پایداری | متن کامل رایگان | مدل پیش‌بینی مصرف انرژی با استفاده از یادگیری ماشین: مطالعه موردی ساختمان‌های مسکونی در آفریقای جنوبی - شهرساز | سایت تخصصی شهرسازی با هوش مصنوعی | شهرساز

بهترین آموزش های کاربردی در شهرسازی

بهترین آموزش های کاربردی در شهرسازی را از Urbanity.ir بخواهید

اهمیت توسعه صادرات مصالح ساختمانی در اقتصاد ملی

ادامه ...

خبر مهم: آخرین تمدید مهلت ارسال مقالات و اخذ امتیازات کامل پژوهشی فقط تا ۳۱خرداد…

ادامه ...

Saturday, 15 June , 2024
امروز : شنبه, ۲۶ خرداد , ۱۴۰۳

آخرین اخبار »

شناسه خبر : 16396

ارسال

پرینتخانه » مقالات تاریخ انتشار : 22 می 2024 - 3:30 | 12 بازدید | ارسال توسط : riazat

پایداری | متن کامل رایگان | مدل پیش‌بینی مصرف انرژی با استفاده از یادگیری ماشین: مطالعه موردی ساختمان‌های مسکونی در آفریقای جنوبی

۱٫ معرفی بر اساس گزارش آژانس بین المللی انرژی (IEA)، انتظار می رود مصرف کلی انرژی در آفریقا بین سال های ۲۰۱۹ تا ۲۰۴۰ ۶۰ درصد افزایش یابد، در حالی که تقاضا برای ساختمان های مسکونی از سال ۲۰۱۰ ۷۰ درصد افزایش یافته است. [۱]. آفریقای جنوبی بیشترین مصرف انرژی را در کشورهای جنوب صحرای […]

۱٫ معرفی

بر اساس گزارش آژانس بین المللی انرژی (IEA)، انتظار می رود مصرف کلی انرژی در آفریقا بین سال های ۲۰۱۹ تا ۲۰۴۰ ۶۰ درصد افزایش یابد، در حالی که تقاضا برای ساختمان های مسکونی از سال ۲۰۱۰ ۷۰ درصد افزایش یافته است. [۱]. آفریقای جنوبی بیشترین مصرف انرژی را در کشورهای جنوب صحرای آفریقا دارد [۱]. ترکیب تولید برق آفریقای جنوبی تحت سلطه نیروگاه های زغال سنگ است که تقریباً ۸۵ درصد از کل ظرفیت تولید را تشکیل می دهند. ۱۵ درصد باقیمانده شامل نیروگاه های هسته ای، برق آبی، خورشیدی و بادی است. این تعادل، اتکای کشور به زغال سنگ برای تولید برق را برجسته می کند، که پیامدهایی برای پایداری و نیاز به پیش بینی دقیق مصرف انرژی دارد. همانطور که توسط سرویس آمار آفریقای جنوبی گزارش شده است، ساختمان های مسکونی و تجاری بزرگترین بخش مصرف انرژی اولیه را تشکیل می دهند. [۲]. در دسترس بودن برق به طور مداوم به عنوان یک ستون اساسی جامعه مدرن عمل کرده است و پایه و اساس رشد اقتصادی، پیشرفت تکنولوژیکی و بهبود کلی در کیفیت زندگی را فراهم می کند. [۳]. مدیریت و تامین برق با چالش‌های مداومی مواجه است، به ویژه در آفریقا، جایی که کاهش بار در بسیاری از مناطق به یک مسئله مهم تبدیل شده است. آفریقای جنوبی در حال حاضر با چالش مهمی در قالب کاهش بار مکرر مواجه است. این بحران تأثیر مخربی بر ساختمان‌های مسکونی می‌گذارد و باعث اختلال در روال‌های روزمره می‌شود و نگرانی‌هایی را در مورد دوام طولانی‌مدت تامین انرژی ایجاد می‌کند. در این زمینه، اهمیت پیش‌بینی دقیق مصرف انرژی را نمی‌توان نادیده گرفت. این پتانسیل قابل توجهی برای کاهش اثرات منفی کاهش بار و تسهیل تصمیم گیری آگاهانه دارد.

کاهش بار در آفریقای جنوبی یک موضوع چندوجهی است که فراتر از وقفه در تامین برق است. این شامل پیامدهای اقتصادی است [۴]، نگرانی های امنیتی [۵]، و پتانسیل برای از دست دادن کل معیشت در هر کسب و کار در مقیاس کوچک و متوسط تحت تاثیر قرار [۶]. مطابق با [۴]انتظار می رود کاهش بار تاثیر بیشتری بر رشد اقتصادی (۲٫۳%) نسبت به پیش بینی اولیه بانک ها (۰٫۶%) داشته باشد. بنابراین، رویکردهای نوآورانه ای برای اطمینان از انعطاف پذیری ساختمان های مسکونی مورد نیاز است، زیرا مصرف کنندگان و مشاغل از عدم قطعیت دسترسی به برق عبور می کنند. پیش‌بینی مصرف برق، با پشتیبانی از مدل‌های پیشرفته یادگیری ماشین، یک رویکرد امیدوارکننده برای افزایش توانایی افراد و موسسات برای پیش‌بینی دقیق مصرف انرژی ارائه می‌کند.

اگرچه در چند سال گذشته علاقه به استفاده از یادگیری ماشین برای کاهش مصرف انرژی در ساختمان‌های مسکونی افزایش یافته است، اما هنوز تعدادی از مشکلات مرتبط با کاربرد آن وجود دارد، از جمله کمیت و کیفیت داده‌های جمع‌آوری‌شده (داده‌های از دست رفته، نقاط پرت و غیره)، دقت پیش‌بینی پایین، و انتخاب مدل یادگیری ماشین. در حالی که پیشرفت‌های قابل توجهی انجام شده است، روش‌های به کار گرفته شده تنوع بالایی را نشان می‌دهند و پیچیدگی‌های ذاتی مشکلات چالش‌های بزرگی را ایجاد می‌کنند و در نتیجه به طور مداوم توجه محققان را به خود جلب می‌کنند.

این مطالعه یک روش به خوبی تثبیت شده برای پیش‌بینی مصرف انرژی ساختمان‌های مسکونی در آفریقای جنوبی اتخاذ می‌کند. هدف این مطالعه بهبود دقت پیش‌بینی‌های مصرف انرژی با استفاده از مدل‌های یادگیری ماشینی مانند جنگل تصادفی (RF)، درخت تصمیم (DT)، تقویت گرادیان شدید (XGBoost) و تقویت تطبیقی (AdaBoost) است که به طور گسترده در ادبیات پیش بینی انرژی این مدل‌های رگرسیون عملکردهای پیش‌بینی و تفسیرپذیری متفاوتی دارند. به طور کلی انتظار می رود درختان رگرسیون تقویت شده که قابلیت تفسیر بالایی دارند نیز عملکرد خوبی داشته باشند (دقت پیش بینی بالا).

هدف اصلی این مطالعه پر کردن شکاف بین مدیریت کاهش بار و سازگاری مسکونی است. هدف این مطالعه تجهیز خانوارها، مشاغل و سیاستگذاران با بینش عملی برای کاهش اثرات کاهش بار با تسهیل پیش‌بینی‌های دقیق‌تر و دقیق‌تر مصرف انرژی است. این مطالعه با ترکیب مدل‌های پیشرفته یادگیری ماشین با چالش‌های انرژی در دنیای واقعی به گفتمان جاری پیرامون مدیریت انرژی پایدار کمک می‌کند.

