پیش بینی مصرف انرژی در ساختمان های هوشمند با استفاده از شبکه های عصبی اگاه از فیزیک (PINN)

در سال های اخیر، هوشمندسازی زیرساخت ها با هدف کاهش مصرف انرژی و افزایش بهره وری، به یکی از اولویت های اصلی در حوزه فناوری های نوین تبدیل شده است. یکی از چالش های مهم در این حوزه، پیش بینی دقیق و قابل اعتماد مصرف انرژی در شرایط متغیر محیطی و عملیاتی است. در این پژوهش، یک مدل ترکیبی نوآورانه مبتنی بر یادگیری عمیق و معادلات فیزیکی پایه ارائه شده است که با استفاده از شبکه های عصبی آگاه از فیزیک (Physics-Informed Neural Networks – PINN) رفتار حرارتی و الگوی مصرف انرژی در ساختمان های هوشمند را مدل سازی و پیش بینی می کند. برخلاف روش های صرفا داده محور مانند LSTM یا MLP، مدل پیشنهادی از معادلات دیفرانسیل جزئی (PDE) برای نمایش دقیق فرآیند انتقال حرارت بهره می گیرد و بدین ترتیب قابلیت تعمیم بالا و پایداری مناسبی در مواجهه با داده های نویزی یا ناقص ارائه می دهد. نتایج آزمایش ها بر روی داده های معتبر، نشان می دهند که مدل PINN در مقایسه با روش های سنتی، عملکرد دقیق تری در پیش بینی مصرف انرژی از خود نشان می دهد. این چارچوب می تواند به عنوان زیرساخت محاسباتی در سامانه های مدیریت انرژی هوشمند به کار گرفته شود و نقشی کلیدی در بهینه سازی مصرف انرژی در آینده ایفا کند.

کلیدواژه ها:

شبکه عصبی آگاه از فیزیک (PINN) ، معادلات دیفرانسیل جزئی (PDE) ، پیش بینی مصرف انرژی ، ساختمان هوشمند ، بهینه سازی انرژی