Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Bücher
Zeitschriften
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
MTZ-Fachkongress

Antriebe und Energiesysteme von morgen


Austausch von Automobil- und Energiewirtschaft

Am 14./15. Mai geht es in Chemnitz um die Mobilitätswende durch Elektro- und Wasserstofffahrzeuge.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Sustainability Assessment of Hybrid Community Energy Systems Kapitel lesen Erstes Kapitel lesen

2015 | OriginalPaper | Buchkapitel

22. Forecasting the Energy Consumption Using Neural Network Approach

verfasst von : Mohamed Bouabaz, Mourad Mordjaoui, Nabil Bouleknafet, Badreddine Belghoul

Erschienen in: Progress in Clean Energy, Volume 1

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

This chapter presents the use of neural network for predicting energy consumption in buildings and their expenditure. Application of artificial intelligence by the use of neural networks to predict the energy consumption for heating rehabilitated buildings is underscored by the need to develop a generic model that can be used for prediction of the consumption of the energy in buildings. The model presented for the prediction of the energy consumption of natural gas has been developed on the basis of data obtained for the winter period. Alternatively, a comparative economic study was conducted. An average error of the training phase for the model was 2.4 %, while the test phase error was 3.2 %. This indicates that the neural network model is presented successfully to predict the energy consumption by using natural gas as clean energy for heating buildings

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel CitInES: Design of a Decision Support Tool for Industrial Complexes and Cities
Nächstes Kapitel Complex-Valued Wavelet Neural Network Prediction of the Daily Global Solar Irradiation of the Great Maghreb Region
Literatur
1.
Entrop AG, Brouwers HJH, Reinders AHME (2010) Evaluation of energy performance indicators and financial aspects of energy saving techniques in residential real estate. Energy Build 42(5):618–629CrossRef
2.
Akande OK, Adebamowo MA (2010) Indoor thermal comfort for residential buildings in hot-dry climate in Nigeria. In: Proceedings of conference: adapting to change: new thinking on comfort Cumberland Lodge, Windsor, 2010
3.
Emsley MW, Lowe DJ, Duff AR, Harding A, Hickson A (2002) Data modelling and the application of a neural network approach to the prediction of total costs. Constr Manag Econ 20:465–472CrossRef
4.
Bouabaz M, Hamami M (2008) A cost estimation model for repair bridges based on artificial neural networks. Am J Appl Sci 5(4):334–339CrossRef
5.
Ansett M, Kreider JF (1993) Application of neural networking models to predict energy use. ASHRAE Trans 99(1):505–517
6.
Kalogirou SA (2001) Artificial neural networks in renewable energy systems applications: a review. Renew Sustain Energy Rev 5:373–401CrossRef
7.
Kreider JF, Claridge DE, Curtiss P, Haberl JS, Krarti M (1995) Building energy use prediction and system identification using recurrent networks. Trans ASME J Sol Energy Eng 117:161–166CrossRef
8.
Breekweg MRB, Gruber P, Ahmed O (2000) Development of generalized neural network model to detect faults in building energy performance. ASHRAE Trans 43(72):61–93
9.
Melek Y, Sedat A (2005) Artificial neural networks application in building energy predictions and a case study for tropical climates. Int J Energy Res 29:891–901CrossRef
10.
Michelis-Tzanakou E (2011) Artificial neural networks: an overview. Netw Comput Neural Syst 22:208–230
11.
Ashworth A, Skitmore RM (1982) Accuracy in estimating. Occasional paper no .27. Chartered Institute of Building, London
Metadaten
Titel
Forecasting the Energy Consumption Using Neural Network Approach
verfasst von
Mohamed Bouabaz
Mourad Mordjaoui
Nabil Bouleknafet
Badreddine Belghoul
Copyright-Jahr
2015
Buch
Progress in Clean Energy, Volume 1

Print ISBN: 978-3-319-16708-4

Electronic ISBN: 978-3-319-16709-1

Copyright-Jahr: 2015

DOI
https://doi.org/10.1007/978-3-319-16709-1_22