ادامه این مقاله به شرح زیر سازماندهی شده است. بخش ۲ مروری بر کار مرتبط بر روی مدل‌های یادگیری ماشین پیش‌بینی مصرف انرژی در ساختمان‌های مسکونی ارائه می‌کند. بخش ۳ رویکرد پیشنهادی، از جمله خصوصیات مجموعه داده، چارچوب روش‌شناختی، مدل‌های یادگیری ماشین، و معیارهای ارزیابی عملکرد را ارائه می‌کند. بخش ۴ نتایج را ارائه و بحث می کند. بخش ۵ مطالعه را با دستورالعمل هایی برای تحقیقات آتی به پایان می رساند. با آشکار کردن پتانسیل برای پیش‌بینی دقیق مصرف انرژی، این تحقیق به جستجوی چشم‌انداز انرژی انعطاف‌پذیرتر و سازگارتر در مواجهه با چالش‌های پیچیده و در حال تحول انرژی کمک می‌کند.

۲٫ کارهای مرتبط

محققان مدل‌های مختلف یادگیری ماشین پیش‌بینی‌کننده را برای مصرف انرژی و کاربردهای بالقوه این مدل‌های پیش‌بینی در بهینه‌سازی مصرف انرژی در ساختمان‌های مسکونی پیشنهاد کرده‌اند. به عنوان مثال، وحید و همکاران. [۷] از پرسپترون چندلایه (MLP) و جنگل تصادفی (RF) برای طبقه‌بندی ساختمان‌های مسکونی از نظر مصرف انرژی استفاده کرد و گزارش داد که MLP از نظر دقت پیش‌بینی بهتر از RF عمل می‌کند. پریادرشینی و همکاران [۸] یک مدل مجموعه مبتنی بر یادگیری ماشین برای پیش‌بینی مصرف انرژی در خانه‌های هوشمند با استفاده از DT، RF و XGBoost ارائه کرد. در حالی که نویسندگان سهم مفیدی در زمینه پیش‌بینی مصرف انرژی ارائه کردند، کیفیت داده‌ها را مورد بحث قرار ندادند.

نی [۹] پتانسیل هوش مصنوعی (AI) و یادگیری ماشین (ML) را برای دگرگونی بخش انرژی در کشورهای در حال توسعه برجسته کرد و بینش هایی را در مورد فرصت ها و چالش هایی که برای تحقق این پتانسیل باید مورد توجه قرار گیرد، ارائه کرد. بوهلمان و ایگلسی لوتز [۱۰] ویژگی‌های انرژی بخش مسکونی آفریقای جنوبی را بررسی کرد تا امکان بهبودهای آینده در دسترسی به برق را فراهم کند.

کائو و همکاران [۱۱] گزارش داد که ساختمان ها، چه مسکونی و چه تجاری، انرژی بیشتری نسبت به هر صنعت بزرگ دیگری مانند تولید یا حمل و نقل مصرف می کنند. Olu-Ajayi و همکاران. [۱۲] مدل‌های مختلف ML را که می‌توان برای پیش‌بینی مصرف انرژی بالقوه ساختمان در مرحله طراحی اولیه مورد استفاده قرار داد، بررسی کرد. اگرچه آنها دریافتند که شبکه عصبی عمیق (DNN) از شبکه عصبی مصنوعی (ANN)، تقویت گرادیان (GB)، ماشین بردار پشتیبانی (SVM)، جنگل تصادفی (RF)، K-نزدیکترین همسایه (KNN)، درخت تصمیم (DT) بهتر عمل کرده است. ، انباشته کردن و رگرسیون لجستیک (LR)، برای آموزش زمان بر است.

رحمان و همکاران [۱۳] یک مدل مجموعه مبتنی بر یادگیری ماشین بر اساس فاصله Mahalanobis برای پیش‌بینی مصرف انرژی یک خانه هوشمند با استفاده از ترکیبی از میانگین متحرک یکپارچه خودکار (ARIMA)، شبکه عصبی بازگشتی (RNN) و مدل‌های رگرسیون خطی چند متغیره و تک متغیره پیشنهاد کرد. آنها گزارش دادند که مدل مجموعه در مقایسه با مدل های پیش بینی فردی عملکرد خوبی داشت. با این حال، از آنجایی که نویسندگان از داده های جمع آوری شده از یک سیستم خانه هوشمند استفاده کردند، قابلیت تعمیم این یافته ها به سایر سیستم های خانه هوشمند محدود است. علاوه بر این، نویسندگان کیفیت داده های خود را گزارش نکردند. در مقایسه با رویکرد سنتی، که تنها بر روش‌های سری زمانی برای پیش‌بینی روند مصرف حداکثر تقاضا بدون در نظر گرفتن سایر پارامترهای الکتریکی متکی است. [۱۴]مدل‌های یادگیری ماشین برای توسعه مدل‌های پیش‌بینی مناسب‌تر هستند، زیرا می‌توانند پارامترهای الکتریکی دیگر را در نظر بگیرند، که منجر به بهبود دقت کلی مدل می‌شود. [۱۵,۱۶].

شاپی و همکاران [۱۷] یک مدل پیش‌بینی برای مصرف انرژی یک ساختمان تجاری در مالزی با استفاده از SVM، ANN و KNN ایجاد کرد. انتظاری و همکاران [۱۸] یک بررسی جامع از استفاده از هوش مصنوعی و ML در بخش انرژی انجام داد. یافته‌های آن‌ها نشان داد که تحلیل پیش‌بینی‌کننده و اینترنت اشیا به‌عنوان روندهای برجسته ظاهر شده‌اند و علاقه قابل توجهی را در این حوزه به خود جلب کرده‌اند.

البلتاگی و وفکی [۱۹] یک مدل ANN برای بهبود دقت پیش‌بینی‌های مصرف انرژی در مراحل طراحی اولیه ساختمان‌های مسکونی با استفاده از تکنیک‌های مدل‌سازی پارامتریک توسعه داد. علاوه بر این، آنها یک پلت فرم خودکار را معرفی کردند که تجزیه و تحلیل، مدل سازی و شبیه سازی مصرف انرژی ساختمان را با دقت و عملکرد امکان پذیر می کند.

حسینی و فراد [۲۰] مصرف انرژی مسکونی را با هدف پیش‌بینی عوامل مختلفی که بیشترین تأثیر را بر مصرف انرژی در ساختمان‌ها دارند، از جمله ارتفاع کلی، مساحت سقف، مساحت سطح و فشردگی نسبی مورد تجزیه و تحلیل قرار داد. برای دستیابی به این پیش بینی، آنها از DT، RF و KNN استفاده کردند. یافته‌های آنها نشان داد که RF بهترین مدل در مقایسه با مدل‌های DT و KNN از نظر دقت پیش‌بینی بود.

شی و همکاران [۲۱] استفاده از مدل‌های یادگیری ماشین در مدیریت انرژی ساختمان را بر اساس مطالعات منتشر شده بین سال‌های ۱۹۹۸ و ۲۰۲۰ بررسی کردند. آنها یک چارچوب یکپارچه ارائه کردند و روندهای توسعه در مدیریت انرژی یادگیری ماشین را برجسته کردند و سهم ارزشمندی در دانش موجود در این زمینه داشتند. کونهوسر و همکاران [۲۲] با هدف افزایش دقت پیش‌بینی مصرف انرژی ساختمان در بخش مسکونی، ۱۲ مدل یادگیری ماشین، از جمله مدل‌های مستقل، و همچنین مدل‌های یادگیری گروهی همگن و ناهمگن را اجرا کرد.

