ConclusionsThe performance predicti

ConclusionsThe performance prediction of GSHP system by real-time mon-itoring data and data-driven models is studied in this paper. DMtechnologies are simultaneously used to process the monitoringdata and find the required inputs for data-driven models. BPNNalgorithm is used to establish the data-driven models, in which theoutputs are COPsys(EERsys). The long-term performance of GSHPsystem is obtained by the results of the data-driven models. Therelationship between the short-term and long-term performanceof GSHP system is investigated for the purpose of predicting thelong-term performance of GSHP system by a short-term monitoringdata.The important parameters used in data-driven models areselected out. And six classical sorting algorithms which are suit-able for numeric variables are used to extract the mapping betweeninputs and outputs. Four basic metrics, including MAE, Std AE,MAPE and Std APE are used to compare prediction accuracy andBPNN is the most accurate algorithm in the three models.

ผลลัพธ์ (ไทย) 1:

ConclusionsThe ทำนายประสิทธิภาพการทำงานของระบบ GSHP โดยข้อมูล itoring จันทร์แบบเรียลไทม์และรูปแบบข้อมูลซึ่งมีศึกษาในเอกสารนี้ DMtechnologies พร้อมใช้การประมวลผล monitoringdata การ และปัจจัยการผลิตต้องหารุ่นที่ปรับปรุงข้อมูล BPNNalgorithm ถูกใช้เพื่อสร้างข้อมูลซึ่งรูปแบบ theoutputs ซึ่งมี COPsys(EERsys) ประสิทธิภาพการทำงานระยะยาวของ GSHPsystem จะได้รับ โดยผลของแบบจำลองข้อมูลซึ่ง Therelationship ระหว่างระยะสั้น และระยะยาว performanceof GSHP ระบบจะตรวจสอบเพื่อวัตถุประสงค์ในการทำนายระยะ thelong ประสิทธิภาพของระบบ GSHP โดย monitoringdata ในระยะสั้น พารามิเตอร์สำคัญที่ใช้ในการขับเคลื่อนข้อมูลรุ่น areselected ออก และหกคลาสสิกเรียงอัลกอริทึมซึ่งสูทสามารถสำหรับตัวแปรที่เป็นตัวเลขที่อยู่ในสารสกัดจาก betweeninputs การแม็ปและเอาต์พุต วัดพื้นฐานสี่ แม่ Std AE, MAPE และ Std APE จะใช้ในการเปรียบเทียบทำนายแม่นยำ andBPNN เป็นอัลกอริทึมที่ถูกต้องที่สุดในสามรุ่น

ผลลัพธ์ (ไทย) 2:

ConclusionsThe ทำนายประสิทธิภาพของระบบ GSHP โดยข้อมูลในเวลาจริงจันทร์ itoring และรูปแบบที่ขับเคลื่อนด้วยข้อมูลคือการศึกษาในบทความนี้ DMtechnologies ถูกนำมาใช้ในการประมวลผลพร้อมกัน monitoringdata และหาปัจจัยการผลิตที่จำเป็นสำหรับรุ่นที่ขับเคลื่อนด้วยข้อมูล BPNNalgorithm ใช้ในการสร้างแบบจำลองที่ขับเคลื่อนด้วยข้อมูลที่มี theoutputs COPsys (EERsys) ผลการดำเนินงานในระยะยาวของ GSHPsystem จะได้รับโดยผลที่ได้จากแบบจำลองที่ขับเคลื่อนด้วยข้อมูล Therelationship ระหว่างระยะสั้นและระยะยาวการปฏิบัติงานระบบ GSHP มีการตรวจสอบเพื่อวัตถุประสงค์ในการคาดการณ์ผลการดำเนินงานในระยะ thelong ระบบ GSHP โดยตัวแปรที่สำคัญในระยะสั้น monitoringdata.The ใช้ในรูปแบบที่ขับเคลื่อนด้วยข้อมูล areselected ออก หกขั้นตอนวิธีการเรียงลำดับคลาสสิกซึ่งเป็นชุดสามารถสำหรับตัวแปรที่เป็นตัวเลขที่ใช้ในการแยก betweeninputs การทำแผนที่และเอาท์พุท สี่ตัวชี้วัดขั้นพื้นฐานรวมทั้งแม่ Std AE, MAPE และบุ้ง APE จะใช้ในการเปรียบเทียบความถูกต้องทำนาย andBPNN เป็นขั้นตอนวิธีการที่ถูกต้องที่สุดในสามรูปแบบ

ผลลัพธ์ (ไทย) 3:

conclusionsthe ประสิทธิภาพการทำนายระบบ gshp โดยเรียลไทม์ Mon itoring ข้อมูลและแบบจำลอง - คือศึกษาในงานวิจัยนี้ dmtechnologies จะพร้อมกันใช้กระบวนการ monitoringdata และหาข้อมูลที่ต้องการในรูปแบบ - . bpnnalgorithm ใช้สร้างโมเดล - ซึ่งใน theoutputs เป็น copsys ( eersys ) ประสิทธิภาพในระยะยาวของ gshpsystem ได้จากผลลัพธ์ของแบบจำลอง - . ความสัมพันธ์ระหว่างระยะสั้นและระยะยาว gshp สมรรถนะระบบตรวจสอบเพื่อทำนายประสิทธิภาพการทำงานของระบบในระยะยาว gshp โดย monitoringdata ระยะสั้น โดยตัวแปรสำคัญที่ใช้ในแบบจำลอง - ทำการเลือกออกมา ขั้นตอนวิธีการเรียงลำดับและหกคลาสสิกซึ่งเหมาะสำหรับตัวแปรตัวเลขสามารถใช้ในการสกัดและแผนที่ betweeninputs เอาท์พุท 4 ตัวชี้วัดขั้นพื้นฐาน รวมทั้งแม่ , STD เอค่า STD ape และใช้เพื่อเปรียบเทียบความถูกต้อง andbpnn เป็นขั้นตอนวิธีการทำนายถูกต้องที่สุดใน 3 รุ่น