بررسی عملکرد الگوریتمهای مختلف به منظور پیش بینی بار حرارتی ساختمانهای مسکونی با استفاده از یادگیری ماشینی

افزایش مصرف انرژی در ساختمانها به ویژه توسط سیستمهای تهویه مطبوع (HVAC) چالش زیست محیطی مهمی است که نیازمند راهکارهای نوین است. این پژوهش به بررسی کاربرد الگوریتمهای یادگیری ماشینی برای پیشبینی بارهای گرمایشی و سرمایشی با استفاده از دیتاست Energy Efficiency (نمونه) (ویژگی از مخزن UCI پرداخته است. هدف، بهینه سازی مصرف انرژی و مقایسه عملکرد با مطالعه مرجع بود مدلهایی مانند Random Forest، XGBoost، و Logistic Regression با اعتبار سنجی ساده ارزیابی شدند. نتایج نشان داد که XGBoost با ۹۹۹. برای بار گرمایشی و ۹۹۹.. برای بار، سرمایشی و Logistic Regression با دقت ۹۸.۴۴٪ برای طبقه بندی عملکردی بهتر از مقادیر گزارش شده در مقاله مرجع (۰۹۱۵، دقت ۹۳.۳۶٪ دارند با این حال نبود متغیر دما در دیتاست محدودیتهایی ایجاد کرد. این یافته ها پتانسیل الگوریتمهای یادگیری ماشینی را برای کاهش مصرف انرژی در سال ۲۰۲۵ تایید میکند و پیشنهاد میشود تحقیقات آینده با دادههای اقلیمی غنی تر انجام شود.

کلیدواژه ها:

الگوریتم یادگیری ماشینی ، بهینه سازی ، پیش بینی ، سیستم تهویه مطبوع ، طبقه بندی انرژی