نویسندگان در [۲۳] یک رویکرد یادگیری عمیق جدید برای پیش‌بینی مصرف انرژی ساعتی در ساختمان‌های مسکونی بر اساس نرخ اشغال ارائه کرد. مطالعه آنها به دلیل تجزیه و تحلیل دقیق چند معیاره و استفاده از داده های مصنوعی تولید شده برای آموزش یک شبکه عصبی هشت لایه عمیق برجسته است. این مطالعه ضریب تعیین بالا و ریشه میانگین مربعات خطای پایین را به دست آورد که نشان دهنده عملکرد عالی مدل است.

در مقابل، مطالعه در [۲۴] بر پیش بینی مصرف انرژی در چندین ساختمان متمرکز شده است. این تحقیق از یادگیری ماشینی برای افزایش بهره وری انرژی و پایداری استفاده می کند که حاکی از دامنه وسیع تری فراتر از ساختمان های مسکونی است. همچنین بر کاربرد یادگیری ماشین در انواع ساختمان‌های مختلف برای بهبود شیوه‌های انرژی تأکید می‌کند.

دین محمدی و همکاران [۲۵] چندین مدل یادگیری ماشین برای پیش‌بینی انرژی ساختمان‌های مسکونی، از جمله KNN، شبکه‌های عصبی (NN)، LightGBM، RF، CatBoost، XGBoost و مدل Stacking را بررسی کرد. این مطالعه نشان داد که مدل انباشتگی از نظر دقت از سایر مدل ها بهتر عمل می کند. اگرچه این مطالعه بینش‌های ارزشمندی در مورد استفاده از یادگیری ماشین برای پیش‌بینی مصرف انرژی ساختمان‌های مسکونی ارائه می‌کند، نویسندگان الگوریتم‌های مختلف انتخاب ویژگی و کاهش ابعاد را بررسی نکردند. علاوه بر این، مجموعه داده مورد استفاده در مطالعه حاوی اطلاعات جغرافیایی نبود. این به طور بالقوه می تواند بر تعمیم پذیری یافته ها تأثیر بگذارد، زیرا عواملی مانند آب و هوا می توانند بر مصرف انرژی تأثیر بگذارند.

ماتومیتا و همکاران [۲۶] روش‌های مختلف یادگیری عمیق مورد استفاده برای پیش‌بینی مصرف انرژی ساختمان‌ها را بررسی کرد و دریافت که مدل DNN بهتر عمل می‌کند.

در مقایسه با سایر آثار، این مطالعه بر روی مدل‌سازی پیش‌بینی مصرف انرژی در ساختمان‌های مسکونی آفریقای جنوبی با استفاده از مدل‌های RF، DT، XGBoost و AdaBoost با داده‌های دنیای واقعی تمرکز دارد. در حالی که نویسندگان در [۲۳,۲۴,۲۵,۲۶] تکنیک‌های مختلفی برای پیش‌بینی مصرف انرژی ساختمان‌های مسکونی پیشنهاد شده است، این مطالعه بررسی می‌کند که آیا مدل‌های پیشنهادی ما از نظر دقت پیش‌بینی بهتر از مدل‌های خود هستند یا خیر. این شامل تجزیه و تحلیل دقیق معیارهای عملکرد (MSE، MAE، MAPE، و R²) و بحث در مورد اینکه چگونه یافته های ما با مطالعات قبلی مطابقت دارد یا با آنها متفاوت است. این مقایسه زمینه وسیع تری برای نتایج ما فراهم می کند و سهم مطالعه ما را در ادبیات موجود در مورد پیش بینی مصرف انرژی برجسته می کند.

مطالعه ما با استفاده از تکنیک‌های رگرسیون مختلف و مهندسی ویژگی‌ها، تأکید بر الگوهای تاریخی و جزئیات زمانی مانند تغییرات فصلی، به طور منحصر به فردی کمک می‌کند. هدف ما تعیین موثرترین مدل‌ها برای پیش‌بینی مصرف ساعت بعدی، پر کردن جایگاهی در چشم‌انداز تحقیقاتی فعلی با استفاده از این روش‌ها در یک منطقه جغرافیایی خاص با مجموعه چالش‌های انرژی است.

به طور خلاصه، محققان چندین مدل یادگیری ماشین را برای پیش‌بینی مصرف انرژی در ساختمان‌های مسکونی پیشنهاد کرده‌اند. با این حال، تا جایی که ما می دانیم، هیچ مطالعه ای یک مدل پیش بینی کننده از مصرف انرژی برای ساختمان های مسکونی در آفریقای جنوبی ارائه نکرده است. میز ۱ برخی از مقالات اخیر در مورد مصرف انرژی پیش‌بینی‌کننده مبتنی بر یادگیری ماشین را با نقاط قوت و تجزیه و تحلیل شکاف ارائه می‌کند.

این مطالعه با گنجاندن روندهای زمانی در مجموعه داده، مانند ویژگی هایی مانند روز هفته، ساعت، ماه، روز سال، سه ماهه ماه و سال مصرف، خود را متمایز می کند. این رویکرد به ما اجازه می‌دهد تا جزئیات زمانی ضروری، از جمله تغییرات فصلی و میانگین‌های چرخشی را که برای دقت پیش‌بینی مدل‌های ML ما حیاتی هستند، ثبت کنیم.

علاوه بر این، ما قابلیت‌های پیش‌بینی مدل‌های یادگیری ماشین خود را از طریق روش‌های مهندسی ویژگی‌های دقیق افزایش دادیم. این بهبود یک تمایز کلیدی مطالعه ما است، زیرا به مدل‌های ما اجازه می‌دهد تا دقت بالاتری در پیش‌بینی مصرف انرژی ساختمان‌های مسکونی در مقایسه با مطالعات قبلی به دست آورند. به طور خاص، مدل‌های ما، به ویژه جنگل تصادفی (RF) و درخت تصمیم (DT)، دقت استثنایی را با معیارهایی مانند میانگین مربعات خطا (MSE)، میانگین خطای مطلق (MAE) و میانگین درصد مطلق خطا (MAPE) بسیار نزدیک به صفر این مطالعه با استفاده از مدل‌های پیشرفته یادگیری ماشینی برای رسیدگی به چالش‌های انرژی در دنیای واقعی در آفریقای جنوبی به گفتمان جاری در مورد مدیریت انرژی پایدار کمک می‌کند.

۳٫ رویکرد پیشنهادی

۳٫۱٫ خصوصیات مجموعه داده

ما از مجموعه داده بار الکتریکی داخلی (DEL) استفاده کردیم که به عنوان بزرگترین و گسترده ترین مطالعه در مورد مصرف انرژی مسکونی در آفریقا شناخته شده است و مناطق مختلف جغرافیایی، مناطق آب و هوایی، گروه های درآمدی و ساختارهای مسکونی در آفریقای جنوبی و نامیبیا را پوشش می دهد. نمونه نماینده برای تجزیه و تحلیل مجموعه داده های DEL طیف متنوعی از محیط های شهری، غیررسمی (شهرستانی) و روستایی و همچنین مناطق مختلف آب و هوایی و گروه های درآمدی را پوشش می دهد. مجموعه داده DEL برای اطمینان از نمایندگی و دقت آن در سطح ملی تنظیم شده است [۲۷,۲۸]. تنوع ساختمان های مسکونی، محیط ها، مناطق اقلیمی و گروه های اجتماعی-اقتصادی تحت پوشش [۲۷,۲۸]، همراه با پوشش زمانی طولانی مدت، این مجموعه داده را به منبعی ارزشمند برای درک و مدل سازی الگوهای مصرف انرژی در ساختمان های مسکونی آفریقای جنوبی تبدیل می کند.

