4 . نتایج و بحث

برآوردهای دقیق مصرف انرژی ساختمان برای عملیات کارآمد ساختمان، شناسایی و تشخیص مسائل و مدیریت سمت تقاضا حیاتی است. این کار یک مکانیسم توجه دوگانه تکاملی را با یک الگوریتم LSTM ترکیب کرد تا یک مدل ترکیبی منحصر به فرد برای پیش‌بینی مصرف انرژی ساختمان بهتر ایجاد کند. اتصالات غیرخطی پیچیده ممکن است به طور کامل توسط مدل پیشنهادی مدل‌سازی شوند، که تعمیم‌پذیری عالی و سرعت یادگیری پارامتر سریع دارد. عملکرد پیش بینی را می توان با استفاده از یک مدل LSTM با مکانیزم توجه دو لایه بهبود بخشید. داده های مصرف انرژی ساختمان با استفاده از مدل مورد تجزیه و تحلیل قرار خواهد گرفت.

توضیحات مجموعه داده:

برنامه ریزی بهتر و مصرف انرژی موثرتر ممکن است با برآوردهای دقیق تر از تقاضای انرژی ساختمان حاصل شود. در نتیجه، هدف پیش‌بینی میزان مصرف انرژی با توجه به اطلاعات زیر است: بیش از 260 ساختمان در این سری زمانی داده‌های مصرف گنجانده شده‌اند. -obs id – یک شناسه دلخواه برای مشاهده. شناسه تصادفی برای شناسایی مشاهدات. یک شماره شناسه تصادفی ساختمان که با مجموعه داده‌ها سازگار است – SiteId است. نشانگر یک سری زمانی پیش‌بینی با رشته – ForecastId (که می‌تواند با فایل ارسالی مطابقت داده شود) نشان داده می‌شود. تاریخ و زمان – تاریخ و زمان این اندازه گیری. مصرف ساختمان را بر حسب ارزش آن اندازه گیری کنید. این مجموعه داده شامل اندازه گیری دما از چندین ایستگاه نزدیک است. داده‌های دما در صورت امکان از ایستگاه‌هایی در شعاع 30 کیلومتری هر مکان به‌دست آمد. https://www.kaggle.com/datasets/arashnic/building-sites-power-consumption-dataset

(i) نسبت مصرف انرژی (%)

با هوش مصنوعی (AI)، ساختمان‌های با انرژی کارآمد ممکن است با افزایش صرفه‌جویی در انرژی، ساده‌سازی تولید در محل، شناسایی و کاهش خطاهای عملیاتی، و مدیریت و اطمینان از اینکه صرفه‌جویی در مصرف انرژی ادامه خواهد یافت، توسعه یابند. یکپارچه‌سازی گزارش‌های پیشرفته، تشخیص‌های گرافیکی روی برد و اتصال ابری، مزایای هدف برای حداکثر صرفه‌جویی در انرژی را تضمین می‌کند. مدیریت ساختمان هایی با سیستم های کنترلی زیاد دشوارتر و در نتیجه گران تر هستند. شکل 9 نسبت مصرف انرژی (%) را بر اساس معادله بیان می کند.  (7) با مجموعه داده https://www.kaggle.com/datasets/arashnic/building-sites-power-consumption-dataset برای دستیابی به 15.7%.

این تحقیق یک سیستم کاربرپسند را ارائه می‌کند که شامل داده‌های بسیاری از حسگرها، کاربران، فرآیندها، سیستم‌های مدیریت انرژی و چند محرک برای به حداقل رساندن مصرف برق و افزایش راحتی کاربر است. ورودی های سنسورهای دما و کیفیت هوا و همچنین تنظیمات انتخابی کاربر برای بهبود پارامترها استفاده می شود. سنسورها برای جمع آوری داده ها از پلت فرم نظارت بر مصرف انرژی استفاده شدند. با استفاده از فناوری‌های هوش مصنوعی با رویکرد تحول دیجیتال، بازده انرژی کلی ساختمان بهبود می‌یابد در حالی که هزینه‌های عملیاتی کاهش می‌یابد. تحول دیجیتال مستلزم تغییر در فرهنگ کاری و پذیرش فرآیندهای جدید در نتیجه پیشرفت های فناوری است. افراد باید با یادگیری مهارت ها و شایستگی های جدید برای بهبود عملکرد خود برای این تغییر آماده شوند. کاهش تقاضای انرژی با این کاهش در انتشار گازهای گلخانه ای همراه است. ساختمان های هوشمند می توانند محیط زیست را حفظ کنند و در عین حال هزینه های عملیاتی ساختمان را کاهش دهند و بهره وری انرژی را در محیط های شهری افزایش دهند.

شکل 9 . نسبت مصرف انرژی (%).