شناسايي و مدلسازي مصرف انرژي در يك ساختمان آموزشي: با رويكرد سيستم هاي هوشمند و روش هاي آماري

فاقد عنوان لاتين

اين پژوهش ميزان مصزف انرژي در يك ساختمان با كارايي آموزشي را مدل مي كند. اين موهم با استفاده از دو روش؛ اول روش هاي هوشمند (شبكه عصبي مصنوعي)، دوم روش هاي آماري (رگرسيون) دست خواهد يافت. شبكه عصبي مصنوعي مبتني بر روش هاي هوشمند مي باشد و با تقليد عملكرد مغز انسان قادر است تا پيچيده ترين سيستم هاي غير خطي را شناسايي و مدل كند. از سوي ديگر رگرسيون آماري در سيستم هاي كنترلي كه دقت بالايي در تخمين و شناسايي سيستم اصلي مورد نياز نيست و يا كنترلر از مقاومت بالايي برخوردار باشد، استفاده مي شود. الگوي مصرف انرژي توسط هر دو روش شبكه عصبي مصنوعي و رگرسيون آماري مدل شده و سپس با هم مقايسه مي گردد. دقت متوسط شناسايي سيستم توسط روش شبكه عصبي مصنوعي برابر با 86.5 درصد بوده كه حاكي قابليت اطمينان بالاي مدل مي باشد. نتايج همچنين نشانگر تاثير ورودي هاي شبكه عصبي از قبيل پارامترهاي محيطي (هواشناسي) و دروني (افراد ساكن) بر روند مصرف انرژي در ساختمان آموزش مي باشد.

This study models the energy consumption within an educational building. This aim would be achieved through two methodologies; first, intelligent system method e.g. Artificial Neural Networks (ANN), second, statistical method e.g. regression. ANN method relies on intelligent methods by mimicking the human brain’s function identify and models any sophisticated nonlinear system. On the other hand, regression methods are deployed in control systems that do not require accurate approximation or the controller robustness is vigorous. Energy consumption of the building is modeled via both the neural network and regression methods and then the results would be compared. The accuracy of up to 86.5% of the ANN method signifies the high reliability of the model. The results also indicate that the model inputs including ambient parameters (weather) and internal parameters (occupancy behavior) affect the building energy consumption.