با استفاده از مجموعه داده مطالعه DEL برای آفریقای جنوبی [۲۷,۲۸]، این مطالعه چهار مدل مختلف یادگیری ماشین را برای پیش‌بینی مصرف ساعتی در ساختمان‌های مسکونی آزمایش کرد. یک تلاش مشترک چند حزبی دانشگاهی-عمومی-خصوصی در برنامه تحقیقاتی بار مشخصات ملی منطقی شده (NRS)، مجموعه داده شامل داده‌های مصرف برق خانگی اندازه‌گیری شده و داده‌های نظرسنجی اجتماعی-جمعیت‌شناختی برای یک جمعیت نمونه متنوع در محیط‌های شهری، غیررسمی و روستایی است. ، پنج منطقه آب و هوایی، طیف وسیعی از گروه های درآمدی، خانوارهای برق دار تازه به بلندمدت، و ساختارهای مسکونی مختلف در آفریقای جنوبی و نامیبیا [۲۷,۲۸].

در طول جمع‌آوری و پیش‌پردازش داده‌ها، با چالش‌هایی مانند داده‌های گمشده و اطلاعات پرت مواجه شدیم. اینها با اجرای یک رژیم پردازش داده سختگیرانه که قرائت های نامعتبر و مقادیر گمشده را حذف می کرد (تقریباً ۱۱ میلیون رکورد حذف شد) برطرف شد. علاوه بر این، مجموعه داده به مقادیر ساعتی تجمیع شد که به کاهش نویز و بهبود یکپارچگی داده ها کمک کرد. ماهیت متنوع ساختمان‌های مسکونی و الگوهای مصرف انرژی با گنجاندن ویژگی‌هایی مانند نوع مسکن، موقعیت جغرافیایی، و وضعیت اقتصادی-اجتماعی در نظر گرفته شد و اطمینان حاصل کرد که مدل تغییرات مصرف انرژی را به‌طور دقیق نشان می‌دهد.

این مطالعه داده‌های ساعتی اندازه‌گیری DEL را در نظر می‌گیرد (که در آن داده‌های فعلی مصرف به یک ساعت تجمیع می‌شوند)، زیرا این مجموعه داده جامع ۲۰ ساله تحت چندین اعتبارسنجی و آزمایش به دنبال چرخه جمع‌آوری داده‌های سالانه برای اطمینان از قابلیت اطمینان آن قرار گرفته است. [۲۷]. مجموعه داده‌های DEL بزرگترین و طولانی‌ترین مطالعه در مورد مصرف انرژی مسکونی در آفریقا است و بینشی منحصربه‌فرد در مورد مصرف انرژی ارائه می‌کند، که طیف متنوعی از مناطق جمعیتی و آب و هوایی در سراسر آفریقای جنوبی را در بر می‌گیرد. شکل ۱ نمای نقشه سایت های جمع آوری داده های مطالعه DEL و تعداد خانوارهای اندازه گیری شده در سال از سال ۱۹۹۴ تا ۲۰۱۴ را ارائه می دهد.

مجموعه داده زیرمجموعه ای از اندازه گیری الکتریسیته با فاصله ۵ دقیقه است که شامل تمام مشاهدات جریان (آمپر) جمع آوری شده به مقادیر ساعتی است. [۲۷]. این مطالعه بر مصرف ساعتی تمرکز دارد. بنابراین، دانه بندی در فاصله ۵ دقیقه لزوما مرتبط نخواهد بود. علاوه بر این، به جای در نظر گرفتن کل مجموعه داده، تنها داده های سال های ۲۰۰۴ تا ۲۰۱۴ استخراج شد، زیرا در می ۲۰۰۴، رئیس فدراسیون بین المللی فوتبال (فیفا) اعلام کرد که آفریقای جنوبی میزبان جام جهانی فوتبال مردان در سال ۲۰۱۰ خواهد بود. این باعث علاقه اقتصادی در آفریقای جنوبی شد که منجر به افزایش تقاضا برای برق در سراسر کشور شد. این افزایش تقاضا با عرضه از شبکه سراسری مطابقت نداشت. این چارچوب زمانی انتخاب شد زیرا دوره ای از فعالیت اقتصادی قابل توجه در آفریقای جنوبی، از جمله آماده سازی و میزبانی جام جهانی فوتبال ۲۰۱۰ را نشان می دهد. این دوره همچنین شامل تغییرات قابل توجهی در تقاضا و عرضه برق است که آن را برای توسعه و آزمایش مدل های پیش بینی ایده آل می کند. در حالی که در حال حاضر هیچ داده جدیدتری در دسترس نیست، دوره انتخابی یک مجموعه داده جامع برای تجزیه و تحلیل قوی و اعتبارسنجی مدل فراهم می کند.

۳٫۲٫ چارچوب روش شناختی

تجمیع مجموعه داده از یک رژیم پردازش داده با ساختار مناسب پیروی کرد تا تمام قرائت‌های نامعتبر و مقادیر از دست رفته حذف شود. [۲۷,۲۸]. علاوه بر این، مدل تجمیع ارائه شده در [۲۷] فیلدهای ستونی مختلفی را در مجموعه داده ارائه می کند که سازگاری مقادیر زمانی و مشاهده اعداد صحیح و اعشاری تبدیل شده را تضمین می کند. مقادیر ردیف از دست رفته حذف شد. به عنوان مثال، هنگام برخورد با خوانش های نامعتبر، ۰ و ۱ به ترتیب نشان دهنده داده های نامعتبر و معتبر هستند. میانگین مقادیر معتبر روی ۰ تنظیم می شود، مگر اینکه ۱ در رژیم تجمع باشد (یعنی اگر حداقل یک خواندن در یک ساعت به عنوان نامعتبر علامت گذاری شود، میانگین مقدار معتبر کمتر از ۱ خواهد بود، و اعتبار برای آن ساعت بنابراین به عنوان نامعتبر علامت گذاری شود) [۲۷]. ما تبدیل قرائت فعلی (A) به مقادیر انرژی را با استفاده از فرمول در نظر گرفتیم

آ \times \frac{۲۳۰}{۱۰۰۰} = ک دبلیو ساعت

، که یک مصرف تقریبی انرژی و نه یک مقدار واقعی اندازه گیری شده را ارائه می دهد.

شکل ۲ طرح کلی این تحقیق را نشان می دهد. به منظور آموزش یک مدل پیش بینی، ۸۰ درصد اولیه داده ها به عنوان مجموعه داده آموزشی انتخاب شد، در حالی که ۲۰ درصد باقی مانده برای ارزیابی دقت و اثربخشی مدل استفاده شد.

