کد مقاله | کد نشریه | سال انتشار | مقاله انگلیسی | نسخه تمام متن |
---|---|---|---|---|
4928256 | 1432019 | 2017 | 11 صفحه PDF | دانلود رایگان |
عنوان انگلیسی مقاله ISI
Improving sustainable office building operation by using historical data and linear models to predict energy usage
ترجمه فارسی عنوان
بهبود عملکرد ساختمانِ اداری پایدار با استفاده از دادههای تاریخی و مدلهای خطی برای پیشبینی مصرف انرژی
همین الان دانلود کنید
دانلود مقاله ISI انگلیسی
رایگان برای ایرانیان
کلمات کلیدی
مدل سازی انرژی، حسابرسی انرژی، ساختمان های اداری، ذخیره انرژی، شبکه های عصبی مصنوعی؛ مدل رگرسیون خطی
فهرست مطالب مقاله
چکیده
کلمات کلیدی
1.معرفی
2.مواد و روشها
عکس. 1. مکانهای سایت نیوزیلند: دوندین (D)، کریستچرچ (C)، پالمرستون شمالی (P) و همیلتون (H).
3.نتایج و بحث
3.1چند مدل رگرسیون خطی
شکل 2 استفاده واقعی و پیشبینیشده از انرژی با استفاده از مدلهای MLR. شکل 3 همبستگی بین استفاده واقعی و پیشبینیشده از انرژی با استفاده از MLR
3.2مدلهای شبکه عصبی مصنوعی
شکل 5 ساختار دولایه MLP برای سایت پالمرستون شمالی.
جدول 1. اجزای شبکه عصبی مصنوعی.
جدول 2. دقت مدل با دادههای MSE و RMSE (کیلووات و 903 ساعت) برای آموزش (T) و اعتبار سنجی (V).
شکل 6 مقایسه میزان مصرف واقعی و پیشبینیشده انرژی با استفاده از مدلهای شبکه ANN.
شکل 7 رابطه بین مصرف واقعی و پیشبینیشده انرژی با استفاده از مدلهای شبکه ANN (آموزش).
شکل 8 همبستگی بین استفاده از انرژی واقعی و پیشبینیشده با استفاده از مدلهای شبکه عصبی (اعتبار سنجی).
4.نتیجه
کلمات کلیدی
1.معرفی
2.مواد و روشها
عکس. 1. مکانهای سایت نیوزیلند: دوندین (D)، کریستچرچ (C)، پالمرستون شمالی (P) و همیلتون (H).
3.نتایج و بحث
3.1چند مدل رگرسیون خطی
شکل 2 استفاده واقعی و پیشبینیشده از انرژی با استفاده از مدلهای MLR. شکل 3 همبستگی بین استفاده واقعی و پیشبینیشده از انرژی با استفاده از MLR
3.2مدلهای شبکه عصبی مصنوعی
شکل 5 ساختار دولایه MLP برای سایت پالمرستون شمالی.
جدول 1. اجزای شبکه عصبی مصنوعی.
جدول 2. دقت مدل با دادههای MSE و RMSE (کیلووات و 903 ساعت) برای آموزش (T) و اعتبار سنجی (V).
شکل 6 مقایسه میزان مصرف واقعی و پیشبینیشده انرژی با استفاده از مدلهای شبکه ANN.
شکل 7 رابطه بین مصرف واقعی و پیشبینیشده انرژی با استفاده از مدلهای شبکه ANN (آموزش).
شکل 8 همبستگی بین استفاده از انرژی واقعی و پیشبینیشده با استفاده از مدلهای شبکه عصبی (اعتبار سنجی).
4.نتیجه
ترجمه چکیده
ادارهها و خردهفروشیها بیشترین مصرفکنندگان انرژی را در بخش ساختمانهای غیرمسکونی نشان میدهند و تخمین زده شده است که بیش از 50٪ انرژی مصرفی ساختمان را تشکیل میدهد. پیشبینی دقیق استفاده از انرژی ساختمان اداری میتواند باعث صرفهجویی در انرژی بالقوه شود و به طور چشمگیری مدیریت انرژی مؤثر در ساختمان اداری را افزایش دهد. این مقاله روشی را پیشنهاد میکند که برای پیشبینی مصرف انرژی بر اساس شرایط آبوهوایی و سکونت، از مدلهای رگرسیون خطی چندگانه (MLR) و شبکه عصبی مصنوعی (ANN) استفاده کنیم. بنابراین، امکان مقایسه استفاده از این دو نوع روش مدلسازی وجود دارد. در این پژوهش، چهار مدل از سایتهای مؤسسات تحقیقاتی در مناطق مختلف نیوزیلند برای بررسی توانایی مدلهای ساده برای کاهش درصد خطا در پروژههای تعیین انرژی ایجاد شده است. این مدلها بر اساس میانگین دمای خارج از نیاز ماهانه و تعدادی کارمند تماموقت (FTE) ساخته شدهاند. مقایسه میزان مصرف واقعی و پیشبینیشده انرژی نشان داد که مدلها میتوانند مصرف انرژی را در یک محدودهی خطای قابلاغماض پیشبینی کنند. همچنین نتایج نشان داد که هر ساختمان باید به عنوان یک واحد جداگانه مورد بررسی قرار گیرد.
©️ 2016 منتشر شده توسط Elsevier Ltd.
موضوعات مرتبط
مهندسی و علوم پایه
مهندسی انرژی
انرژی های تجدید پذیر، توسعه پایدار و محیط زیست
چکیده انگلیسی
Offices and retail outlets represent the most intensive energy consumers in the non-residential building sector and have been estimated to account for more than 50% of a building's energy usage. Accurate predictions of office building energy usage can provide potential energy savings and significantly enhance the efficient energy management of office buildings. This paper proposes a method that applies multiple linear regression (MLR) and artificial neural network (ANN) models to predict energy consumption based on weather conditions and occupancy; thus, enabling a comparison of the use of these two types of modelling methods. In this study, four models of office sites at research institutions in different New Zealand regions were developed to investigate the ability of simple models to reduce margins of error in energy auditing projects. The models were developed based on the monthly average outside temperature and the number of full-time employees (FTEs). A comparison of the actual and predicted energy usage revealed that the models can predict energy usage within an acceptable error range. The results also demonstrated that each building should be investigated as an individual unit.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Sustainable Cities and Society - Volume 29, February 2017, Pages 107-117
Journal: Sustainable Cities and Society - Volume 29, February 2017, Pages 107-117
نویسندگان
Majeed Safa, Mahdi Safa, Jeremy Allen, Arash Shahi, Carl T. Haas,