ارائه یک مدل ترکیبی مبتنی بر یادگیری عمیق برای پیش بینی الگوی مصرف انرژی در ساختمان های هوشمند

گسترش روزافزون حسگرهای اینترنت اشیاء در ساختمان های هوشمند مجموعه داده های عظیمی را تولید کرده است که میتوان از آنها برای بهینه سازی مدیریت انرژی بهره برد. با این حال مدل های پیش بینی سنتی اغلب در شناسایی وابستگی های پیچیده و غیر خطی سری های زمانی موجود در داده های مصرف انرژی ناتوان هستند که این امر منجر به تصمیم گیری های زیر بهینه در سیستم های اتوماسیون ساختمان می شود. هدف این پژوهش، توسعه یک چارچوب جدید یادگیری عمیق ترکیبی است که شبکه های عصبی کانولوشنی را برای استخراج خودکار ویژگی از داده های چندمتغیره سری زمانی و شبکه های حافظه کوتاه مدت طویل را برای پیش بینی دقیق توالی ها یکپارچه می سازد. روش شناسی پیشنهادی شامل پیش پردازش داده های واقعی مصرف انرژی جمع آوری شده از یک ساختمان تجاری شامل متغیرهایی نظیر دما، رطوبت، نرخ اشغال و توان مصرفی تاریخی است. سپس مدل CNN-LSTM آموزش دیده و در مقابل الگوریتم های مرجعی مانند جنگل تصادفی، رگرسیون بردار پشتیبان و مدل های LSTM مستقل اعتبارسنجی می شود. نتایج آزمایش ها نشان می دهد که مدل ترکیبی پیشنهادی به طور معناداری عملکرد بهتری نسبت به روش های موجود داشته و به ترتیب خطای جذر میانگین مربعات و میانگین درصد خطای مطلق را حدود ۱۵ و ۱۲ درصد کاهش می دهد. یافته ها حاکی از آن است که تلفیق CNN برای مهندسی ویژگی و LSTM برای مدل سازی، زمانی ابزاری مقاوم و قابل اعتماد برای مدیران تاسیسات فراهم می آورد. در نتیجه این تحقیق به توسعه راهبردهای مدیریت انرژی پیش فعال کمک کرده که مستقیما کارایی عملیاتی را افزایش و اهداف پایداری را در راستای ابتکارات شهرهای هوشمند پشتیبانی می نماید.

کلیدواژه ها:

یادگیری عمیق ، مصرف انرژی ، ساختمان های هوشمند ، پیش بینی ، سری زمانی ، داده های اینترنت اشیاء