استخراج ویژگی و مهندسی

در حالی که نویسندگان در [۲۷] کارهای زیادی روی پیش پردازش داده ها انجام دادیم، ما با ترکیب سال های مختلف (۲۰۰۴-۲۰۱۴) و استخراج ویژگی های مورد نیاز، داده ها را مطابق با نیازهای خود تغییر دادیم. مجموعه داده DEL شامل ۴۸٫۳ میلیون سطر و پنج ستون است. ستون اول نشان دهنده شناسه ضبط کننده استفاده شده یعنی RecorderID و ستون دوم مشخصات ضبط کننده یعنی ProfileID را نشان می دهد. ستون‌های سوم تا آخر تاریخ و زمان را نشان می‌دهند (Datefield)، واحدهای خوانده شده (Unitsread) را نشان می‌دهند و نشان می‌دهند که آیا جزئیات ثبت‌شده معتبر هستند (Valid). پس از پیش پردازش، تعداد ردیف ها را به حدود ۳۷ میلیون کاهش دادیم. پیش پردازش برای حذف بیشتر داده ها قبل از آموزش مدل ها انجام شد. برای اهداف مطالعه خود، دو ستون را استخراج کردیم: Datefield و Unitsread.

برای درک وابستگی‌های زمانی درون داده‌ها، مقادیر lag1 و lag2 را با ویژگی مهندسی کردیم. استفاده از ویژگی‌های lag1 و lag2 به‌عنوان پیش‌بینی‌کننده به مدل اجازه می‌دهد تا تاریخچه اخیر سری‌های زمانی را هنگام پیش‌بینی در نظر بگیرد. [۷]. مهندسی این ویژگی ها مهم است زیرا اطلاعاتی مانند شرایط آب و هوایی که برای پیش بینی مصرف برق ضروری است، در داده ها ذخیره نمی شود. به‌عنوان پیش‌بینی‌کننده، تأخیر ۱ و تأخیر ۲ برای ردیابی وابستگی‌های زمانی پنهان شناخته شده‌اند که عملکرد کلی مدل را بیشتر افزایش می‌دهد.

علاوه بر این، ما یک ویژگی میانگین نورد را معرفی کردیم و همه ویژگی‌ها را در داده‌های تقسیم آزمون و قطار عادی کردیم. عادی سازی این ویژگی ها می تواند به حفظ ثبات و تسهیل تفسیر اهمیت ویژگی کمک کند، بنابراین عملکرد کلی مدل را بهبود می بخشد. به دلیل اختصار، اهمیت ویژگی را در این مقاله نشان نمی دهیم. جدول ۲ خلاصه ای از مجموعه داده را ارائه می دهد که نشان دهنده گسترش و تعداد Unitsread و ProfileID است.

ما روندهای زمانی را در مجموعه داده در نظر گرفتیم، مانند ویژگی هایی مانند روز هفته، ساعت، ماه، روز سال و ماه، سه ماهه و سال مصرف. آموزش و تست مدل ها با این ویژگی ها انجام شد.

ما ویژگی های زمانی مانند روز هفته، ساعت، ماه، روز سال، سه ماهه ماه و سال مصرف را از مجموعه داده استخراج کردیم. گنجاندن این ویژگی‌های زمانی به عنوان پیش‌بینی‌کننده‌ها به مدل‌ها اجازه می‌دهد تا جزئیات زمانی ضروری و تغییرات فصلی در الگوهای مصرف انرژی را ثبت کنند. دینامیک زمانی، از جمله تغییرات فصلی و میانگین‌های چرخشی، توسط ویژگی‌های مهندسی مانند مقادیر تاخیر (تأخیر ۱ و ۲) و ویژگی‌های میانگین نورد ثبت شد. این ویژگی‌ها به مدل‌ها این امکان را می‌دهد که تاریخچه اخیر سری‌های زمانی را هنگام پیش‌بینی‌ها در نظر بگیرند و جزئیات زمانی ضروری را ثبت کنند.

ما همچنین مشاهده کردیم که پس از آموزش، آزمایش و اعتبارسنجی، پیش‌بینی‌ها آنقدر دقیق نبودند: بنابراین از تکنیک‌های مهندسی ویژگی برای تقویت پیش‌بینی مدل استفاده کردیم. همانطور که در مطالعه ذکر شد، ویژگی‌های تاخیر شامل گنجاندن مقادیر گذشته متغیر هدف به عنوان ویژگی‌ها بود. در کد، ویژگی‌های تاخیر “lag_1” و “lag_2” با جابجایی مصرف برق، Unitsread، با یک مرحله زمانی ایجاد شده‌اند. ما همچنین میانگین متحرک را در نظر گرفتیم تا روندها و فصلی بودن داده‌ها را که ممکن است اهمیت ویژگی اولیه آن را دریافت نکرده باشد، به تصویر بکشیم. در کد، یک ویژگی میانگین نورد برای هموار کردن نوسانات مصرف در طول زمان محاسبه شد. هدف این ویژگی های مهندسی شده پس از اعتبارسنجی، بهبود نتایج پیش بینی مدل ها است.

۳٫۳٫ مدل های یادگیری ماشین

همانطور که قبلا ذکر شد، ما مجموعه داده های مسکونی را با استفاده از چهار مدل یادگیری ماشین آزمایش کردیم. این مدل‌ها به طور خلاصه به شرح زیر هستند: درخت‌های تصمیم (DT)، جنگل‌های تصادفی (RF)، تقویت گرادیان شدید (XGB)، و تقویت تطبیقی (AdaBoost).

۳٫۳٫۱٫ درختان تصمیم (DT)

درخت تصمیم (DT) برای رگرسیون، که اغلب به عنوان درخت رگرسیون شناخته می شود، یک الگوریتم یادگیری ماشینی نظارت شده است که برای پیش بینی متغیرهای هدف پیوسته استفاده می شود. برخلاف درخت‌های طبقه‌بندی که داده‌ها را به کلاس‌ها تقسیم می‌کنند، درخت‌های رگرسیون داده‌ها را به زیر مجموعه‌ها تقسیم می‌کنند و یک مقدار پیوسته (معمولاً میانگین یا میانه) را به عنوان پیش‌بینی برای هر زیر مجموعه اختصاص می‌دهند. درخت با تقسیم بازگشتی داده ها به زیر مجموعه ها بر اساس مقادیر ویژگی برای به حداقل رساندن میانگین مربعات خطا (MSE) پیش بینی ها ساخته شد. شکل ۳ نمونه ای از یک DT آموزش دیده برای پیش بینی قیمت مسکن را نشان می دهد که با ارزیابی ارزش متغیرهای پیش بینی کننده خاص در هر تقسیم به یک تصمیم پیش بینی می رسد.

۳٫۳٫۲٫ جنگل تصادفی (RF)

Random Forest (RF) یک مدل یادگیری است که چندین درخت تصمیم می سازد و پیش بینی های آنها را برای بهبود دقت و کاهش بیش از حد برازش ترکیب می کند. هر درخت با استفاده از یک زیرمجموعه تصادفی از داده‌های آموزشی (کیسه‌بندی) و یک زیر مجموعه تصادفی از ویژگی‌ها (کیسه‌بندی ویژگی) ساخته شد. پیش بینی نهایی با میانگین گیری یا کسب اکثریت آرا در میان پیش بینی های تک درختان انجام شد.

۳٫۳٫۳٫ تقویت گرادیان شدید (XGBoost)

XGBoost یک فریم ورک تقویت کننده گرادیان است که به دلیل عملکرد پیش بینی استثنایی آن محبوبیت پیدا کرده است. اساساً صدها درخت تصمیم را به صورت متوالی ترکیب می کند، جایی که هر درخت برای تصحیح خطاهای قبلی آموزش داده می شود. [۲۹]. این مدل تابع تلفات را با استفاده از نزول گرادیان به حداقل می‌رساند و از تکنیک‌های منظم‌سازی برای جلوگیری از برازش بیش از حد استفاده می‌کند.

