پیش بینی مصرف انرژی گرمایشی ساختمان با استفاده از یادگیری ماشین و تحلیل عوامل موثر در مدیریت هوشمند انرژی

افزایش مصرف انرژی در ساختمان ها و ضرورت توسعه راهکارهای مدیریت هوشمند انرژی، پیش بینی دقیق بار گرمایشی را به یکی از موضوعات مهم پژوهشی تبدیل کرده است. در این پژوهش یک چارچوب مبتنی بر یادگیری ماشین برای پیش بینی بار گرمایشی ساختمان ها با استفاده از دیتاست استاندارد Energy Efficiency از مخزن UCI Machine Learning Repository ارائه شده است. این مجموعه داده شامل ۷۶۸ نمونه ساختمان و ۸ ویژگی مرتبط با هندسه و مشخصات فیزیکی ساختمان است. پس از پیش پردازش داده ها، مدل جنگل تصادفی Random Forest با ۲۰۰ درخت تصمیم آموزش داده شد و عملکرد آن با معیارهای MAE، RMSE و ضریب تعیین (R²) ارزیابی گردید. نتایج نشان داد که مدل پیشنهادی با دستیابی به MAE برابر با ۰.۳۵۵، RMSE برابر با ۰.۴۹۳ و R² برابر با ۰.۹۹۷۷ دقت بسیار بالایی در پیش بینی بار گرمایشی دارد. همچنین تحلیل اهمیت ویژگی ها نشان داد که فشردگی نسبی ساختمان و ارتفاع ساختمان بیشترین تاثیر را بر بار گرمایشی دارند. یافته های این پژوهش می تواند در طراحی ساختمان های کم مصرف، بهینه سازی انرژی و توسعه سیستم های مدیریت هوشمند انرژی مورد استفاده قرار گیرد.

کلیدواژه ها:

بار گرمایشی ، یادگیری ماشین ، جنگل تصادفی ، ساختمان کم مصرف ، مدیریت هوشمند انرژی ، بهره وری انرژی