外文翻译级热能与动力工程制冷空调

SmartmetermonitoringanddataminingtechniquesforpredictingrefrigerationsystemperformanceJ.-S.Chouetal./ExpertSystemswithApplications41(2014)2144–（ANNs（SVMs，（CAT（MR统（CHAIDCOP值后，设备运行故障的状况可以用制冷剂泄漏指标进行评挖掘技术能准确且高效的预测COP值。在液体泄漏阶段中，ANNs为最佳的模型。在蒸气阶段中，最佳的模型是GLR模型。实验结果证实对模型构建过程的系统化分前言（Li,Chu,&Hiao2012（Koksal,Batmaz,&estik,201Chiang,Wu,&Chu,2013;Chou,2009;Kao,Chen,&Chou,2011;Koyuncugil&2012;Kucuksille,Selbas_,&S_encan,2009;MorenoSaez,Sidrach-de-Cardona,&Mora-2013)。并且，Koksal等(2011)而，DM （Lee,2011家得到了实现。(BektasEkici,&Aksoy2011;Kalogirou,2000Og˘uzSarıtas&2010;Rodger,2014;Soyguder&Alli,2009)。因此通过智能 优化研究批量涌现(Bektas,Ekici,&Aksoy,2011;Kalogirou,2000;Og˘uz,Sarıtas,&Baydan,2010;Rodger,2014;Soyguder&Alli,2009)。其中，用于保存食品和空气调节且 有经过完整的研究。(Ahmed,Korres,Ploennigs,Elhadi,&Menzel,2011;Ozgoren,Bilgili,&Babayigit,2012;S_ahin,2011)。因此，建立一个合适的能够预测制冷系统性能基于制现。此项研究通过设计实验来达成目的。所有的实验数据通过智 ，智 （MAPE将分为接下来几部分进行阐述。Section2对文献综述进行简单概述。Section3阐述数据挖掘技术在实际工作中的应用。Section4描述设计的实验以及 Section5讨论方法的实现和结果分析，包括模型建立、交叉检验和结果分析。最后一部文献综如今，在能够提供充足的能源给予人类经济发展活动的同时，做到对社会以及环境危害最小化已经成为了许多国家 的主要 。因此，电力系统载荷预测技术对于社会和科学发展愈为重要。(iu&,2010;taxioti,giann,kouni,&Prr,2003;Po,2006)。近些年来，不同的电力载预测方法已经高度完善。(Tylor&uiz,2003)。目前的预测工具包括：回归型、时间序列模型、人工智能技术、模糊逻辑、非线性方法、基于推理系统的自应性网络和 模糊网络。例如，Kucuksilleetal.2009)在数据挖掘过程中，提出10种技术模型预测制冷剂的热物理性质（R134a,R404a,R407c和R410a）。Sahin在电子工程领域，对制冷系统的Yufeng,andLijun提出三种技术模型，即逐步回归，决策树和神经网络，来预测电能消YingandPan之后应用基于模糊推理系统的自应性网络模型预测 Hosoz,Ertunc,andBulgurcu提出ANFIS模型技术能成功运用于制冷剂为R134a的冷却塔出与输入的比值。因此，文献集中预测和优化COP。Bechtler,Browne,Bansal,andKecman(2001)确的识别所有的过程特征。Chengminetal.(2012)采用COP作为显示指标衡量中国 热泵系统的阶段运行成本和对环境造成的影响。Ozgorenetal.(2012)在 的，Swider2003)预测用输入量预测COP，对于工程师来说，输入量是现成可Arcakliog˘lu,Eris_en,andYilmaz(2004)利用ANNs预测蒸气压缩热泵系统的性能，在不COPR2值被确认为0.9999。Leung,Tse,Lai,andChow(2012)建立基于ANNs的模型，Kucuksille,Selbas_,andS_encan(2011)利用数据挖掘技术确定制冷剂的热力学性质，包(Kucuksilleetal.,2009)。文献表明一个全面的制冷系统模型能大大帮助到使用者对制研究方联、演化、图像匹配、数据可视化、元规则引导挖掘。(Liaoetal.,2012;S_en,Ucar,&Delen,2012;Tsai,2012;Yeh&Lien,2009)。因此，DM和AI模型的使用能预测和改善此项研究运用数值预测节点和6项数据挖掘技术，，SM，T，L，L，和ID，自动建立和比较预设模型的连续数值结果。空缺值可利用IMSPSS模型机在数值预测节点中设定。显然，当比较两种方法的预测精度时，研究员经常采用k-随机划分成不同的折，折被分层。在分层的k布与在初始数据中大致相同。KohaviR.(1995)建议10层为最佳层，因为其在可接受的偏倚和方差范围类能获得··从随机子集中提取出十分之一大小的原始子集（单折··重复步骤2-3·单通过平均k折精确测量交叉验证准确率。(Chou,Chiu,Farfoura,&Al-Taharwa,2011)数据挖掘（DM，是AI自动搜索功能从大量的数据中提取出有效信息的过程(Koksaletal.,2011)。数据挖掘的预测技术，是应用最广泛的数据挖掘技执行不同的DM模型，进而执行图形和数据统计方法，由此确定变量之间的隐性关人工神经 神经元网络由人工神经元组成。一个ANN是由许多这样的神经元系统性连接架构起来的。ANNs可用来预测制冷剂的系统性能，此项研究也被集中化的进行。(Kamar,Ahmad,Kamsah,& madMustafa,2013; nraj,Jayaraj,&Muraleedharan,2012;S_encan,Kose,&Selbas_,2011)。前馈性神经网络以多层感知机被大家所熟知应用于此项研究中。输入层包括一系列感知输入神经元，以温度和压力成分表示，1个或多个隐藏层包含多个计算节点，而输出层包含一个计算节点以COP表示。与任何智能模型，ANNs也能学习。应用最广泛且最有效的测试MLP神经网络的学习算法是后馈式（BP）netk