۳٫۳٫۴٫ تقویت تطبیقی (AdaBoost)

مدل AdaBoost پیش‌بینی‌های چند زبان‌آموز ضعیف را برای ایجاد یک یادگیرنده قوی ترکیب می‌کند. الگوریتم AdaBoost بر اساس رأی اکثریت وزنی یا میانگین وزنی پیش بینی های فردی است. وزن

آ_{تی}

به پیش بینی یادگیرنده ضعیف در تکرار اختصاص داده شده است تی به صورت زیر محاسبه شد:

$آ_{تی} = \frac{۱}{۲} لوگاریتم (\frac{۱ - E_{تی}}{E_{تی}})$

(۱)

جایی که $E_{تی}$ خطای وزنی برای یادگیرنده ضعیف در تکرار است تی. علاوه بر این، پیش‌بینی نهایی (F(x)) برای یک ورودی جدید ایکس ترکیبی وزن دار از پیش بینی های ضعیف یادگیرندگان است که توسط

$اف (ایکس) = \sum_{تی = ۱}^{تی} آ_{تی} \times {ساعت}_{تی} (ایکس)$

(۲)

جایی که تی تعداد کل زبان آموزان ضعیف است و ساعت_تی(ایکس) پیش بینی زبان آموز ضعیف است.

روش‌های مهندسی ویژگی شامل ایجاد ویژگی‌های تاخیر (تاخیر ۱ و ۲) و ویژگی‌های میانگین چرخشی برای ثبت وابستگی‌ها و روندهای زمانی بود. این روش ها با هموارسازی نوسانات و گرفتن الگوهای ضروری، به جلوگیری از برازش بیش از حد کمک می کنند. علاوه بر این، داده‌ها نرمال‌سازی شدند و تنها ویژگی‌های مرتبط برای آموزش انتخاب شدند و خطر بیش‌برازش را کاهش دادند. تکنیک‌های اعتبارسنجی متقاطع نیز برای اطمینان از تعمیم مدل‌ها به داده‌های غیرقابل مشاهده به کار گرفته شد و مسائل بالقوه عدم برازش را برطرف کرد.

۳٫۴٫ معیارهای ارزیابی عملکرد

این بخش چهار معیار ارزیابی توصیه شده توسط Conte و همکاران را ارائه می دهد. [۳۰] برای بررسی عملکرد مدل‌های انتخابی: میانگین مربعات خطا (MSE)، میانگین خطای مطلق (MAE)، میانگین درصد مطلق خطا (MAPE) و ضریب تعیین (R)²). میانگین خطای مطلق (MAE) به طور گسترده ای در یادگیری ماشین برای اندازه گیری میانگین انحراف مطلق بین مقادیر پیش بینی شده و واقعی استفاده می شود و به همه خطاها وزن یکسانی می دهد. MSE میانگین مقیاس اختلاف مجذور بین مقادیر پیش بینی شده و واقعی را اندازه گیری می کند. خطاهای بزرگتر را به شدت جریمه می کند تا خطاهای کوچکتر (به معادلات (۳) و (۴) مراجعه کنید).

$م اس E = \frac{۱}{n} \sum_{من = ۱}^{n} {(y_{من} - {\hat{y}}_{من})}^{۲}$

(۳)

$م آ E = \frac{\sum_{من = ۱}^{n} |y_{من} - {\hat{y}}_{من}|}{n}$

(۴)

علاوه بر این، MAPE میانگین درصد مطلق اختلاف بین مقادیر پیش‌بینی‌شده و واقعی را تخمین می‌زند. این اندازه گیری به ویژه زمانی ارزشمند است که خطاها به عنوان نسبتی از مقادیر واقعی بیان شوند. R² امتیاز نسبت واریانس در متغیر وابسته را که توسط متغیرهای مستقل توضیح داده می شود اندازه گیری می کند. مقداری بین ۰ و ۱ ارائه می دهد، که در آن ۱ نشان دهنده تناسب کامل است (به ترتیب به معادلات (۵) و (۶) مراجعه کنید.

$م آ پ E = \frac{۱}{n} \sum_{من = ۱}^{n} \frac{|y_{من} - {\hat{y}}_{من}|}{y_{من}}$

(۵)

${آر}^{۲} = ۱ - \frac{\sum_{من = ۱}^{n} {(y_{من} - {\hat{y}}_{من})}^{۲}}{\sum_{من = ۱}^{n} {(y_{من} - {\bar{y}}_{من})}^{۲}}$

(۶)

جایی که $y_{من}$ اندازه گیری واقعی است، ${\hat{y}}_{من}$ مقدار پیش بینی شده است، ${\bar{y}}_{من}$ میانگین مقادیر هدف واقعی، و $n$ تعداد اندازه گیری ها

ارتباط و محدودیت های MSE، MAE، MAPE، و R² در این زمینه در ادامه ارائه می شود:

ارتباط:
- MSE و MAE هر دو تفاوت بین مصرف انرژی پیش بینی شده و واقعی را نشان می دهند. مقادیر کمتر نشان دهنده پیش بینی بهتر است. MSE خطاهای بزرگتر را به شدت جریمه می کند، در حالی که MAE روی میانگین بزرگی خطاها تمرکز می کند.
- MAPE هنگام برخورد با داده های حاوی نوسانات قابل توجه مفید است، زیرا خطاها را به عنوان درصدی از مصرف واقعی بیان می کند. این امکان مقایسه عادلانه تری را در سطوح مختلف مصرف فراهم می کند.
- آر^۲ نشان می دهد که مقادیر پیش بینی شده چقدر با روند واقعی همسو هستند. یک R بالاتر^۲ همبستگی قوی بین مقادیر پیش بینی شده و واقعی را نشان می دهد.
محدودیت ها:
- MSE به موارد پرت حساس است. یک خطای بزرگ می تواند به طور قابل توجهی MSE را افزایش دهد و به طور بالقوه یک پیش بینی خوب را پنهان کند.
- MAE جهت خطا را در نظر نمی گیرد. کمتر برآوردی به اندازه یک تخمین بیش از حد، MAE یکسانی خواهد داشت که ممکن است ایده آل نباشد.
- MAPE برای مواردی که مقادیر واقعی مصرف نزدیک به صفر است مناسب نیست، زیرا می تواند منجر به خطاهای تقسیم به صفر شود.
- یک R بالا^۲ می تواند حتی با کم یا بیش برآورد مداوم توسط مدل رخ دهد. این فقط قدرت رابطه خطی را منعکس می کند.

۴٫ نتایج و بحث

این بخش نتایج مدل های پیش بینی را ارائه می دهد. با توجه به اندازه داده ها، ما الگوریتم های هر مدل را در سیستم محاسباتی با کارایی بالا (HPC) دانشگاه آفریقای جنوبی (UNISA) اجرا کردیم. توجه ما عمدتاً مبتنی بر این واقعیت است که مدل‌های انتخاب شده به طور گسترده در ادبیات پیش‌بینی انرژی استفاده می‌شوند.

ما انتخاب کردیم که مدل‌ها را برای سه، پنج و یازده سال داده‌های مصرف، یعنی ۲۰۰۴-۲۰۰۶، ۲۰۰۴-۲۰۰۸، و ۲۰۰۴-۲۰۱۴ اجرا کنیم. شکل های زیر داده های مصرف انرژی را برای سال های انتخاب شده نشان می دهد. شکل ۴ و شکل ۵ داده های دوره های ۲۰۰۴-۲۰۰۶ و ۲۰۰۴-۲۰۰۸ را ارائه می دهد. شکل ۶ مجموعه داده کامل از سال ۲۰۰۴ تا ۲۰۱۴ را ارائه می دهد و شکل ۷ تقسیمات آموزشی و آزمایشی را ارائه می دهد. که در شکل ۸ و شکل ۹، داده های مصرف هفتگی و ساعتی را برای سال ۲۰۰۴ ارائه می کنیم.

