کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
5445754 1511125 2017 6 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Developing a Hybrid Model of Prediction and Classification Algorithms for Building Energy Consumption
ترجمه فارسی عنوان
توسعه یک مدل ترکیبی الگوریتم پیش بینی و طبقه بندی برای مصرف انرژی
کلمات کلیدی
بهینه سازی انرژی، فراگیری ماشین، پیش بینی، طبقه بندی، ساختمان های مسکونی،
ترجمه چکیده
الگوریتم هوش مصنوعی به طور جداگانه یا یکپارچه برای پیش بینی، طبقه بندی و بهینه سازی مصرف انرژی ساختمان مورد استفاده قرار می گیرد. با این حال، در ادبیات در مورد بررسی عملکرد تابع هدف ترکیبی برای مشکلات بهینه سازی انرژی از جمله مجموعه داده های کیفی و کمی در سازه هایشان، شکافی چشمگیر وجود دارد. برای مقابله با این چالش، این مقاله یک تابع هدف ترکیبی از الگوریتم های یادگیری ماشین را در بهینه سازی مصرف انرژی ساختمان های مسکونی با در نظر گرفتن هر دو پارامتر مستمر و گسسته انرژی به طور همزمان ارائه می دهد. برای انجام این کار، مجموعه ای از داده های جامع شامل پارامترهای مهم پوشش ساختمان، طرح طراحی ساختمان و سیستم تهویه مطبوع، شبکه عصبی مصنوعی به عنوان پیش بینی و درخت تصمیم گیری به عنوان الگوریتم طبقه بندی از طریق معادله مجموعه ای تمرین برای ایجاد تابع ترکیبی و مدل در نهایت با استفاده از میانگین وزنی خطای تجزیه شده برای عملکرد تایید شد. مدل توسعه یافته می تواند به طور موثر دقت تابع هدف مورد استفاده در پیش بینی انرژی و مشکلات بهینه سازی ساختمان را افزایش دهد. علاوه بر این، نتایج این رویکرد جدید، مسئله ورودی هر دو پارامترهای مستمر و گسسته انرژی را در یک تابع هدف یکپارچه بدون تهدید یکپارچگی و سازگاری مجموعه داده های انرژی حل کرد.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی انرژی انرژی (عمومی)
پیش نمایش مقاله
توسعه یک مدل ترکیبی الگوریتم پیش بینی و طبقه بندی برای مصرف انرژی
چکیده انگلیسی
Artificial intelligence algorithms have been applied separately or integrally for prediction, classification or optimization of buildings energy consumption. However, there is a salient gap in the literature on the investigation of hybrid objective function development for energy optimization problems including qualitative and quantitative datasets in their constructs. To tackle with this challenge, this paper presents a hybrid objective function of machine learning algorithms in optimizing energy consumption of residential buildings through considering both continuous and discrete parameters of energy simultaneously. To do this, a comprehensive dataset including significant parameters of building envelop, building design layout and HVAC was established, Artificial Neural Network as a prediction and Decision Tree as a classification algorithm were employed via cross-training ensemble equation to create the hybrid function and the model was finally validated via the weighted average of the error decomposed for the performance. The developed model could effectively enhance the accuracy of the objective functions used in the building energy prediction and optimization problems. Furthermore, the results of this novel approach resolved the inclusion issue of both continuous and discrete parameters of energy in a unified objective function without threatening the integrity and consistency of the building energy datasets.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Energy Procedia - Volume 110, March 2017, Pages 371-376
نویسندگان
, , ,