ارائه مدل پویا برای پیش بینی مصرف انرژی ساختمان مبتنی بر تنظیم و بهینه سازی هایپرپارامترهای الگوریتمهای یادگیری عمیق با استفاده از هوش مصنوعی

محدودیت انرژی به عنوان یکی از بحرانهایی که جوامع با آن مواجه هستند توجه بسیاری را به خود جلب کرده است. از آنجایی که ساختمان ها سهم بسزایی در مصرف انرژی دارند، مشکل پیش بینی مصرف انرژی ساختمان ها به یک ضرورت در زمینه بهره وری انرژی تبدیل شده است. برای دستیابی به راه حلی موثر برای حل این مشکل، در قالب مدل اول پیشنهادی سیستمی مبتنی بر پشته سازی پیشنهاد شد که از روش های XGBoost و MLP در سطح اول استفاده میکند تا بتواند از مزایای هر دو روش برخوردار باشد. پیشبینیهای انجام شده توسط هر یک از این روشها، در سطح دوم، به عنوان ورودی برای الگوریتم XGBoost دیگری که به عنوان متا یادگیر در نظر گرفته شد، استفاده میشود. فراپارامترهای تکنیک های پایه با استفاده از جستجوی نصف سازی متوالی بهینه شدند. در ادامه نتایج بررسی ها نشان داد که برای حل این مسئله، روش های یادگیری عمیق نسبت به سایر روش ها عملکرد قابل توجهی دارد. به این ترتیب، در قالب مدل دوم پیشنهادی، یک راه حل مبتنی بر رای ارائه شد که در آن از سه مدل CNN با ساختارهای مختلف و یک روش DNN استفاده شده است. با توجه به نتایج خوب ثبت شده توسط هر یک از روش های یادگیری عمیق، مدل پیشنهادی دوم میتواند به عنوان مدل نهایی پیشنهاد شود و یک سیستم مستحکم برای حل این مسئله ارائه دهد. مدل های پیشنهادی برای مجموعه داده WiDS Datathon اعمال شدند و عملکرد مناسبی از خود ارائه دادند. مدل پیشنهادی اول در معیار R۲ به مقدار ۴۳۳۰ دست یافت. مقدار R۲ در بهترین روش یادگیری مدل پیشنهادی دوم برابر با ۴۳۳۰ است، اما مدل پیشنهادی دوم که مدلی مستحکم در برابر داده های جدید خواهد بود، به مقدار ۴۳۳۳ دستیافته است.

کلیدواژه ها:

مصرف انرژی ، یادگیری عمیق ، هوش مصنوعی ، پیش بینی ، هایپرپارامتر