واکاوی عوامل موثر در مصرف انرژی الکتریسیته با استفاده از قوانین انجمنی (مطالعه موردی: شهر یزد)

درک عمیق از عوامل موثر بر مصرف برق، پیش‌نیازی ضروری برای تدوین سیاست‌های انرژی کارآمد، بهبود مدیریت مصرف و کاهش اثرات زیست‌محیطی ناشی از تولید برق است. هدف از این تحقیق بررسی عوامل موثر بر مصرف برق منازل مسکونی با استفاده از الگوریتم قوانین انجمنی apriori است. در این مطالعه، داده‌های مربوط به مصرف برق منازل در دوره‌های زمانی دو ماهه مربوط به بازه زمانی 1395 تا 1398 جمع‌آوری شد. مولفه های کالبدی شامل مساحت پارسل، مساحت ساختمان، مساحت حیاط، ارتفاع ساختمان، نوع بافت شهری(جدید، تاریخی و فرسوده) و مولفه‌های پیکره‌بندی فضایی نظیر عمق محلی، مولفه کنترل، هم پیوندی و اتصال برای هریک از پارسل‌های شهری (35361 پارسل) برآورد شد. سپس با استفاده از الگوریتم apriori تحلیل شدند تا روابط پنهان و الگوهای تاثیرگذار بر مصرف برق شناسایی شوند. نتایج نشان داد که عواملی مانند مساحت ساختمان، نوع بافت شهری، ارتفاع ساختمان، کنترل و همپیوندی نقش مهمی در تعیین میزان مصرف برق دارند. علاوه بر این، با استخراج قوانین انجمنی، برخی از ترکیب‌های ویژگی‌ها که موجب افزایش یا کاهش مصرف برق می‌شوند، شناسایی شدند. استفاده از این روش می‌تواند به مدیریت بهینه مصرف انرژی در منازل مسکونی کمک کند و به افراد و نهادهای مسئول در کاهش هزینه‌ها و بهبود رفتارهای مصرفی یاری رساند. در نهایت، این تحقیق بر مزایای کاربرد الگوریتم‌های داده‌کاوی در تحلیل و پیش‌بینی مصرف انرژی تاکید می‌کند و محدودیت‌ها و چالش‌های مرتبط با استفاده از این روش را نیز بررسی می‌نماید.

investigating the factors affecting electricity energy consumption using association rules in hot and dry regions

a deep understanding of the factors affecting electricity consumption is a necessary prerequisite for formulating efficient energy policies, improving consumption management, and reducing the environmental impacts of electricity generation. inthis study, the data on household electricity consumption were collected over twomonthperiods from 2016 to 2019. physical components including parcel area,building area, yard area, building height, urban texture type (new, historical, anddilapidated), and spatial configuration components such as local depth, controlcomponent, connectivity, and connectivity were estimated for each of the urbanparcels (35361 parcels). then, they were analyzed using the apriori algorithm toidentify the hidden relationships and patterns affecting electricity consumption. theresults showed that factors such as building area, urban texture type, building height,control, and connectivity play an important role in determining electricityconsumption. furthermore, by extracting association rules, some combinations offeatures that increase or decrease electricity consumption were identified. using thismethod can help to optimally manage the energy consumption in residentialbuildings and help responsible individuals and institutions reduce costs by improvingtheir consumption behavior. finally, this research emphasizes the benefits of usingdata mining algorithms in analyzing and predicting energy consumption. it alsoexamines the limitations and challenges associated with using this method.