فراتحلیلی بر استفاده از ابزار یادگیری ماشین آماری جهت تخمین کمی دقیق از عملکرد انرژی ساختمان های مسکونی

یادگیری ماشینی (به انگلیسی : (Machine learning یاامال (اختصاری (ML، مطالعه الگوریتم ها و مدلهای آماری مورد استفاده سیستم های کامپیوتری است که به جای استفاده از دستورالعمل های واضح ، از الگوها و استنباط برای انجام وظایف استفاده می کنند. یادگیری ماشینی علمی است که باعث می شود رایانه ها بدون نیاز به یک برنامه صریح در مورد یک موضوع خاص یاد بگیرند. به عنوان زیر مجموعه ای از هوش مصنوعی ، الگوریتمهای یادگیری ماشینی یک مدل ریاضی بر اساس دادههای نمونه یا دادههای آموزش به منظور پیش بینی یا تصمیم گیری بدون برنامه ریزی آشکار، ایجاد می کنند. ساختمان ها مصرف کننده ۴۰% از انرژی اولیه در جهان می باشند و تقربای انتشار دهنده یک سوم از گازهای گلخانه ای (GHG) نیز هستند. پیش بینی میزان مصرف انرژی در آینده برای مدیریت بهینه تامین و مصرف انرژی در این حوزه از اهمیت بسیاری برخوردار است . علاوه بر آمادگی و برنامه ریزی برای مدیریت میزان تقاضای انرژی می توان عوامل موثر بر میزان مصرف انرژی را شناسایی و با ارائه راهکارهای معمارانه در جهت کاهش این عوامل در ساختمان های مسکونی اقدام نمود. پیش بینی میزان مصرف انرژی بسیار چالش برانگیز است زیرا اغلب از الگوهای غیرخطی پیچیده پیروی می کند و همچنین دارای متغیرهای تاث یرگذار مختلفی از جزئیات فیزیک ساختمان، رفتار ساکنین و تجهیزات گرمایشی و سرمایشی می باشد، ازاین رو تکنیک های پیش بینی آماری سنتی برای دستیابی به پیش بینی های دقیق انرژی بسیار ضعیف عمل می کنند. در سال های اخیر قدرت ودقت محاسبات پیچیده و تحلیل داده های واقعی با استفاده از یادگیری ماشین (Machine Learning) بهبود یافته است . بسیاری از تکنیک های یادگیری ماشین قادر به تحلیل الگوهای غیرخطی داده ها هستند که این امر موجب تهیه مدل مناسبی برای پیش بینی مصرف انرژی می شود. ما یک چارچوب یادگیری ماشین آماری به منظور بررسی اثر هشت متغیر ورودی (فشردگی نسبی ، مساحت سطح ، سطح دیوار، منطقه (مساحت ) سقف ، ارتفاع کلی ، جهت گیری ، منطقه جداره، توزیع مساحت جداره) بر دو متغیر خروجی ، یعن ی بار گرمایشی ( HL) و بار خنک کننده (CL) از ساختمان های مسکونی را توسعه داده ایم . ما به طور سیستماتیک قدرت ارتباط هر متغیر ورودی با هر یک از متغیرهای خروجی را با استفاده از انواع ابزار تجزیه و تحلیل آماری کلاسیک و غیر پارامتری ، به منظور شناسایی متغیرهای ورودی به شدت مرتبط را بررسی می کنیم . سپس ، یک رویکرد کلاسیک رگرسیون خطی در مقابل حالتی قدرتمند از هنر روش غیر پارامتری غیر خطی ، جنگل تصادفی ، به منظور برآورد HL و CL مقایسه می کنیم . شبیه سازی های گسترده ای در ۷۶۸ ساختمان مسکونی متنوع نشان می دهد که می توانیم HL و CL را با میانگین انحراف خطای مطلق کم از راستی آزمایی زم ین که با استفاده از Ecotect (بترتیب ۵۱.۰ و ۴۲.۱) بنا نهاده شده را پیش بینی کنیم . نتایج حاصل از این مطالعه امکان استفاده از ابزار یادگیری ماشین به منظور برآورد پارامترهای ساختمان به عنوان یک روش مناسب و دقیق را حمایت می کنند، تا زمانی که سوالات خواسته شده به داده هایی که واقعا در وهله اول برای آموزش مدل ریاضی استفاده شده است ، شباهت داشته باشد.

Keywords:

کنتور هوشمند , ساختمان ارزیابی انرژی , بار گرمایش , بار خنک کننده , آمار غیر پارامتری , یادگیری ماشین آماری