پیشبینی انرژی سرمایشی ساختمانهای مسکونی در اقلیم گرم و مرطوب با استفاده از یادگیری جمعی

با توجه به تغییرات اقلیمی و انتشار گازهای گلخانه ای، بخش ساختمان به عنوان مصرف کننده ۳۴ درصد انرژی جهان نیازمند بهبود بهره وری انرژی است. در ایران، بسیاری از ساختمان های موجود فاقد الزامات حداقلی انرژی بوده و بهسازی آن ها می تواند مصرف انرژی را کاهش دهد. این امر ضرورت استفاده از روش های پیش بینی دقیق انرژی را برجسته می کند. در این راستا، روشهای هوش مصنوعی نتایج امیدوار کنندهای به عنوان مدل پیشبینی انرژی ساختمان نشان دادهاند. با وجود تحقیقات متعدد، خلا پژوهشی در مقایسه جامع رویکردهای یادگیری جمعی برای انرژی سرمایشی در اقلیم گرم و مرطوب با تمرکز بر بهسازی وجود دارد. هدف این تحقیق، بررسی عملکرد الگوریتم های یادگیری جمعی در پیش بینی انرژی سرمایشی ساختمان های مسکونی در چنین اقلیمی است. برای این منظور، دیتاستی ۱۰۰۰ نمونه ای با استفاده از نرم افزار انرژیپلاس ایجاد شد. مدل های یادگیری جمعی با بهینه سازی هایپرپارامترها با روش جستجوی شبکهای توسعه یافتند. نتایج نشان داد مدل استکینگ با RMSE برابر ۳۶/۹۰ و MAPE برابر ۴۹/۰ درصد بهترین عملکرد را دارد و تقویت گرادیان شدید (XGB) در رتبه دوم قرار گرفت. مدل های آدابوست، درخت تصادفی و بگینگ (بر پایه درخت تصمیم) به ترتیب عملکرد ضعیف تری نشان دادند، که این برتری استکینگ به قابلیت ترکیب مدل های متنوع پایه نسبت داده می شود. تحلیل نمودارهای باقیمانده نیز توزیع متمرکز خطاها را برای مدل های برتر (استکینگ و XGB) تایید کرد، که نشان دهنده پایداری بالاتر پیش بینی ها است.

کلیدواژه ها:

پیشبینی انرژی ساختمان ، یادگیری ماشین ، یادگیری جمعی ، انرژیپلاس