پیش‌بینی مصرف انرژی برای ساختمان‌های مسکونی براساس رفتار ساکنانش با استفاده از روش شبکۀ عصبی هوش مصنوعی در شهر تبریز

با پیشرفت تکنولوژی و افزایش قدرت محاسباتی، امکان تحلیل جامع داده‌های کاربران با بهره‌گیری از تکنیک‌های داده‌های بزرگ فراهم شده است. این تحقیق تلاش کرده تا اطلاعات کاربران را با ویژگی‌های فیزیکی ساختمان‌های مسکونی ترکیب کرده و تاثیر این عوامل بر مصرف انرژی را بررسی کند. تحلیل رگرسیون برای شناسایی دقیق تاثیر هر عنصر بر مصرف انرژی استفاده شد و تکنیک شبکۀ عصبی مصنوعی (ann) برای مدل‌سازی و پیش‌بینی مصرف انرژی ورودی در ساختمان‌های مسکونی به کار گرفته شد. نتایج نشان داد شش عامل اصلی شامل تعداد دیوارهای بیرونی، جهت ساختمان، مساحت مسکن، تعداد سال‌های اشغال‌شده، تعداد اعضای خانواده و شغل سرپرست خانوار، در تمام فصل‌ها تاثیر قابل ‌توجهی بر مصرف انرژی دارند. بر اساس نتایج تحلیل رگرسیون، متغیرهای ورودی مناسب برای آموزش مدل‌های ann انتخاب شده و مدل‌های پیش‌بینی مصرف انرژی با دقت زیاد بر اساس داده‌های واقعی پیاده‌سازی شدند. این پژوهش نشان داد ترکیب داده‌های کاربران و ویژگی‌های فیزیکی ساختمان‌ها و توجه به عوامل تاثیرگذار فصلی می‌تواند پیش‌بینی مصرف انرژی را به‌ طور قابل‌ توجهی بهبود بخشد. این نتایج تاکید می‌کنند که در تدوین سیاست‌های کارآمد برای مدیریت مصرف انرژی، باید به تعامل بین ویژگی‌های کاربران و ساختمان‌ها توجه ویژه‌ای شود تا امکان صرفه‌جویی انرژی و مدیریت بهینه فراهم شود.

prediction of energy consumption for residential buildings based on the behavior of its residents using artificial intelligence neural network method in tabriz city

with the advancement of computing power and data analysis techniques, it is now possible to analyze user information using big data techniques. here, an attempt was made to integrate user information with physical characteristics of residential buildings to analyze how these elements affect energy consumption. regression analysis was performed to accurately identify the impact of each element on energy consumption. in this study, the artificial neural network technique was used to model and predict the input energy consumed in a residential building. regression analysis was performed to accurately identify the impact of each element on energy consumption. it was found that six elements were influential in all seasons: the number of exterior walls, the direction of the housing, the area of the housing, the number of years occupied, the number of family members and the occupation of the head of the household. then, the elements that had influence in each period were extracted. based on the results of the regression analysis, the input variables were selected for the training of the artificial neural network (ann) model for each period, and residential energy consumption prediction models were implemented based on the actual consumption. the elements that are known as effective factors on energy consumption through regression analysis can be used to implement predictive models with advanced forms.