Building simulation approaches for the training of automated data analysis tools in building energy management

زمینه مدیریت انرژی ساختمان، نظارت و تجزیه و تحلیل استفاده از انرژی ساختمان ها با هدف کنترل و کاهش هزینه های انرژی، شاهد تکامل سریع است. رویکردهای خواندن اتوماتیک، جمع آوری داده ها در فواصل ساعتی یا حتی نیم ساعت، ایجاد یک مجموعه بزرگ داده که نیاز به تجزیه و تحلیل دارد. تجزیه و تحلیل کامپیوتر با استفاده از تکنیک های یادگیری ماشین امکان پردازش خودکار این داده ها را فراهم می کند، با استفاده از تجزیه و تحلیل متخصص در مواردی که ناهنجاری ها شناسایی می شوند. با این حال، یادگیری ماشین همیشه یک مجموعه داده تاریخی را فراهم می کند تا مدل ها را آموزش دهد و معیار مشخصی را برای تعریف یک ناهنجاری ایجاد کند. تجزیه و تحلیل کامپیوتر با استفاده از شبیه سازی عملکرد ساختمان، از اصول فیزیکی برای پیش بینی رفتار انرژی استفاده می کند و اجازه می دهد تا ارزیابی رفتار ساختمان ها از پس زمینه مدل سازی خالص. این مقاله به بررسی نحوه ایجاد رویکردهای شبیه سازی می شود تا در مدیریت انرژی، به خصوص با توجه به تولید معیارهای مصنوعی که در آن پروفیل های تاریخی در دسترس نیست، با هم ادغام شوند. یک بلوک مسکن واقعی که مورد نظارت قرار گرفته است، برای جمع آوری برآورد دقت این روش استفاده می شود. یافته ها نشان می دهد که یادگیری ماشین از مدل های شبیه سازی دارای دقت داخلی بالا است؛ مقایسه با داده های اندازه گیری واقعی نشان می دهد خطاهای پیش بینی در سیستم (20٪)، اما هنوز هم یک پیشرفت قابل توجهی نسبت به مقادیر معیار صنعت است.