جدول ۳، جدول ۴ و جدول ۵ عملکرد پیش‌بینی (برای داده‌های ساعتی) را برای چهار مدل ارائه شده در ارائه کنید بخش ۳٫۴. هر جدول عملکرد هر مدل را در رابطه با چهار معیار MSE، MAE، MAPE و R نشان می دهد^۲و بهترین امتیاز با متن پررنگ مشخص شده است. جدول ۳ عملکرد سه سال داده، یعنی از ۲۰۰۴ تا ۲۰۰۶ را ارائه می دهد جدول ۳، RF در پیش بینی مصرف انرژی تحت هر سه معیار (MSE، MAE و MAPE) از سه مدل دیگر بهتر عمل می کند. R²البته نشان می دهد که مدل چقدر با داده ها تناسب دارد. ما می توانیم مشاهده کنیم که مقادیر MSE، MAE، و MAPE برای DT و RF بسیار کوچک هستند (نمای ۱۰^-۴ به ۱۰^-۷) نزدیک به ۰ باشد. این نشان می دهد که مدل ها عملکرد خوبی دارند (دقت پیش بینی بسیار بالا).

که در جدول ۴DT نسبت به MSE و MAPE کمی بهتر از RF عمل می کند. با این حال، MAE RF بهتر از DT است، که نشان می دهد RF به عنوان یک مدل گروهی چقدر خوب عمل می کند. به طور کلی، مدل‌های درختی از مدل‌های تقویت‌شده برای پیش‌بینی مصرف انرژی بهتر عمل می‌کنند. با این حال، در جدول ۳، جدول ۴ و جدول ۵، بهبود تدریجی در عملکرد XGBoost وجود دارد. این مدل با افزایش حجم داده ها عملکرد خوبی دارد. شکل ۱۰، شکل ۱۱ و شکل ۱۲ ارائه نمایش های گرافیکی برای جدول ۳، جدول ۴ و جدول ۵. این ارقام تجسم واضح‌تری از تفاوت‌ها و تغییرات در داده‌ها ارائه می‌دهند و تفسیر نتایج را برای خوانندگان آسان‌تر می‌کنند.

عملکرد برتر مدل‌های جنگل تصادفی (RF) و درخت تصمیم (DT) را می‌توان به توانایی آن‌ها در مدیریت مؤثر ابعاد و پیچیدگی مجموعه داده نسبت داد. این مدل‌ها به دلیل استحکام نسبت به برازش بیش از حد و توانایی‌شان در گرفتن روابط غیرخطی درون داده‌ها شناخته شده‌اند. تفسیرپذیری مدل‌های RF و DT، همراه با معیارهای اهمیت ویژگی، امکان درک بهتر و بهینه‌سازی مدل‌ها را فراهم کرد. از سوی دیگر، تقویت مدل‌هایی مانند XGBoost و AdaBoost، اگرچه قدرتمند هستند، ممکن است به تنظیم دقیق‌تر و مجموعه داده‌های بزرگ‌تری برای دستیابی به عملکرد مشابه نیاز داشته باشند.

محدودیت های مطالعه

مفروضات اصلی مدل های پیش بینی توسعه یافته عبارتند از:

(۱): داده های تاریخی استفاده شده نشان دهنده الگوهای مصرف آینده است.
(۲): ویژگی های استفاده شده در مدل ها به اندازه کافی عوامل موثر بر مصرف برق را در بر می گیرد.
(۳): مدل‌ها هیچ تغییر قابل‌توجهی در زیرساخت انرژی یا تغییر سیاست‌های عمده در طول دوره پیش‌بینی ندارند.

اگرچه مدل‌های پیشنهادی نتایج امیدوارکننده‌ای را در پیش‌بینی مصرف انرژی مسکونی با مجموعه داده‌های DEL نشان دادند، برخی محدودیت‌های مهم در رابطه با بازنمایی این مجموعه داده و سوگیری‌های بالقوه وجود دارد. نماینده مجموعه داده DEL کل جمعیت آفریقای جنوبی باید مورد بررسی قرار گیرد. مجموعه داده های DEL طیف متنوعی از محیط های شهری، غیررسمی (شهرستانی) و روستایی و همچنین مناطق مختلف آب و هوایی و گروه های درآمدی را پوشش می دهد. با این حال، روش نمونه‌گیری خاص و میزانی که گروه‌های جمعیتی مختلف در مجموعه داده‌ها نشان داده می‌شوند به وضوح مشخص نشده‌اند. اگر مناطق یا بخش‌های اجتماعی-اقتصادی خاصی از جمعیت کمتر یا بیش از حد ارائه شده باشند، مدل‌های پیش‌بینی ممکن است سوگیری نشان دهند و نتوانند الگوهای مصرف را به طور دقیق برای آن گروه‌ها نشان دهند.

۵٫ نتیجه گیری و کار آینده

این مطالعه چندین مدل یادگیری ماشین را برای پیش‌بینی مصرف انرژی ساختمان‌های مسکونی در آفریقای جنوبی بررسی کرد. ما از مدل‌های RF، DT، XGBoost و AdaBoost برای کمک به پیش‌بینی مصرف استفاده کردیم و متوجه شدیم که مدل‌های RF و DT از مدل‌های تقویت‌کننده (XGBoost و AdaBoost) بهتر عمل می‌کنند. دلیل عملکرد بهتر مدل‌های DT و RF از مدل‌های تقویت‌کننده (XGBoost و AdaBoost) می‌تواند به تفسیرپذیری DT و RF پس از مهندسی ویژگی در مجموعه داده مربوط باشد. در این مورد، با توجه به اینکه متغیرهای پیش‌بینی‌کننده و آستانه‌ها مستقیماً در تقسیم‌ها قابل مشاهده شدند، DT و RF از مدل‌های درخت تقویتی که کمتر قابل تفسیر هستند، عملکرد بهتری داشتند.

مصرف ملی ساعتی پیش‌بینی‌شده می‌تواند با تسهیل پیش‌بینی‌های دقیق‌تر و دقیق‌تر مصرف انرژی، خانوارها، مشاغل و سیاست‌گذاران را به بینش‌های عملی، از جمله در مورد مصرف ملی و محلی و شناسایی پیک مجهز کند. این مطالعه با ترکیب تکنیک های پیشرفته یادگیری ماشین با چالش های انرژی در دنیای واقعی به گفتمان جاری پیرامون مدیریت انرژی پایدار کمک می کند.

پیامدهای عملی این تحقیق قابل توجه است. با پیش‌بینی دقیق الگوهای مصرف انرژی در منازل مسکونی، ذینفعان مانند تأمین‌کنندگان انرژی، سیاست‌گذاران و خانوارها می‌توانند تصمیمات آگاهانه‌ای برای بهینه‌سازی مصرف انرژی و کاهش مسائلی مانند کاهش بار بگیرند. پیش‌بینی‌های دقیق، ارائه‌دهندگان انرژی را قادر می‌سازد تا عرضه و تقاضا را بهتر مدیریت کنند و خطر خرابی شبکه و قطعی طولانی مدت برق را کاهش دهند. علاوه بر این، خانوارها می‌توانند از این پیش‌بینی‌ها برای اجرای اقدامات صرفه‌جویی در مصرف انرژی در دوره‌های اوج تقاضا استفاده کنند، که به طور بالقوه منجر به صرفه‌جویی در هزینه و کمک به چشم‌انداز انرژی پایدارتر می‌شود. سیاست گذاران همچنین می توانند از این بینش ها برای توسعه ابتکارات و مشوق های هدفمند برای ارتقای بهره وری انرژی در بخش مسکونی، همسو با اهداف ملی برای امنیت انرژی و پایداری زیست محیطی استفاده کنند.

