پیشبینی مصرف انرژی برای ساختمانهای مسکونی براساس رفتار ساکنانش با استفاده از روش شبکۀ عصبی هوش مصنوعی در شهر تبریز | ||
| فصلنامه سیستم های انرژی پایدار | ||
| دوره 4، شماره 1، زمستان 1403، صفحه 1-26 اصل مقاله (2.61 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/ses.2024.381731.1091 | ||
| نویسندگان | ||
| علی زینالی عظیم* 1؛ حامد پویافر2؛ بهناز امین نیری3؛ داود پایدار خیابانی4؛ آیدا مصطفیزاده بازرگان5 | ||
| 1پژوهشگر پسادکتری طراحی شهری، دانشکدۀ معماری و شهرسازی، دانشگاه تربیت دبیر شهید رجایی، تهران، ایران. | ||
| 2گروه معماری، واحد بینالمللی ارس، دانشگاه آزاد اسلامی، تبریز، ایران | ||
| 3گروه شهرسازی، تبریز، دانشگاه آزاد اسلامی، تبریز، ایران | ||
| 4دانشجوی دکتری معماری، واحد اهر دانشگاه آزاد اسلامی، اهر، ایران | ||
| 5دانشجوی کارشناسی ارشد، دانشکدۀ معماری، دانشگاه غیرانتفاعی رشیدیه، تبریز. ایران | ||
| چکیده | ||
| با پیشرفت تکنولوژی و افزایش قدرت محاسباتی، امکان تحلیل جامع دادههای کاربران با بهرهگیری از تکنیکهای دادههای بزرگ فراهم شده است. این تحقیق تلاش کرده تا اطلاعات کاربران را با ویژگیهای فیزیکی ساختمانهای مسکونی ترکیب کرده و تأثیر این عوامل بر مصرف انرژی را بررسی کند. تحلیل رگرسیون برای شناسایی دقیق تأثیر هر عنصر بر مصرف انرژی استفاده شد و تکنیک شبکۀ عصبی مصنوعی (ANN) برای مدلسازی و پیشبینی مصرف انرژی ورودی در ساختمانهای مسکونی به کار گرفته شد. نتایج نشان داد شش عامل اصلی شامل تعداد دیوارهای بیرونی، جهت ساختمان، مساحت مسکن، تعداد سالهای اشغالشده، تعداد اعضای خانواده و شغل سرپرست خانوار، در تمام فصلها تأثیر قابل توجهی بر مصرف انرژی دارند. بر اساس نتایج تحلیل رگرسیون، متغیرهای ورودی مناسب برای آموزش مدلهای ANN انتخاب شده و مدلهای پیشبینی مصرف انرژی با دقت زیاد بر اساس دادههای واقعی پیادهسازی شدند. این پژوهش نشان داد ترکیب دادههای کاربران و ویژگیهای فیزیکی ساختمانها و توجه به عوامل تأثیرگذار فصلی میتواند پیشبینی مصرف انرژی را به طور قابل توجهی بهبود بخشد. این نتایج تأکید میکنند که در تدوین سیاستهای کارآمد برای مدیریت مصرف انرژی، باید به تعامل بین ویژگیهای کاربران و ساختمانها توجه ویژهای شود تا امکان صرفهجویی انرژی و مدیریت بهینه فراهم شود. | ||
| کلیدواژهها | ||
| شبکه عصبی مصنوعی؛ پیشبینی مصرف انرژی؛ خانههای هوشمند؛ ذخیره انرژی؛ شهر تبریز | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 870 تعداد دریافت فایل اصل مقاله: 486 |
||