تحلیل داده‌های گرمایشی و سرمایشی ساختمان و بررسی عوامل موثر برآن با استفاده از مدل‌ رگرسیونی هم زمان

با توجه به محدود بودن منابع انرژی درجهان، بهینه‌ سازی انرژی امری حیاتی است. بخش زیادی از این انرژی توسط ساختمان‌ها مصرف می‌شود. بنابراین هدف از این پژوهش کشف عوامل موثر به طورهمزمان بر بارگرمایشی و سرمایشی ساختمان‌ها است. در پژوهش حاضر بر روی 768 ساختمان مسکونی متنوع شبیه‌سازی شده با نرم افزار ecotect، بررسی و تحقیق انجام شده است. این مجموعه داده ها تحت عنوان داده های کارایی انرژی در وب سایت مخزن یادگیری ماشین دانشگاه کالیفرنیا قرار داشته که در این مقاله از آن ها استفاده شده است. از مدل رگرسیون هم زمان و روش های تحلیل اکتشافی داده ها برای شناسایی عوامل موثر به طور هم زمان بر بار گرمایشی و سرمایشی ساختمان ها استفاده شده و بر اساس متغیرهای فشردگی نسبی، ارتفاع کلی، مساحت سطح و سقف ساختمان ها عامل جدیدی تحت عنوان مدل ساختمان معرفی و نشان داده شد که یکی از مهم ترین عوامل موثر بر بار گرمایشی و سرمایشی ساختمان ها است. در مدل رگرسیون هم زمان فرض می شود که پاسخ ها از توزیع نرمال چندمتغیره پیروی می کنند. سپس این مدل را با مدل های رگرسیون جدا از هم (بدون فرض همبستگی پاسخ ها) مقایسه کرده و طبق معیار اطلاع آکائیکه و معیار انحراف به برتری مدل رگرسیون هم زمان اشاره شده است.

analysis of heating and cooling data of buildings and investigation of the influencing factors using a joint regression model

given the limited energy resources globally, energy optimization is crucial. a large part of this energy is consumed by buildings. the aim of the research is to discover the effective factors simultaneously on the heating and cooling of buildings.research has been done on 768 residential buildings simulated with ecotect software. this dataset is available under the titleof ”energy efficiency data” on the machine learning repository website of the university of california, which has been usedin this article. joint regression models and exploratory data analysis methods were used to identify the influencing factors ofthe heating and cooling of buildings. based on variables such as relative compactness, overall height, surface area, and roofof the buildings, a new factor called ”type1” was introduced and shown to be one of the most important factors affecting theheating and cooling of buildings. in the joint regression model, it is assumed that the responses follow a multivariate normaldistribution. then, this model is compared with separate regression models (without assuming responses correlation) usingakaike’s information criterion and deviance criterion, which point to the superiority of the joint regression model.