برای استفاده از نقاط قوت مدل‌های فردی، کاهش محدودیت‌های ذاتی آن‌ها و ارائه دقت پیش‌بینی افزایش یافته، ما قصد داریم مدل‌های یادگیری مجموعه‌ای از جمله مدل‌های AdaBoost، میانگین‌گیری، پشته‌بندی و رأی‌گیری را با هدف افزایش دقت پیش‌بینی مصرف انرژی ساختمان اجرا کنیم. بخش مسکونی با ترکیب بهترین ویژگی‌های تک مدل‌های ML، مدل‌های گروهی اشکالات هر مدل را کاهش داده و دقت پیش‌بینی را بهبود می‌بخشند.

مقایسه‌های بیشتر بر اساس سایر ویژگی‌ها (ویژگی‌ها)، مانند استفاده از دستگاه، ویژگی‌های مربوط به ساختمان‌ها (فیلم مربع، طبقات در هر ساختمان و غیره)، شرایط آب‌وهوایی، الگوهای اشغال و تعرفه‌های انرژی به عنوان بخشی از جزئیات آینده اضافه خواهد شد. کار کردن

علاوه بر این، در کار آینده، ما همچنین قصد داریم داده‌های مربوط به کاهش بار را با شناسایی نوع داده‌های مورد نیاز برای در نظر گرفتن کاهش بار، از جمله ظرفیت انرژی ملی برای برآوردن مصرف ملی و محلی، شناسایی پیک، تجزیه و تحلیل در زمان کاهش بار، تجزیه و تحلیل کنیم. و علل ریزش بار. با تجزیه و تحلیل داده‌های کاهش بار تاریخی، می‌توانیم بینشی در مورد نحوه واکنش ساکنان به کاهش در دسترس بودن نیرو کسب کنیم. این دانش را می‌توان در مدل‌های پیش‌بینی برای پیش‌بینی بهتر نحوه تغییر الگوهای مصرف در دوره‌های اوج تقاضا یا قطعی‌های احتمالی گنجاند. تجزیه و تحلیل داده‌های کاهش بار تاریخی بینش‌های ارزشمندی را در مورد چگونگی تغییر الگوهای مصرف برق در دوره‌های کاهش در دسترس بودن توان ارائه می‌دهد. این اطلاعات می‌تواند با گنجاندن رویدادهای کاهش بار به عنوان ویژگی‌های مدل‌ها، توسعه مدل‌های پیش‌بینی قوی‌تر و تطبیقی را نشان دهد. درک الگوهای مصرف در دوره‌های اوج تقاضا یا قطعی‌های بالقوه، امکان استراتژی‌های پاسخگویی به تقاضای بهتر و بهینه‌سازی توزیع انرژی را فراهم می‌آورد که در نهایت منجر به بهبود انعطاف‌پذیری شبکه برق می‌شود.

الگوریتم های یادگیری ماشین نیز می توانند برای پیش بینی مصرف برق در زمان واقعی استفاده شوند. پیش‌بینی بلادرنگ مصرف برق برای کاربردهای مختلف از جمله مدیریت انرژی، پاسخ به تقاضا، بهینه‌سازی شبکه و یکپارچه‌سازی انرژی‌های تجدیدپذیر ضروری است. مدل‌های ارائه‌شده در مطالعه ما می‌توانند به تجزیه و تحلیل داده‌های مصرف تاریخی، الگوهای زمانی از روز و سایر عوامل مرتبط برای پیش‌بینی دقیق تقاضای برق آینده و همچنین استفاده کارآمد کمک کنند. عوامل متعددی وجود دارد که به امکان‌سنجی پیش‌بینی بلادرنگ کمک می‌کند، از جمله در دسترس بودن داده‌ها، تأخیر مدل‌ها و مهندسی ویژگی‌های پیشرفته. مدل بلادرنگ به عنوان یک ادغام در سیستم‌های IoT و نیروگاه‌ها عمل می‌کند و به عنوان منبعی برای جمع‌آوری داده‌های بلادرنگ عمل می‌کند. ادغام مدل‌های پیش‌بینی بلادرنگ در زیرساخت‌ها و سیستم‌های موجود امکان‌پذیر است، اما نیاز به چندین چالش دارد. در دسترس بودن داده ها بسیار مهم است. بنابراین، مکانیسم های زمان واقعی جمع آوری داده ها باید ایجاد شود. تأخیر مدل باید به حداقل برسد تا از پیش بینی های به موقع اطمینان حاصل شود، که می توان با بهینه سازی کارایی محاسباتی مدل ها به آن دست یافت. تکنیک‌های مهندسی ویژگی‌های پیشرفته، مانند عادی‌سازی بلادرنگ و مدیریت داده‌های از دست رفته، برای حفظ دقت مدل ضروری هستند. چالش‌های بالقوه شامل تضمین حریم خصوصی داده‌ها، مدیریت بار محاسباتی و ادغام با سیستم‌های قدیمی است. راه حل ها شامل استقرار زیرساخت های مبتنی بر ابر مقیاس پذیر و توسعه پروتکل های مدیریت داده قوی است. در کار آینده، ما قصد داریم بررسی کنیم که آیا این واقعاً کار می کند یا خیر.

ما همچنین قصد داریم نرم افزاری را بر اساس مدل پیش بینی پیشنهادی توسعه دهیم. این مدل می تواند به عنوان بخشی از یک سیستم مدیریت انرژی پیاده سازی شود و پیش بینی ها و بینش های بلادرنگ را به کاربران ارائه دهد. این نرم افزار می تواند شامل ویژگی هایی مانند تجسم داده ها در زمان واقعی، سیستم های هشدار برای دوره های اوج تقاضا و توصیه هایی برای بهینه سازی مصرف انرژی باشد.

جنبه‌ای از مجموعه داده‌های DEL که در کار مورد توجه قرار نگرفت، وسایلی است که هر خانوار دارد و این که چگونه بر مصرف تأثیر می‌گذارد. با استفاده از تکنیک‌های پیش‌بینی مبتنی بر این داده‌ها، ساکنان می‌توانند استفاده از منابع را بهینه کنند، فعالیت‌های حیاتی را اولویت‌بندی کنند و مصرف انرژی را در خانه‌های خود بهبود بخشند. علاوه بر این، سیاست گذاران و ارائه دهندگان خدمات می توانند از پیش بینی های دقیق تری برای هماهنگ کردن برنامه های کاهش بار استفاده کنند که در عین حال تلاش های صرفه جویی انرژی را به حداکثر می رساند.

منبع:
۱- shahrsaz.ir , پایداری | متن کامل رایگان | مدل پیش‌بینی مصرف انرژی با استفاده از یادگیری ماشین: مطالعه موردی ساختمان‌های مسکونی در آفریقای جنوبی
,۲۰۲۴-۰۵-۲۲ ۰۳:۳۰:۰۰
۲- https://www.mdpi.com/2071-1050/16/11/4365