Бул изилдөө, акылдуу имараттарın сааттык энергия керектөөni kısa жана orta vadede болжолдоо etmek amacıyla чийки сенсор маалыматыnden nihai болжолдооe kadar uzanan бардыкlбосого bir машина үйрөнүүсү алкакsi теоремаktedir. Çerçeжана; маалымат тазалоо, убакыт жана аба koşullarına bторlı өзгөчөлүк инженериясы, гибрид өзгөчөлүк тандоо, хронологиялык окутуу-валидация-тест ажыратууı, altı ар башка машина үйрөнүүсү жана терең үйрөнүү модельinin салыштырылышы, Байесче гиперпараметр оптималдаштыруу жана en başarılı модельlerin stacking ыкмасыyle birleştirilmesinden oluşmaktadır.

Изилдөөda Random Forest, XGBoost, LightGBM, CatBoost, Long Short-Term Memory (LSTM) жана Gated Recurrent Unit (GRU) модельleri айnı эксперимент protokolü altında салыштырылган. Мындан тышкары валидация performansı en жогорку üç модель olan LightGBM, CatBoost жана XGBoost'un болжолдооleri ridge регрессиясы tabanlı bir мета-үйрөнүүчүyle birleştirмененrek stacked ensemble oluşturulmuştur.

Çerçeжана iki kamuya ачык маалымат kайnторında бааланган: ASHRAE Great Energy Predictor III (GEPIII) жана Building Data Genome Project 2 (BDG2). GEPIII талдоосуnde 380, BDG2 талдоосуnde болсо 250 имарат колдонулган. Performans MAE, RMSE, MAPE жана R² ölçütleriyle бааланган.

24 саат алдыгаye yönelik GEPIII болжолдоосуnde tekil модельler arasında en iyi натыйжа LightGBM'den gelmiş; модель 15,47 kWh MAE, 23,58 kWh RMSE, %7,96 MAPE жана 0,929 R² баалуулукine ulaşmıştır. LightGBM, CatBoost жана XGBoost'u birleştiren stacked ensemble болсо айnı тестte MAE'yi 13,92 kWh'ye, RMSE'yi 21,34 kWh'ye жана MAPE'yi %7,11'e düşürürken R² баалуулукini 0,941'e жүкseltmiştir.

BDG2 маалымат топтомуnde de айnı жалпы sıralama korunmuştur. Stacked ensemble 16,18 kWh MAE, 24,39 kWh RMSE, %8,60 MAPE жана 0,921 R² менен изилдөөдөki en başarılı yaklашып кетүү olmuştur. Böylece ensemble yaklашып кетүүının en iyi tekil модель olan LightGBM'ye göre MAE açжылуулукndan GEPIII'de болжол менен %10,0, BDG2'de болжол менен %9,5 iyмененşme sторladığı raporlanmıştır.

Изилдөөnın diğer маанилүү sonucu, имарат энергия болжолдоосуnde yalnızca algoritma seçiminin değil өзгөчөлүк инженериясыnin de kritik olmasıdır. GEPIII üzerindeki ablation талдоосуnde yalnızca календарь өзгөрмөleri kullanıldığında MAPE %13,24 iken geçmiş энергия керектөөnin кечиктирилген мааниleri eklendiğinde %10,02'ye düşmüş; rolling istatistikler, температура tabanlı derece-saat өзгөрмөleri жана имарат meta маалыматleri eklendikçe MAPE %7,96'ya kadar gerмененmiştir.

Түркия жагынан изилдөө түздөн-түз yerel bir имарат энергия модели же ulusal tasarruf катышı жанаrmemektedir. Ошентсе да акылдуу эсептегич, имарат автоматташтыруу системасы, HVAC жана метеорология маалыматlerinin mevcut болгону түзүмlarda benzer bir болжолдоо архитектурасыnin кантип kurulabмененceğine ilişkin ыкмаsel bir örnek сууnmaktadır. Түркия'deki uygulamalar үчүн модельlerin жергиликтүү климат, колдонуу programı, имарат tipi, энергия тарифи, tesisat системаi жана колдонуучу жүрүм-туруму маалыматleriyle yeniden eğitilmesi жана bторımsız талаа валидацияsından geçirilmesi gerekir.

Изилдөө чечүүгө аракет кылган көйгөй эмне?

Akıllı имараттарda энергия yönetiminin маанилүү gereksinimlerinden biri, имаратnın birkaç saat же bir gün sonra ne kadar elektrik, ысытуу ya da муздатуу энергияsine ihtiyaç duyacторını mümkün болгонуnca doğru болжолдоо etmektir. Böyle bir болжолдоо суроо-талап тарапты башкаруу, пик жүк azaltma, HVAC пландаштырууsi, кайра жаралуучу энергия entegrasyonu жана бузулуу аныктоо gibi birçok uygulamada kullanılabilir.

Ошентсе да имарат энергия керектөө doğrusal жана sabit bir процесс değildir. Dış аба sıcaklığı, нымдуулук, күн нурлануусу, жуманын күнү, günün saati, имарат колдонуу amacı жана өзгөчөlikle geçmiş saatlerdeki tüketim бирге etkili болушу мүмкүн. Kullanıcıların имаратya geliş-gidişleri жана HVAC ekipmanlarının изилдөө programları da tüketimde ani өтүүlere эмне үчүн болушу мүмкүн.

Изилдөөcı bu эмне үчүнle tek bir algoritmайı баалооk yerine, айnı маалымат hazırlama жана баалоо koşullarında hem торaç tabanlı машина үйрөнүүсү модельlerini hem de tekrarlайan sinir торlarını karşılaştıran учtan uca bir иш агымы түзгөн.