ykf(netk

其中netk是k个神经元的激活函数，jwkj是由上一层的单元k单元joj是上一单元jykf(net)1/1wkjwkj(t)wkj(t1)Vwkj改变量Vwkj(t)Vwkj(t)pjopjVwkj

其中是设定学习率，pj 误差，opj是单元j的实际输出，是参数动量Vwkj(t1wkj显然，BP神经网络能在影响因素及其影响权重中建立非线性联系。根据特殊记录支持向量支持向量机是由Vapnik(1995)第一个在AT&TBell 。SVM设定一系空间上。核函数运用了通用机制使训练数据适应于超平面。显然，通过-SVR建立COP的输入-输出模型是一个泛型的支持变量机，用于函数值估算。在SVM回归中，输入值采用非线性映射到Mm该特征空间上的线性模型fx,mf(x,)wjgj(x)j

可用公式（5）

（x,w L

y,f(x,w)yfx,

的支持向量机的特性为利用-不敏感

w2值降低模型的复杂程度。这个函数由非负松弛变量和 表示，其中i=1,…..,n用于鉴定-不敏感空间的训练样本。SVR可以通过以下函数形成min2

yf(x,w) 服从于f(xwy ,0,i , n f

)(xx)服从于0C.0

m其中nmK(X,Xi)gi(x)gi(xi

用户可能在训练过程中选择SVM核函数来鉴定函数面上的支持向量机。由于内核非线性样本映射到一个高并减少了数值集中，其为合理的第一选择。RBF二叉决策决策树是经常用于分类和预测的一种数据挖掘技术(hien&hn,2008)。分类决树是根据其因变量的类型构建的一种决策树的方法，其可能是种类型的或者数值型的(rimn,riedmn,hn,&Stone,198)。T把数据集分成两个子集，这样新的子集可以成为主集合。也就是相对于之前的集合更加纯。为了得到 准则，分配过程必须是递归的。在这个方法中，纯度等级应该在值与目标值建立相似性。当所有子集值都相同了，纯度就完美了。可用于CART模型的位置 法可自动筛选连续值。基尼系数在CART叉点t中，用g(t)表示，以公式10定义如g(t)pjtp(i其中ij

p(jt)

p(j,t)

,p(jt)

(j)Nj(t)Nj

和p(t)=p(j,j

其中(j)是j的先前概率值，Nj(t)是记录节点t的j的频数，Nj是记录j出现的根节点的频数。显然，当基尼系数在成长 改善后，仅有节点t和根节点有详细值用预测机分别计算Nj(t)Nj一般线性一般线性回归模型（L）不像传统的线性回归模型（L式来预测，因为LR布的。一个解决问题的思路是建立线性模型，采用自变量线性组合的方式。这个过程叫做功能联系，在传统模型LR传统的LRLR的特例。GLR比LR更灵活，假设数据是任意分布的格局，XY之间的关系可通过其分布格局建立。X-Y的关系模型因此可定义为：g(E(Y))=Xg

