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

سال انتشار: 1404
محل انتشار: سیزدهمین همایش ملی محیط زیست، انرژی و منابع طبیعی
کد COI اختصاصی: ECONF13_043
زبان مقاله: فارسی
تعداد مشاهده: 87

نویسندگان

دانشجوی کارشناسی ارشد مهندسی شیمی گرایش مهندسی انرژی دانشگاه شیراز

استادیار بخش مهندسی گاز دانشکده مهندسی شیمی نفت و گاز، دانشگاه شیراز

چکیده

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

مقالات مرتبط جدید

اطلاعات بیشتر در مورد COI

COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.

کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.