26107

مديريت و بهينهسازي مصرف انرژي ساختمانها با استفاده از تكنيكهاي دادهكاوي

كارشناسي ارشد

مهندسي صنايع

1398

1400/06/31

جناب دكتر عبدالرحمن حائري

جناب دكتر مرتضي باقرپور

مهندسي صنايع

انرژيهاي تجديدناپذير فلسفه وجوديشان بر خاتمه دلالت دارد. هر چه فرايند مصرف اين نوع از انرژيها مدبرانه بررسي و مورد تامل قرار نگيرد نيز، فرجامي زودتر از موعود خواهد داشت. از طرفي موضوع كنترل و مديريت مصرف انرژي، مختص يك منطقه و مردمان يك جامعه نبوده و نخواهد بود. دولتها، ملتها و سازمانها بايستي دست به دست هم داده و در مديريت اين حوزه شريك وهمراه بشوند. با توجه به اهميت هنگفت مديريت و كاهش مصرف انرژي يا به عبارتي، استفاده بهينه از آن در سالهاي اخير، كشورهاي توسعه يافته را به سمت استفاده از فناوريهاي هوشمند سوق داده است. سيستمهاي مديريت انرژي يكي از موفقترين و ارزانترين روشهاي كاهش هزينهها و ميزان مصرف انرژي ميباشند. تجزيه و تحليل دادههاي خام و در نهايت تبديل آنها به اطلاعات و استفاده از دانش در پس آن اطلاعات، منجر به افزايش آگاهي سازمان شده و ديد مناسبي به ارمغان ميآورد. در حوزه انرژي نيز، به طور لحظهاي بر ميزان دادههاي منتج شده از مصرف، توليد، عرضه و تقاضا افزوده ميشود. حال اينكه استفاده از اين دادههاي خام، زمينهساز مديريت بهتر عرضه و تقاضاي انرژي خواهد بود. شاخهاي از انرژيها كه تجديدناپذير قلمداد ميشوند نيز، اهميت تجزيه و تحليل دادههاي منتج شده در اين حوزه را بيشتر ميكنند. به عبارتي ديگر، اگر در اين حوزه با دانش و آگاهي كافي، قدم برداشته نشود، ميتواند نتايج زيانباري براي آيندگان ناشي از فقدان و كافي نبودن ميزان انرژي، داشته باشد. دادهكاوي ابزاري قدرتمند براي كاوش دادهها و توليد پشتيباني خوب براي تصميمات، استراتژيها، برنامهريزيهاي عملياتي و تاكتيكي دولتها ميباشد. پيشبيني ميزان مصرف انرژي ساختمانها و تعيين ويژگيهاي موثر بر ميزان مصرف انرژي آنها از جمله كاركردهاي دادهكاوي در مديريت مصرف انرژي ميباشد. در اين پژوهش، از سه مجموعه داده مصرف انرژي ساختمانها كه جزو دادههاي ثانويه قلمداد ميشوند، استفاده شده است. در ابتدا به كمك تكنيك خوشهبندي، به گروهبندي ساختمانها و شناسايي ويژگي مشترك هر گروه از ساختمانها پرداخته شده است. سپس به كمك الگوريتم درخت تصميم و قواعد انجمني، قوانين قابل توجهي استخراج شده و بطور كلي عوامل موثر بر ميزان مصرف انرژي ساختمانها مشخص شده است. در نهايت با ارائه يك رويكرد جديد، سعي در بهبود يكي از نقاط ضعف الگوريتم خوشهبندي كامينز، شده است

1400/11/18

مديريت و بهينهسازي مصرف انرژي ساختمانها با استفاده از تكنيكهاي دادهكاوي

9/22/2022 12:00:00 AM

The issue of controlling and managing energy consumption is not and will not be specific to one region and the people of a society. Governments, nations and organizations must work together and work together to manage this area. The great importance of managing and reducing energy consumption, in other words, the optimal use of energy in recent years, has led developed countries to use intelligent technologies. Energy management systems are one of the most successful and inexpensive ways to reduce costs and energy consumption. In the field of energy, the amount of data resulting from consumption, production, supply and demand is instantaneously increasing. In addition, the use of this raw data will pave the way for better management of energy supply and demand. Data mining is a powerful tool for data mining and generating good support for governments' decisions, strategies, operational and tactical plans. Predicting the energy consumption of buildings and determining the characteristics affecting their energy consumption are among the functions of data mining in energy consumption management. In this study, three datasets of energy consumption of buildings, which are considered as secondary data, have been used. First, the clustering technique is used to group the buildings and identify the common feature of each group of buildings. Then, using the decision tree algorithm and association rule mining, significant rules are extracted and the factors affecting the energy consumption of buildings are identified. Finally, by presenting a new approach, an attempt has been made to improve one of the weaknesses of the K-Means clustering algorithm.

دادهكاوي , مديريت مصرف انرژي , خوشه بندي , دسته بندي , قواعد انجمني

Data mining , energy consumption management , clustering , classification , association rule mining

سعيد بيرمي

سعيد بيرمي