其中g（）是连接函数，O是补偿变量，FY的分布模型，X是自变量，Y是因变是回归系数。GLRNewton–Raphson方法获得连续值，使得Xg+O值接近g(E(Y。最终约等于形成X-YGLR模型越精确，GLR多元线性（MLR， 变量之间的模型。由于其简洁性和可读性，这个方法非常实用。然而，TsoandYau 了能够执行最小二乘法线性回归，MLR运用四种方法进行变量选择，分别是深入式、输出值上有一个缺失值，IBMSPSS模型自动从他们的计算中排除(IBM,2010)。 yb0bi

y是预测值；pb0和biXi卡方自动交互Kass(1980)提出将CHAID决策树技术应用于数据集分类。如CART、CHAID使用规则设定对输入集的结果进行分类。然而，相对于CART其需要 且，因为CHAID能在枝上的任意节点分成大于2群的区间。与二叉树相比，其更容易产生更广泛的树。显然，CHAID可以解决定性和定量的独立变量(Koyuncugil&Ozgulbas,2012)。然而，在 当用大量数据改善纯度时，ID用卡方检测节点 。在 大量数据之前，最好是对自变量的方差分量的解释进行分析。对目标领域进行分类的ID，需要解决其方法的局限性(igg,eille,&Sun,191)。然而，详细的ID不能使自变量分类最优化，因为当其确定所有类别皆不一样时，会终止合并同类项。详尽的ID避免了过度适应成长树针对于训练数据，连续的合并预测类别直到保留了两个大类。然后它鉴定预测的一系列合并和计算和假定p值的一系列分类，其给出了与目标变量最佳关联的的类别。并且，详尽的ID找到了每个预测机的最佳分类以及选择出于适应p值的分类预测模型。评估方R2，1-R，MAPE,MAE,RMSE和属性值在此项研究中被用于模型性能的评估标 )R2SSR1SSE

i1(YiY

nn(YY)2i(YY2ii1R

(YY

)Yi)YiiMAPEn i11nn)2

MAE1) n

)SST，平方总和；SSE，平方差总和；SSRYiYY平均值；n在训练和测试数据集中，精确度通过公式(14)-(18)评估。低MAPE，RMSE和MAER2代表着预测值与观测值的相似程度。值1表明预测和观测值越相似。MAPE对于模型的预测性能评估具有实用性，因为其是相关值。MAPE不受观测和预测值数值或单位的影响，因为它显示的是其相关性偏差。当MAPE值低于10% 预测精度。当值介于10%至20%之间时，表明预测精度良好；介于20%到50%时，预测合理；大于50%时，表明预测 RMSE计算预测值相对于观测值的平方差，以及其平方根总和值。因为大的差值断巨大偏差值具有实用性。相对而言，MAE定义为计算预测值与观测值偏差量的绝对值。由于MAE可以用于计算连续变量，所以 （SI属性在模型中的使用依据其与结果的关联强度。关联值越接近于1表明特征属性与结果越强关联。因此，研究提供了两个评估指标，基于前面的四种方法SI4以及在SI4基础上附加的特征属性。在预测COP后，4个统计学的计算方法加以应用：1-R，MAPE，MAE，和RMSE。然而，为了获得一个全面的评估指标，计算需要考虑应用 相关系数的属性值的数量。均值将转由以下SI计算： SIq(O )/

