پیش بینی بارهای گرمایشی و سرمایشی ساختمان با استفاده از ترکیب الگوریتم XGBoost و شبکه عصبی دارای مکانیزم توجه

با توجه به نقش کلیدی بارهای گرمایشی و سرمایشی در مصرف انرژی ساختمان ها، ارائه مدلی دقیق برای پیش بینی این بارها از اهمیت بالایی برخوردار است. در این پژوهش، یک رویکرد ترکیبی مبتنی بر الگوریتم XGBoost و شبکه عصبی دارای مکانیزم توجه (Attention) جهت پیش بینی بار انرژی ساختمان ارائه شده است. در گام نخست، داده ها از مجموعه داده Energy Efficiency استخراج و پس از حذف داده های پرت با استفاده از Z-Score و نرمال سازی استاندارد، آماده سازی شدند. به منظور کاهش ابعاد و تمرکز بر ویژگی های موثر، از روش SHAP برای انتخاب ویژگی بهره گرفته شد. سپس، دو مدل مجزا برای پیش بینی بارهای گرمایشی و سرمایشی توسعه داده شد: مدل XGBoost و شبکه عصبی با ساختار Attention. عملکرد مدل ها بر اساس دو معیار R² و RMSE ارزیابی شد. نتایج نشان داد که مدل XGBoost در پیش بینی بار گرمایشی با مقدار R² معادل ۰.۹۹۸ و RMSE معادل ۰.۴۴ در مجموعه آزمون، بهترین عملکرد را داشته است. همچنین، ترکیب خروجی دو مدل (Ensemble) منجر به بهبود نسبی دقت در هر دو خروجی گردید. استفاده از مکانیزم توجه در شبکه عصبی و انتخاب ویژگی مبتنی بر SHAP از نوآوری های اصلی این مطالعه به شمار می روند که نقش بسزایی در افزایش دقت مدل سازی ایفا کرده اند.

کلیدواژه ها:

بار انرژی ساختمان ، یادگیری ماشین ، مدل سازی مصرف انرژی ، XGBoost ، Attention