پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 162 |
| تعداد شماره‌ها | 6,578 |
| تعداد مقالات | 71,075 |
| تعداد مشاهده مقاله | 125,703,391 |
| تعداد دریافت فایل اصل مقاله | 98,937,104 |
پیش‌بینی مصرف انرژی برای ساختمان‌های مسکونی براساس رفتار ساکنانش با استفاده از روش شبکۀ عصبی هوش مصنوعی در شهر تبریز | ||
| فصلنامه سیستم های انرژی پایدار | ||
| دوره 4، شماره 1، دی 1403، صفحه 1-26 اصل مقاله (2.61 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/ses.2024.381731.1091 | ||
| نویسندگان | ||
| علی زینالی عظیم* 1؛ حامد پویافر2؛ بهناز امین نیری3؛ داود پایدار خیابانی4؛ آیدا مصطفی‌زاده بازرگان5 | ||
| 1پژوهشگر پسادکتری طراحی شهری، دانشکدۀ معماری و شهرسازی، دانشگاه تربیت دبیر شهید رجایی، تهران، ایران. | ||
| 2گروه معماری، واحد بین‌المللی ارس، دانشگاه آزاد اسلامی، تبریز، ایران | ||
| 3گروه شهرسازی، تبریز، دانشگاه آزاد اسلامی، تبریز، ایران | ||
| 4دانشجوی دکتری معماری، واحد اهر دانشگاه آزاد اسلامی، اهر، ایران | ||
| 5دانشجوی کارشناسی ارشد، دانشکدۀ معماری، دانشگاه غیرانتفاعی رشیدیه، تبریز. ایران | ||
| چکیده | ||
| 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 تأثیر این عوامل بر مصرف انرژی را بررسی کند. تحلیل رگرسیون برای شناسایی دقیق تأثیر 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 تأثیر 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 تأثیرگذار فصلی می‌تواند پیش‌بینی مصرف انرژی را به طور قابل توجهی بهبود بخشد. این نتایج تأکید 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. | ||
| کلیدواژه‌ها | ||
| شبکه عصبی مصنوعی؛ پیش‌بینی مصرف انرژی؛ خانه‌های هوشمند؛ ذخیره انرژی؛ شهر تبریز | ||
| عنوان مقاله [English] | ||
| Prediction of energy consumption for residential buildings based on the behavior of its residents using artificial intelligence neural network method in Tabriz city | ||
| نویسندگان [English] | ||
| Ali Zeynaly Azim1؛ Hamed Pooyafar2؛ Behnaz Amin Naieri3؛ Davod Paidar Khiabani4؛ Aida Mostafazadeh Bazargan5 | ||
| 1Post-doctoral researcher in urban design, Faculty of Architecture and Urban Planning, Shahid Rajaee Tarbiat University, Tehran, Iran | ||
| 2Department of Architecture, Aras International Branch, Islamic Azad University, Tabriz, Iran | ||
| 3Department of Urban Planning, Tabriz Branch, Islamic Azad University, Tabriz, Iran | ||
| 4Department of Urban Planning, Tabriz Branch, Islamic Azad University, Tabriz, Iran | ||
| 5M. Arch Student, Faculty of Architecture, Rashidiyeh Non-Profit University, Tabriz, Iran | ||
| چکیده [English] | ||
| 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. | ||
| کلیدواژه‌ها [English] | ||
| Artificial neural network, Energy consumption prediction؛ Smart houses؛ Energy storage, Tabriz city | ||
| مراجع | ||
|
[1] El-Gohary, M.; El-Abed, R.; Omar, O. (2023), Prediction of an Efficient Energy-Consumption Model for Existing Residential Buildings in Lebanon Using an Artificial Neural Network as a Digital Twin in the Era of Climate Change. Buildings, 13, 3074. https://doi.org/10.3390/buildings13123074.
[2] Hong, G.; Seong, N.(2023), Optimization of the ANN Model for Energy Consumption Prediction of Direct-Fired Absorption Chillers for a Short-Term. Buildings, 13, 2526. https://doi.org/10.3390/buildings13102526.
