20725

20725

ارزيابي مصرف انرژي الكتريكي ساختمان هاي شهرداري اصفهان با رويكرد داده كاوي

كارشناسي ارشد

مهندسي صنايع

1395

1398/01/28

دكتر روزبه قوسي

دكتر احمد ماكوئي

صنايع

با رشد مصرف انرژي در جهان و سهم قابل¬توجهي كه بخش ساختمان از مصرف انرژي به خود اختصاص داده است، نگراني¬ها در خصوص كمبود ذخاير انرژي و مشكلات مربوط به عرضه انرژي و آلودگي¬هاي زيست‌محيطي افزايش‌يافته است و توجه زيادي را براي ارتقاي بهره¬وري در اين بخش به خود جلب كرده است .استفاده از فرصت¬هاي موجود براي كاهش مصرف انرژي در ساختمان¬ها تا حد زيادي به كاهش مصرف انرژي كمك مي¬كند. همچنين اعتدال در مصرف انرژي در بخش ساختمان موجب كاهش انتشار گازهاي گلخانه¬اي و آلودگي ناشي از احتراق گازهاي فسيلي مي¬شود كه منفعت فراواني را به دنبال دارد. داده¬هاي ساختمان مي¬توانند اطلاعات مفيد فراواني در مورد ارتباط مصرف انرژي و فاكتورهاي مؤثر بر آن در اختيار ما قرار دهند. اين ارتباطات نقش مهمي در توسعه و اجراي استراتژي¬هاي كنترلي جهت بهبود مصرف ساختمان ايفا مي¬كنند. با اين ‌وجود، اغلب به دليل نبود ابزارها و تكنيك¬هاي مؤثر، داده¬ها به‌ندرت تجزيه‌وتحليل شده و دانش مفيد از آن‌ها استخراج مي¬گردد. در اين پژوهش داده¬كاوي (دسته‌بندي و خوشه‌بندي) جهت استخراج دانش مفيد و مخفي از داده¬هاي عملياتي و فيزيكي ساختمان¬هاي شهرداري اصفهان، با هدف بهبود مصرف انرژي پيشنهاد شده است. متدولوژي استفاده شده در اين تحقيق، متدولوژي كريسپ بوده كه يكي از مدل¬هاي موفق كشف دانش و داده¬كاوي است. در قسمت مدل¬سازي، ابتدا از روش خوشه¬بندي براي كشف الگوي مصرف انرژي در ساختمان¬ها استفاده شده و ساختمان¬ها به دو خوشه كم¬مصرف و پرمصرف تقسيم شدند. نتايج نشان مي-دهد كه اين روش مي¬تواند عوامل مؤثر بر مصرف انرژي الكتريكي را نيز از طريق تجزيه‌وتحليل ويژگي¬هاي ساختمان¬هاي موجود در هر خوشه شناسايي نمايد. از روش¬هاي دسته¬بندي براي ايجاد مدل پيش¬بيني مصرف انرژي الكتريكي ساختمان¬ها و شناسايي و رتبه¬بندي عوامل مؤثر بر مصرف انرژي الكتريكي استفاده شد. نتايج نشان مي‌دهد كه الگوريتم درخت تصميم استفاده شده در اين پژوهش مي‌تواند ميزان مصرف انرژي الكتريكي ساختمان¬ها را با دقت 89٪ پيش¬بيني كند و الگوريتم شبكه عصبي مصنوعي عوامل تأثيرگذار بر مصرف انرژي الكتريكي را با دقت 95٪ شناسايي و رتبه‌بندي نمايد.

1398/04/23

Evaluating electrical energy in municipality buildings of Isfahan with data mining approach

4/17/2019 12:00:00 AM

With increasing energy consumption in the world and the significant share of building sector in energy consumption, concerns about the lack of energy supply and environmental pollution problems have increased, and a lot of attention has been paid to improving the efficiency in this sector. Using existing opportunities to reduce energy consumption in buildings will greatly reduce energy consumption. Also, moderation in energy consumption in the building sector will reduce greenhouse gas emissions and pollution caused by combustion of fossil fuels, which has significant benefits. Building data can provide abundant useful knowledge about the interactions between building energy consumption and its influencing factors. Such interactions play a crucial role in developing and implementing control strategies to improve building energy performance. However, the data is rarely analyzed and this useful knowledge is seldom extracted due to a lack of effective data analysis techniques. In this research, data mining (classification and cluster analysis) is proposed to extract hidden useful knowledge from operational and physical building-related data of Isfahan municipality buildings with the aim of improving energy performance. Cluster analysis was used to develop a methodology for discovering energy consumption pattern in buildings. The results show that the methodology can identify significant factors of building electrical energy by Building energy Consumption pattern analysis also identify worst-performance buildings. Classification analysis was applied to develop a methodology for establishing building energy demand predictive models and identify and rank significant factors of building electrical energy. The results demonstrate that the methodology can classify and predict the building electrical energy demand levels with a high accuracy of 89%.