j1 45SI4和SI5OijOij,maxOij,min一个测量显示机的最小值；n是测量值的总数，q实验设实验设置在北部城市--桃园的职业培训中心。实验数据的测量和记录通过智能实现，分布在设备的传感器自动接收温度和压力值。这些数据被用于建立能够描述制冷剂物理性质的莫图。实验过程通过以下详述。制冷过在制冷系统中，热量从低温流向高温区域。制冷剂流动过程中，以沸腾和蒸发状吸收热量变成气态。蒸气在经过压缩压力增大，冷凝过程热量释放到环境中的空气和水中，制冷剂被冷凝成液态。整个过程把低温区域的热量转移到了高温区域。制冷系统内部热量交换的P取决于蒸发温度、冷凝温度、过冷温度、过热温度和其冷却能力。这些变量值可在莫 图中描绘，达到系统性能参数可视化的效果。图表显示的信息包括压力、温度、电能消耗值。运用于工业制冷系统的蒸气压缩制冷循环中，家用冰箱或者 制冷系统，低压气进过压缩机压强增大。因此，当输入的能量通过压缩过程转移到制冷剂时，制冷剂温度会急剧增大。制冷剂经过压缩后从气态变成液态。接下来，高压液态制冷剂通过膨胀阀时，压力降低流入蒸发器。最后，低压液态制冷剂从环境周围的空气、水中吸收热量，从低压液态转变为气态。系此项研究中，系统性能通过智能 ，这是一个电子 ，可每小时或更小间记录电力消耗值，并且实时将数据发送到 中心。智能 能够使 和中心系统连接起来。不像主 ，智能 能连续记录收集的数据。其主要功能是功率测量和网络传输。该系统能监测所有有用的电能消耗，包括正在执行的和历史的数据以及每日每月的电量需求，通过S-485orEthernorZige进行连接。一旦一个不正常的数据被检测到，系统将自动通过邮件或文件传输的方式告知使用者。 16个温度值和四个压力值。传感器分 1展示了液体/蒸气通过实验测定的泄漏数值属性。收集的数据可以分为功率数据、温度数据和压力值。温度数据可以通过位于压缩机出口、油分离器/出口，冷凝器制冷剂端/出口，冷凝器空气流动端/ 的16个 528个值。气态泄漏获得217个值。由于监测数据是“连续型”IBMSPSS模型进行数值预测。在软件中的数值预测节点自动通过数值输出进行构建与修正。实验选择的制冷剂是R404A，和HCFCs已经不再使用。R404A包含的三种制冷剂分别为：HFC125(44%),HFC134a(52%)HFC134a(4%)R404AODP0，GWP3260404A22和502制冷剂的广泛使用。(Li&Zho,200).404A统发生泄漏时，通常需要移除和重新灌注全部制冷剂，因为保留的制冷剂成分和系统性能稳定性无法确定。因此，研究重新灌注液态制冷剂，分析不同量制冷剂的运行效应而无需考虑剩余制冷剂的成分组成。COP预显然，COP可以通过绘制莫图进行计算，其是利用焓-熵图描绘热力学系统焓值变化。莫图用于显示有关制冷剂的物理性质，其中每个点都代表不同的物理性质。假若状态点上无对应，选择最接近其状态上的一点。COP用于评估制冷设六种数据挖掘技术运用于预测，系统在不同量的制冷剂下的COP。蒸发器的运行温度设置范围为+20°C到-20°C。表格二显示实验的设置条件。制冷机的COP是热交VHevap(kj/COP

VHcompvap(kj/

其中，COPVHevapVHcompvap是制冷消耗的热数据预处理和结果分数据预处理和模型建实验测量液体泄漏和蒸气。实验数据通过智能获得并通过电子数据表转换为可视模式。在数据收集完成后，第一步就是清除从智能传输到电脑上的不正在检测到不正常的数据后，下一步是采用数值分析方法去挖掘与COP有关的临界变量。相关系数用于测量输入和输出变量的相关关系。算法为： (XiX)(YiY)r (n1)SX