[3] Monah, P.I.; Rahul, S.G.; Kavitha, P.; Dhivyasri, G. (2017), Prediction of Electricity Load Using Artificial Neural Network for Technology, Tower Block of VIT University. Int. J. Appl. Eng. Res., 12, 7717–7723.
[4] Olanrewaju, O.A.; Mbohwa, C. (2017), Prediction of Residential Sector Energy Consumption: Artificial Neural Network Application. In Proceedings of the International Conference on Industrial Engineering and Operations Management (IEOM), Bristol, UK. 24–25 July 2017.
[5] Hong, G.; Seong, N. (2023), Optimization of the ANN Model for Energy Consumption Prediction of Direct-Fired Absorption Chillers for a Short-Term. Buildings 13, 2526.
[6] Moon J, Park S, Rho S, Hwang E. A comparative analysis of artificial neural network architectures for building energy consumption forecasting. International Journal of Distributed Sensor Networks. 2019;15(9). https://doi.org/10.1177/1550147719877616.
[7] Khodadadi, M., Riazi, L., & Yazdani, S. (2024). A Novel Ensemble Deep Learning Model for Building Energy Consumption Forecast. International Journal of Engineering, 37(6), 1067-1075. doi: 10.5829/ije.2024.37.06c.03
[8] R. R. A. Issa, I. Flood, and M. Asmus. (2001). Development of a neural network to predict residential energy consumption. In Proceedings of the sixth international conference on Application of artificial intelligence to civil & structural engineering (ICAAICSE '01). Civil-Comp Press, 65-66.
[9] Vanting, N.B., Ma, Z. & Jørgensen, B.N.(2022), Evaluation of neural networks for residential load forecasting and the impact of systematic feature identification. Energy Inform 5 (Suppl 4), 63. https://doi.org/10.1186/s42162-022-00224-5.
[10] Xu B, Sun Y, Wang H, Yi S (2019), Short-term electricity consumption forecasting method for residential users based on cluster classification and backpropagation neural network. In: 11th international conference on intelligent human-machine systems and cybernetics, IHMSC 2019. Institute of Electrical and Electronics Engineers Inc., pp 55–59
[11] Sauter P, Karg P, Pfeifer M, Kluwe M, Zimmerlin M, Leibfried T et al (2017), Neural network-based load forecasting in distribution grids for predictive energy management systems. In: International ETG congress 2017. pp 1–6.
[12] Samuel IA, Ekundayo S, Awelewa A, Somefun TE, Adewale A (2020), Artificial neural network base short-term electricity load forecasting: a case study of a 132/33 kv transmission sub-station. Int J Energy Econ Policy 10(2):2 00-205. https://doi.org/10.32479/ijeep.8629
[13] Sadaei HJ, de Lima e Silva PC, Guimarães FG, Lee MH (2019) Short-term load forecasting by using a combined method of convolutional neural networks and fuzzy time series. Energy, 175 :365-377. https://doi.org/10.1016/j.energy.2019.03.081
[14] Gören G, Dindar B, Gül Ö (2022) Artificial neural network based cost estimation of power losses in electricity distribution system. In: 2022 4th global power, energy and communication conference (GPECOM). 455-460
[15] Ardabili S, Abdolalizadeh L, Mako C, Torok B and Mosavi A (2022) Systematic Review of Deep Learning and Machine Learning for Building Energy. Front. Energy Res, 10 (3) :786027. https://doi.org/10.3389/fenrg.2022.786027.
[16] Gao M. (2022), An Artificial Neural Network-Based Approach to Optimizing Energy Efficiency in Residential Buildings in Hot Summer and Cold Winter Regions. Comput Intell Neurosci. 25(3): 2611695. https://doi.org/10.1155/2022/2611695. | ||
|
آمار تعداد مشاهده مقاله: 271 تعداد دریافت فایل اصل مقاله: 90 |
||
سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب