پیش بینی مصرف انرژی در خانه های هوشمند با استفاده از یادگیری ماشین و تحلیل داده های محیطی و اشغال فضا

در سال های اخیر، توسعه ی خانه های هوشمند و افزایش مصرف انرژی در ساختمان ها، پژوهش های گسترده ای را در زمینه ی پیش بینی و بهینه سازی مصرف انرژی با بهره گیری از الگوریتم های هوش مصنوعی به دنبال داشته است. هدف این پژوهش، بررسی و مقایسه ی دو الگوریتم پرکاربرد یادگیری ماشین و یادگیری عمیق، جنگل تصادفی (Random Forest) و شبکه عصبی حافظه دار بلندمدت (LSTM)، در پیش بینی مصرف انرژی در خانه های هوشمند است. برای این منظور، از داده های واقعی جمع آوری شده از حسگرهای محیطی شامل دما، رطوبت، شدت نور، غلظت CO₂ و حضور افراد استفاده شده است. داده ها پس از پیش پردازش و آماده سازی، برای آموزش و ارزیابی مدل ها وارد مرحله آموزش و ارزیابی شدند. نتایج نشان داد مدل LSTM به دلیل توانایی در یادگیری وابستگی های زمانی میان داده ها، عملکرد دقیق تری نسبت به مدل های یادگیری کلاسیک دارد و حدود ۱۳ درصد بهبود دقت در پیش بینی مصرف انرژی نسبت به مدل های گذشته ارائه می دهد. یافته های پژوهش حاضر بیانگر آن است که مدل های یادگیری عمیق می توانند نقش موثری در بهینه سازی مصرف انرژی و تصمیم گیری هوشمند در خانه های هوشمند ایفا کنند.

کلیدواژه ها:

خانه هوشمند ، بهینه سازی مصرف انرژی ، یادگیری ماشین ، شبکه عصبی LSTM ، جنگل تصادفی