其中nXi是输入变量iYiXYSX是XSY是Yr描述两个变量r值表明两个变量的强关联。原始数据经过标准化来改善预测实验组分别设置1kg到6kg的制冷剂和+20°C到-20°C的蒸发温度。六种数据挖掘模型分别为ANNs,CART,CHAID,MLR,GLR和SVMs。首先，数据通过交叉测试法进行 尽管模型的属性是根据不同的关联系数选择的，他们一般基于11 结果与 关联系数的显示结果所决定的。尤其是，SI值被用于对每个模型的精确度进，值越小模型精度越高。针对于SI，MAPE用于对模型优良性的判断，其广泛应R2而言，260.95,230.900.95之间，110.90。就气相状态下，110.95,38个模型的值0.900.95之间，120.90。这些数据表明大部分（81.67%）的液相80%的气相模型R20.9是不够的，结果需 的指标来进行模型的比较图三对比了表四的液相MAPEs2110%。21个模型10%20%之间，1720%50%之间，仅一个模型的值大于50%98.33%模型领域的满意度高于预期精确度。并且，在不同属性值的设置下，ANNs6次表现最佳，CHAID3次表现最佳，CART1次表现最佳。当SI4和SI5作为比较指标时，ANNs在不同的属性值设置下一直有最佳表现。图四，气相中模型的MAPE10%，3610%20%间，1520%50%之间，950%85%的下，CHAID7次表现最佳，GLR3次。当用SI4作为评估指标时，结果却不同：GLR4次表现最佳，MR2次表现最佳，CARTANNs1次。SI5作为评价指标时，GLR模型和MR4次表现最佳，ANNs模型和CART模型皆为一次。显然，在液相中，用SI指标值相对于MAPE指标结果更显有一致性。例如，表格 结果而言，SI对比表明 一致性的结果：液相中ANNs表现最佳。相对于液相，在气相中的值更真实，其中气相中的值更真实，其中MAPE评估显示相对于SI评估值更稳定。然而从r>0.5r>0.7的区间内，MAPESI4SI5检验的最佳模型皆是GLRr>0.8r>0.9的区间内，对于SI4、SI5检验指标来说CART模型最佳，对于MAPE来说，CHAID模实验结果表明，最佳模型的显示结果用SI方法检验不同于单独用MAPE.例如，GLR（L60）ANNs(L13)MAPE和SI5的最佳值。在L60中，6.6%可视为MAPE值的高精度优于L557.1%。但是，RMSE=0.025的L60模型相对于L55有其RMSE0.018。L60中MAE0.018，L55中MAE0.012，前者比后者值更大。就R相关系数而言，L55较L60更容易适应。类似的，在蒸气状态下，就MAPE值而言，最佳模型（V33）V24表现更加优越。上述这些例子证实SI相对于MAPE对结果有更全面的分析解释。SI的计算结果可由高相关性的属性值代替。例如，当运用同样的评估方法时，在液相使用的最佳模型为SI4应用于ANNs，其中SI值为0.006。当使用SI5时，液相中的最佳模型为ANNs(L13)，其SI值为0.076。第一个模型的 系数r>0，不能视为输入和输出属性值的强关联性，尽管后者r>0.7显示了强关联性。这意味着后者模型是基于r值的最佳模型。在蒸气相中，最佳模型依旧是GLR，其中SI4值为0.213、SI5值为0.109（表7、8，其 值超过了0.5。校对模型精度的前提下，宁可选择较少测量点的模型。例如，在液相中，L7可能代替模型L13，虽然L73等级。尽管L7相对于L13来说测量点更少，但其生产数据的费用相对更低。同样的，V18V24更好。为了评估设备性能利用数据挖掘技术对能源进行管理。这项研究从长远角度上来看分析了制冷量和P在不同制冷剂量的关系。冷负荷定义为蒸发器出口制冷剂温度9Ns模型在液相中2kg404A177kj/kg。图像表明系统当404Akg时表现更出色。显然，分析结果表明在液相和气相中的制冷行为表现不一致。例如，图10显示制冷量当制冷剂为2kg时在气相中不变化。当液态制冷剂转变为蒸气状态时，制冷效果 结的目的在于，不同量R404ACOP方面的实用性。预测运行效率在国有企业和私人企业的设备 用。研究比较了6项数据挖掘技术，分别为：ANNs、SVMs、MR、CHAID、CART和 系数的条件下确定各个模型的SI值。SI值可通过平均1-R、MAPE、MAE、RMSE及其分布值确定。研究成果可通过在液态中，ANNs能精确预测COP值。当使用SI5值作为性能显示指标时L13提供了最佳的预测精度（r>0.7。在蒸气相中，GLR为最佳模型，其r>0.6。当制冷剂R404A3kgr0r>0.5情况下，对比于SI评估方法，MAPE评估法显示的相对于单独使用MAPEr>0.6到>0.9的模型，结果表明SI5方法生中预测COP致感谢圣得节 GrantNo.NSC100-2628-E-011-022-MY3在能源转换和管理参考文Ahmed,A.,Korres,N.E.,Ploennigs,J.,Elhadi,H.,&Menzel,K.(2011).Miningbuildingperformancedataforenergy-efficientoperation.AdvancedEngineeringInformatics,25,341–Arcakliog˘lu,E.,Eris_en,A.,&Yilmaz,R.(2004).Artificialneuralnetworkysisofheatpumpsusingrefrigerantmixtures.EnergyConversionandManagement,45,1917–1929.Bechtler,H.,Browne,M.W.,Bansal,P.K.,&Kecman,V.(2001).Newapproachtodynamicmodellingof pressionliquidchillers:artificialneuralnetworks.AppliedThermalEngineering,21,941–953.BektasEkici,B.,&Aksoy,U.T.(2011).PredictionofbuildingenergyneedsinearlyofdesignbyusingANFIS.ExpertSystemswithApplications,38,Bennett,C.,Stewart,R.A.,&Beal,C.D.(2013).ANN-basedresidentialwaterend-usedemandforecastingmodel.ExpertSystemswithApplications,40,1014–1023.Biggs,D.,DeVille,B.,&Suen,E.(1991).Amethodofchoosingmultiwaypartitionsforclassificationanddecisiontrees.JournalofAppliedStatistics,18,49–62.Bin,Y.,Chuangxin,G.,&Yijia,C.(2004).Short-termloadforecastingusinganewmodelingstrategy.InIn ligentControlandAutomation,2004.WCICA2004.FifthWorldCongresson(Vol.6,pp.5045–5049).Breiman,L.,Friedman,J.H.,Olshen,R.A.,&Stone,C.J.(1984).ClassificationRegressionTrees.NewYork:Chapman&Chen,C.-H.,Chiang,R.-D.,Wu,T.-F.,&Chu,H.-C(2013).Acombinedmining-basedframeworkforpredicting municationscustomerpaymentbehaviors.ExpertSystemswithApplications,40,6561–6569.differentheatsources:Acasestudy.EnergyandBuildings,48,Chien,C.-F.,&Chen,L.-F.(2008).Dataminingtoimprove nelselectionandenhancehumancapital:Acasestudyinhigh-technologyindustry.ExpertSystemswithApplications,34,280–290.Chou,J.-S.(2009).Generalizedlinearmodel-basedexpertsystemforestimatingtheoftransportationprojects.ExpertSystemswithApplications,36,Chou,J.-S.,Chiu,C.-K.,Farfoura,M.,&Al-Taharwa,I.(2011).OptimizingthePredictionAccuracyofConcreteCompressiveStrengthBasedonaComparisonofData-MiningTechniques.JournalofComputinginCivilEngineering,25,242–253.Hosoz,M.,Ertunc,H.M.,&Bulgurcu,H.(2011).Anadaptiveneuro-fuzzysystemmodelforpredictingtheperformanceofarefrigerationsystemwithacoolingtower.ExpertSystemswithApplications,38,14148–14155.IBM.(2010).PASWModeler.NY:IBMCorporation,USA.Jun,Z.,&Chuntian,C.(2008).Day-aheadelectricitypriceforecastingusingartificialinligence.InElectricPowerConference,2008.EPEC2008.IEEECanada(pp.1–5).Kalogirou,S.A.(2000).Applicationsofartificialneural-networksforenergysystems.AppliedEnergy,67,17–35.Kamar,H.M.,Ahmad,R.,Kamsah,N.B.,& madMustafa,A.F.(2013).Artificialneuralnetworksforautomotiveair-conditioningsystemsperformanceprediction.AppliedThermalEngineering,50,63–70.Kao,W.-K.,Chen,H.-M.,&Chou,J.-S.(2011).Aseismicabilityestimationofschoolbuildingusingpredictivedataminingmodels.ExpertSystemswithApplications,38,10252–Kass,G.V.(1980).AnExploratoryTechniqueforInvestigatingLarge tiesofCategoricalData.JournaloftheRoyalStatisticalSociety.SeriesC(AppliedStatistics),29,KohaviR.(1995).Astudyofcross-validationandbootstrapforaccuracyestimationmodelselection.InProceedingsofthe14thinternationaljointconferenceonArtificialinligence–Volume2(pp.1137–1143).MorganKaufmannPublishersInc.Koksal,G.,Batmaz,_I.,&Testik,M.C.(2011).Areviewofdataminingapplicationsforqualityimprovementinmanufacturingindustry.ExpertSystemswithApplications,38,Koyuncugil,A.S.,&Ozgulbas,N.(2012).Financialearlywarningsystemmodelandminingapplicationforriskdetection.ExpertSystemswithApplications,Kucuksille,E.U.,Selbas_,R.,&S_encan,A.(2009).Dataminingtechniquesforthermophysicalpropertiesofrefrigerants.EnergyConversionandManagement,50,399–412.[23]Kucuksille,E.U.,Selbas_,R.,&S_encan,A.(2011).Predictionofthermodynamicpropertiesofrefrigerantsusingdatamining.EnergyConversionandManagement,52,836–Lee,H.I.(2011).Energyreport–lowerthepriceofelectricity.In(pp.35–38):BureauofEnergyMinistryofEconomicsAffairs.Leung,M.C.,Tse,N.C.F.,Lai,L.L.,&Chow,T.T.(2012).Theuseofoccupancyspaceelectricalpowerdemandinbuildingcoolingloadprediction.EnergyandBuildings,55,151–Li,H.,&Zhao,Z.(2008).ysisoftheOperatingCharacteristicsofaLowEvaporationTemperatureR404ARefrigerationSystem.InInternationalRefrigerationandAirConditioningConference.PurdueUniversity.Liao,S.-H.,Chu,P.-H.,&Hsiao,P.-Y.(2012).Dataminingtechniquesandapplications–Adecadereviewfrom2000to2011.ExpertSystemswithApplications,39,11303–11311.[28]Li,H.,Fang,D.,Mahatma,S.,&Hampapur,A.(2011).Usage ysisforsmartmetermanagement.InEmergingTechnologiesforaSmarterWorld(CEWIT),20118thInternationalConference&Expoon(pp.1–6).Liu,C.,&Yi,H.(2010).ResearchonPowerSystemLoadForecastingModelBasedonDataMiningTechnology.InInligentSystemDesignandEngineeringApplication(ISDEA),2010InternationalConferenceon(Vol.2,pp.240–243).E.(2013).Machinelearningmethodstoforecasttemperatureinbuildings.ExpertSystemswithApplications,40,1061–1068.Metaxiotis,K.,Kagiannas,A.,Askounis,D.,&Psarras,J.(2003).Artificialinligenceinshorttermelectricloadforecasting:astate-of-the-artsurveyfortheresearcher.EnergyConversionandManagement,44,1525–1534.nraj,M.,Jayaraj,S.,&Muraleedharan,C.(2012).Applicationsofartificialnetworksforrefrigeration,air-conditioningandheatpumpsystems—Areview.RenewableandSustainableEnergyReviews,16,1340–1358.MorenoSaez,R.,Sidrach-de-Cardona,M.,&Mora-Lopez,L.(2013).Dataminingandstatisticaltechniquesforcharacterizingtheperformanceofthin-filmphotovoltaicmodules.ExpertSystemswithApplications,40,7141–7150.Nelder,J.A.,&Wedderburn,R.W.M.(1972).Generalizedlinearmodels.JournaloftheRoyalStatisticalSociety,SeriesA(General),135,370–384.Og˘uz,H.,Sarıtas,I.,&Baydan,H.E.(2010).Predictionofdieselengineusingbiofuelswithartificialneuralnetwork.ExpertSystemswithApplications,37,Ozgoren,M.,Bilgili,M.,&Babayigit,O.(2012).Hourlyperformancepredictionammonia–watersolarabsorptionrefrigeration.AppliedThermalEngineering,40,80–90.[37]Pao,H.-T.(2006).Comparinglinearandnonlinearforecastsfor ’selectricityconsumption.Energy,31,2129–2141.partialleastsquares,artificialneuralnetworkandsupportvectorregressiontechniquesindistrictheatingsystems.KoreanJournalofChemicalEngineering,27,1063–1071.[39]Pedersen,P.(1998).SubstitutesforPotentGreenhouseGases(HFCs,PFCsandSF6).In.Denmark:DanishTechnologicalInstitute.Penz,C.A.,Flesch,C.A.,Nassar,S.M.,Flesch,R.C.C.,&deOliveira,M.A.(2012).Fuzzy–Bayesiannetworkforrefrigerationcompressorperformancepredictionandtesttimereduction.ExpertSystemswithApplications,39,4268–4273.Rodger,J.A.(2014).Afuzzynearestneighborneuralnetworkstatisticalmodelforpredictingdemandfornaturalgasandenergycostsavingsinpublicbuildings.ExpertSystemswithApplications,42,1813–1829. Saab,S.,Badr,E.,&Nasr,G.(2001).Univariatemodelingandforecastingofconsumption:thecaseofelectricityinLebanon.Energy,26,S_ahin,A.S_.(2011).Performanceysisofsingle-stagerefrigerationsystemwithinternalheatexchangerusingneuralnetworkandneuro-fuzzy.RenewableEnergy,36,2747–S_en,B.,Ucar,E.,&Delen,D.(2012).Predictingandyzingsecondaryeducationplacement-testscores:Adataminingapproach.Exp