)的启发原则选择性能最好的模型。该方法还解决了经典灰箱热模拟技术的主要缺点,即不需要预先计算热参数的初始条件值,也不需要向建筑物中注入激励信号,以便成功地进行模型收敛和评估。在
与黑匣子(即机器学习)模型相比,使用暗箱(即机器学习)模型(例如深层序列到序列模型)的巨大优势在于,它很容易被人类解释,并且很容易插入其他建模框架。E、 g.为了模拟建筑物及其连接的供热系统的行为,只需在MILP框架中建立热源模型,灰箱建筑热工模型只需将其作为一组线性微分方程组与一些参数相结合。用deep-ML模型做这件事会很棘手。在
熟悉DarkGreyBox最简单的方法是查看tutorials。在
安装
依赖性
暗黑盒要求:
- Python(>;=3.6)
- 线性拟合(>;=1.0.1)
- 熊猫(>;=1.1.2)
- 作业库(>;=0.16.0)
注意:这些只是核心依赖项,您很可能希望安装可选依赖项或首选的自定义替代项。在
用户安装
通过pip
安装DarkGreyBox:
pip install darkgreybox
可选依赖项
这为您在愤怒中使用DarkGreyBox提供了一个开端,并允许您在本地运行教程。在
- scikit学习(>;=0.23.1)
- numdifftools(大于等于0.9.39)
- statsmodels(>;=0.11.1)
- matplotlib(>;=3.3.2)
- jupyter(>;=1.0.0)
- 笔记本电脑(>;=6.1.5)
您可以通过pip安装这些附加依赖项:
^{pr2}$文件
教程
了解DarkGreyBox如何工作的最简单方法是通过以下教程:
- Demo Notebook 01 - Ti Model Direct Fit:这本笔记本通过一个简单的Ti模型拟合示例演示了DarkGreyBox模型的直接使用。在
- Demo Notebook 02 - TiTe Model Direct Fit FAIL:本笔记本通过一个简单的TiTe模型拟合示例演示了DarkGreyBox模型的直接使用。在这种情况下,在拟合过程中发现了一个局部极小值,模型剧烈振荡,使其无法使用。在
- Demo Notebook 03 - TiTe Model Wrapper Fit PASS:这个笔记本通过为一个TiTe模型安装一个包装函数来演示DarkGreyBox模型的用法。在
- Demo Notebook 04 - DarkGreyFit:本笔记本演示了DarkGreyBox模型的用法,通过将它们与DarkGreyFit相匹配,同时设置和评估多个管道。在
发展
我们欢迎所有经验水平的新贡献者。在
源代码
您可以使用以下命令检查最新来源:
git clone https://github.com/czagoni/darkgreybox.git
测试
安装后,您可以从repo根目录启动测试套件
目录(您需要安装pytest
>;=5.4.1):
pytest
您可以从repo根目录检查linting(需要安装'pyflakes>;=2.1.1):
pyflakes .
您可以安装附加的depen通过pip进行测试所需的数据:
pip install darkgreybox[test]
- 项目
标签: