33167

پيشبيني و اولويت‌بندي عوامل موثر بر مصرف انرژي در ساختمان با استفاده از تكنيك‌هاي يادگيري ماشين و الگوريتم‌هاي تصميم‌گيري چند معياره

كارشناسي ارشد

مهندسي سيستم‌هاي انرژي- تكنولوژي انرژي

1400

1403/11/16

روح الله احمدي

/

فناوري‌هاي نوين

ساختمان‌ها سهم قابل‌توجهي در مصرف انرژي و انتشار گازهاي گلخانه‌اي دارند، به‌طوري‌كه 39٪ از انرژي و 38٪ از گازهاي گلخانه‌اي جهاني را به خود اختصاص مي‌دهند. اين موضوع باعث بروز مشكلات زيست‌محيطي نظير تغييرات اقليمي و آلودگي شده و اهميت بهره‌گيري از استراتژي‌هاي بهينه‌سازي و مديريت مصرف انرژي را نشان مي‌دهد. افزايش جمعيت و شهرنشيني تقاضاي ساخت‌وساز و مصرف انرژي را تشديد كرده است. پيش‌بيني مصرف انرژي ساختمان‌ها نه‌تنها به بهبود عملكرد انرژي و كاهش انتشار كربن كمك مي‌كند، بلكه نقشي حياتي در برنامه‌ريزي و مديريت پايدار دارد. پژوهش حاضر با هدف پيش‌بيني و اولويت‌بندي عوامل مؤثر بر مصرف انرژي ساختمان‌ و با تركيب روش‌هاي يادگيري ماشين و تصميم‌گيري چندمعياره انجام شد. به اين منظور، پلان يك ساختمان اداري واقع در مهرآباد تهران در نرم‌افزار اسكچ‌آپ طراحي شد و شبيه‌سازي ساختمان با تمامي جزئيات در نرم‌افزار انرژي پلاس انجام گرفت. سپس، براي توليد داده‌هاي پارامتريك، از نرم‌افزار JE+ استفاده شد و مجموعه‌اي شامل 4200 داده ماهانه ايجاد گرديد. براي انتخاب ويژگي‌هاي مؤثر، از رگرسيون لاسو استفاده شد كه نرخ نفوذ هوا و ضريب انتقال حرارت سقف را به دليل تأثير ناچيز در پيش‌بيني حذف كرد. در ادامه، با استفاده از شش ويژگي باقي‌مانده، الگوريتم‌هاي گراديان بوستينگ، جنگل تصادفي و ماشين بردار پشتيبان براي پيش‌بيني مصرف انرژي به كار گرفته شدند. الگوريتم گراديان بوستينگ با ميزان خطاي RMSE برابر با 215.62 و R2 برابر با 0.99 به‌عنوان دقيق‌ترين مدل انتخاب شد. در بخش تحليل حساسيت، برخلاف يادگيري ماشين كه از ويژگي‌هاي منتخب استفاده كرده بود، تمامي هشت ويژگي اوليه در دو روش SHAP و تحليل سلسله مراتبي بررسي شدند. نتايج SHAP نشان داد كه نرخ بار روشنايي،نرخ بار تجهيزات الكتريكي، و ست پوينت سرمايشي تأثيرگذارترين عوامل هستند، در حالي كه در تحليل سلسله مراتبي ويژگي‌هايي مانند نرخ حضور افراد، نرخ بار روشنايي و نرخ بار تجهيزات الكتريكي، را با اهميت بيشتري شناسايي كرد. اين پژوهش نشان داد كه تركيب روش‌هاي يادگيري ماشين و تحليل سلسله مراتبي مي‌تواند رويكردي جامع براي پيش‌بيني و اولويت‌بندي عوامل مؤثر بر مصرف انرژي ارائه دهد و به مديريت و بهره‌وري مصرف انرژي ساختمان‌هاي كم‌مصرف كمك كند.

1403/12/28

Predicting and prioritizing factors affecting energy consumption in building using machine learning techniques and multi-criteria decision-making algorithms

2/5/2026 12:00:00 AM

Buildings have a significant share in energy consumption and greenhouse gas emissions, accounting for 39% of global energy and 38% of global greenhouse gases. This issue leads to environmental problems such as climate change and pollution, highlighting the importance of utilizing energy optimization and management strategies. The increase in population and urbanization has intensified the demand for construction and energy consumption. Predicting the energy consumption of buildings not only helps improve energy performance and reduce carbon emissions but also plays a vital role in sustainable planning and management. The present study was conducted with the aim of predicting and prioritizing the factors affecting building energy consumption by combining machine learning methods and multi-criteria decision-making. For this purpose, the plan of an office building located in Mehrabad, Tehran was designed in SketchUp software, and the building was simulated with all details in EnergyPlus software. Then, to generate parametric data, the JE+ software was used, and a set of 4,200 monthly data points was created. For feature selection, Lasso regression was used, which eliminated the air infiltration rate and the roof heat transfer coefficient due to their negligible impact on the prediction. Next, using the six remaining features, the algorithms of gradient boosting, random forest, and support vector machine were employed to predict energy consumption. The gradient boosting algorithm, with an RMSE error of 215.62 and an R2 of 0.99, was selected as the most accurate model. In the sensitivity analysis section, unlike machine learning which used selected features, all eight initial features were examined using the SHAP and hierarchical analysis methods. The SHAP results showed that the lighting load rate, electrical equipment load rate, and cooling set point are the most influential factors, while the hierarchical analysis identified features such as the occupancy rate, lighting load rate, and electrical equipment load rate with greater importance. This research showed that the combination of machine learning methods and hierarchical analysis can provide a comprehensive approach for predicting and prioritizing factors affecting energy consumption and help in the management and efficiency of energy use in low-energy buildings.

پيشبيني مصرف انرژي , ساختمان , انرژي پلاس , يادگيري ماشين , اولويت‌بندي , تحليل سلسله مراتبي

Energy consumption Predicting , building , EnergyPlus , Machine Learning , Prioritization , Analytic Hierarchy Process

Mohsen Ghorbani

Dr. Roohollah Ahmadi