مدل سازی و پیش بینی مصرف انرژی در واحدهای صنعتی با رویکردی ترکیبی از تحلیل آماری کلاسیک و الگوریتم های یادگیری ماشین

در این مقاله، یک چارچوب ترکیبی برای مدل سازی و پیش بینی مصرف انرژی در واحدهای صنعتی ارائه می شود که از تلفیق تکنیک های تحلیل آماری کلاسیک و الگوریتم های یادگیری ماشین بهره می برد. در گام نخست، با استفاده از روش هایی همچون تحلیل روند، رگرسیون خطی چندگانه و بررسی همبستگی، مهم ترین ویژگی ها و پارامترهای موثر بر الگوی مصرف انرژی شناسایی و انتخاب می شوند. این پارامترها شامل عوامل عملیاتی، زمانی، محیطی، فنی و داده های تاریخی هستند که به صورت جامع و چندبعدی ساختار یافته اند. در ادامه، مدل های پیش بینی بر اساس الگوریتم های یادگیری ماشین از جمله Random Forest، XGBoost و شبکه های عصبی مصنوعی توسعه داده می شوند تا روابط غیرخطی و پیچیده میان پارامترها و میزان مصرف انرژی به دقت مدل سازی شوند. نتایج تجربی حاصل از اعمال مدل ها بر داده های واقعی یک واحد صنعتی نشان می دهد که رویکرد ترکیبی پیشنهادی، علاوه بر حفظ قابلیت تفسیرپذیری مدل های آماری، دقت پیش بینی را به طور چشم گیری افزایش می دهد. همچنین، این چارچوب قابلیت پیاده سازی در سیستم های مدیریت انرژی (EMS) را داشته و می تواند در تصمیم سازی لحظه ای، بهینه سازی مصرف انرژی و کاهش هزینه های عملیاتی در صنایع مختلف مورد استفاده قرار گیرد.

کلیدواژه ها:

یادگیری ماشین ، مدل سازی انرژی ، الگوریتم جنگل تصادفی ، داده کاوی