فهرست نشریات علمی دسترسی آزاد ایران

ساختمان‌ها نقش مهمی در مصرف انرژی جهانی دارند و حدود یک سوم انرژی مصرفی آن‌ها از منابع انرژی اولیه تأمین می‌شود که شامل انرژی مصرفی برای گرمایش، تهویه و تبرید (HVAC)، روشنایی، پمپاژ آب و سایر نیازهای انرژی مرتبط با ساختمان است. با افزایش تقاضای انرژی و نگرانی‌های مربوط به منابع انرژی اولیه مانند نفت، گاز و زغال سنگ، و همچنین نیاز به حفظ آسایش ساکنین، مدیریت کارآمد انرژی در ساختمان‌ها به چالش بسیار مهمی تبدیل شده است. در همین راستا، الگوریتم‌های یادگیری ماشین به طور گسترده‌ای در پیش‌بینی مصرف انرژی ساختمان‌ها به کار می‌روند. این الگوریتم‌ها به طور عمومی توانایی پیش‌بینی مصرف انرژی کل ساختمان را دارند و قادر به پیش‌بینی مصرف انرژی هر ناحیه مستقل از یکدیگر نیستند، که منظور از ناحیه، هر بخشی از ساختمان است که سامانه مدیریت HVAC خود را داشته باشد. علاوه بر این، این الگوریتم‌ها اغلب ارتباط بین نواحی و تأثیر آن‌ها روی یکدیگر را نیز در نظر نمی‌گیرند. در این مقاله، یک رویکرد پیش‌بینی مصرف انرژی در ساختمان‌های هوشمند با استفاده از شبکه کانولوشن گرافی (GCN) ارائه شده است. در روش پیشنهادی، با مدل‌سازی یک ساختمان به صورت گراف، الگوی مصرف انرژی در نواحی مختلف آن ساختمان و همچنین تأثیر همسایگی این نواحی بر روی یکدیگر، به طور مؤثری در نظر گرفته می‌شوند. به منظور ارزیابی مدل GCN پیشنهادی، این روش با استفاده از مجموعه داده CUBEMS، که شامل مصرف انرژی نواحی مختلف یک ساختمان 7 طبقه می‌باشد، آموزش داده شده است. نتایج آزمایش‌های انجام شده در این مقاله نشان می‌دهد که روش GCN پیشنهادی توانسته است در پیش‌بینی مصرف انرژی یک طبقه از ساختمان مورد نظر که دارای 5 ناحیه است، تنها به میانگین مربع خطا (MSE) در حدود 0.6 منجر گردد.