مدیریت انرژی ساختمان های هوشمند با استفاده از شبکه های عصبی گرافی

ساختمان ها نقش مهمی در مصرف انرژی جهانی دارند و حدود یک سوم انرژی مصرفی آن ها از منابع انرژی اولیه تامین می شود که شامل انرژی مصرفی برای گرمایش، تهویه و تبرید (HVAC)، روشنایی، پمپاژ آب و سایر نیازهای انرژی مرتبط با ساختمان است. با افزایش تقاضای انرژی و نگرانی های مربوط به منابع انرژی اولیه مانند نفت، گاز و زغال سنگ، و همچنین نیاز به حفظ آسایش ساکنین، مدیریت کارآمد انرژی در ساختمان ها به چالش بسیار مهمی تبدیل شده است. در همین راستا، الگوریتم های یادگیری ماشین به طور گسترده ای در پیش بینی مصرف انرژی ساختمان ها به کار می روند. این الگوریتم ها به طور عمومی توانایی پیش بینی مصرف انرژی کل ساختمان را دارند و قادر به پیش بینی مصرف انرژی هر ناحیه مستقل از یکدیگر نیستند، که منظور از ناحیه، هر بخشی از ساختمان است که سامانه مدیریت HVAC خود را داشته باشد. علاوه بر این، این الگوریتم ها اغلب ارتباط بین نواحی و تاثیر آن ها روی یکدیگر را نیز در نظر نمی گیرند. در این مقاله، یک رویکرد پیش بینی مصرف انرژی در ساختمان های هوشمند با استفاده از شبکه کانولوشن گرافی (GCN) ارائه شده است. در روش پیشنهادی، با مدل سازی یک ساختمان به صورت گراف، الگوی مصرف انرژی در نواحی مختلف آن ساختمان و همچنین تاثیر همسایگی این نواحی بر روی یکدیگر، به طور موثری در نظر گرفته می شوند. به منظور ارزیابی مدل GCN پیشنهادی، این روش با استفاده از مجموعه داده CUBEMS، که شامل مصرف انرژی نواحی مختلف یک ساختمان ۷ طبقه می باشد، آموزش داده شده است. نتایج آزمایش های انجام شده در این مقاله نشان می دهد که روش GCN پیشنهادی توانسته است در پیش بینی مصرف انرژی یک طبقه از ساختمان مورد نظر که دارای ۵ ناحیه است، تنها به میانگین مربع خطا (MSE) در حدود ۰.۶ منجر گردد.

کلیدواژه ها:

ساختمان های هوشمند ، مدیریت انرژی ساختمان ، پیش بینی مصرف انرژی ساختمان ، شبکه های عصبی گرافی ، شبکه های کانولوشن گرافی ، کارآیی انرژی