Önerмененn машина үйрөнүүсү иш агымы кантип çalışıyor?

Изилдөөnın 11. sайfasındaki kavramsal агым şeması чийки маалыматden энергия yönetiminde kullanılabмененcek болжолдооe kadar uzanan sıralı bir түзүм көрсөтөт. Процесс негизги катары şu баскычlardan oluşmaktadır:

1. Akıllı sайaçlar, HVAC сенсорleri, метеорология маалыматleri жана имарат meta маалыматlerinin toplanması.
2. Eksik маанилерin, четки маанисиlerin жана убакыт damgalarının işlenmesi.
3. Takvim, өткөн керектөө, кыймылli istatistik жана метеорология tabanlı yeni өзгөчөliklerin oluşturulması.
4. Filtre жана wrapper ыкмаларini birleştiren гибрид өзгөчөлүк тандоо.
5. Verмененrin хронологиялык окутуу, валидация жана тест kümelerine өзүнчөlması.
6. Random Forest, XGBoost, LightGBM, CatBoost, LSTM жана GRU модельlerinin eğitilmesi.
7. Байесче гиперпараметр оптималдаштыруу.
8. En başarılı üç модельin ridge регрессиясы менен stacking ыкмасыyle birleştirilmesi.
9. MAE, RMSE, MAPE жана R² kullanılarak performansın баалуулукlendirilmesi.

Bu түзүм модульerdir. Изилдөөcının yaklашып кетүүına göre belirli bir algoritma же өзгөчөlik seçim ыкмасы daha sonra değiştirмененbilirken маалымат hazırlama жана баалоо protokolü korunabilir.

Ham имарат маалыматleri кантип temizleniyor?

Tüm маалымат агымları изилдөө kapsamında ortak bir сааттык убакыт çözünürlüğüne кайтарымlmektedir. Üç saat же daha kısa eksik маалымат блокları doğrusal enterpolasyonla doldurulmaktadır. Daha uzun boşluklarda önceki hafдиагнозn айnı saat жана айnı gün tipindeki баалуулукinin kullanılması сунушталат.

Aykırı маанилерin belirlenmesinde кыймылli yedi günlük medyanın üç IQR dışına çıkan gözlemleri жана терс энергия керектөө gibi физикалык катары чыныгыçi olmайan маанилер işaretlenmektedir. Bu gözlemler de eksik маанилер үчүн kullanılan yaklашып кетүүla yeniden doldurulmaktadır.

Sinir торı модельlerinde өзгөчөliklere sıfır орточо жана birim вариация ölçeklemesi uygulanırken торaç tabanlı модельler үчүн айnı ölçekleme түзүмlmamaktadır.

Zaman bilgisi эмне үчүн синус жана косинусle kodlanıyor?

Günün saati gibi өзгөрмөler döngüseldir. Saat 23 менен saat 00 сандык катары birbirinden uzak görünse de чыныгыte komşu убакыт noktalarıdır. Изилдөөda saat bilgisi bu үзгүлтүксүзliği korumak amacıyla синус жана косинус çiftine dönüştürülmektedir:

\[ x_{\sin}=\sin\left(\frac{2\pi h}{24}\right), \qquad x_{\cos}=\cos\left(\frac{2\pi h}{24}\right) \]

Burada h günün saatini temsil etmektedir. Benzer döngüsel kodlama жуманын күнү үчүн de uygulanmaktadır.

Geçmiş tüketim bilgisi кантип kullanılıyor?

Enerji tüketimi убакыт serмененri жалпыlikle күчтүү otoкорреляция içerir. Bir имаратnın mevcut tüketimi, kısa süre önceki же айnı saatin bir gün жана bir hafta önceki tüketimiyle ilişkili болушу мүмкүн. Bu эмне үчүнle изилдөөдө tüketimin:

• 1 saat önceki баалуулукi,
• 24 saat önceki баалуулукi,
• 168 saat önceki баалуулукi

өзгөчөlik катары колдонулат.

Мындан тышкары son 3, 24 жана 168 сааттык терезеler үчүн жылма орточо жана стандарттык четтөө oluşturulmaktadır. Hareketli орточо жалпы eğilimi, кыймылli стандарттык четтөө болсо tüketimin son döнымдуулукdeki өзгөрмөliğini модельe tашып кетүүaktadır.

Изилдөөnın 25. sайfasındaki SHAP tabanlı LightGBM өзгөчөлүк маанилүүлүгү графiğinde de en belirleyici өзгөчөlik lag_1h катары görünmektedir. Bunu lag_24h, 24 сааттык жылма орточо жана тышкы аба температурасы издөөktedir. Bu görsel bulgu, ablation талдоосуndeki кечигүүli өзгөчөliklerin жогорку katkжылуулукyla tutarlıdır.

Isıtma жана муздатуу derece-saatleri кантип hesaplanıyor?

Dış аба температуранынın имарат энергия керектөө үстүндөгү таасириni daha түздөн-түз temsil etmek үчүн 18 °C негизги sıcaklığa dайalı Heating Degree Hours жана Cooling Degree Hours өзгөрмөleri oluşturulmuştur:

\[ HDH_t=\max(0,T_b-T_t) \]

\[ CDH_t=\max(0,T_t-T_b) \]

Burada T_b негизги sıcaklığı, T_t болсо t anındaki dış аба kuru termometre температуранынı көрсөтөт. Bu dönüşüm, температура менен ысытуу/муздатуу ihtiyacı arasındaki ilişkiyi модельe daha ачык bir biçimde сууnmайı amaçlamaktadır.

Toplam кайсы өзгөчөlikler баалуулукlendirildi?

Изилдөөnın өзгөчөlik havuzu birkaç ana gruba өзүнчөlmıştır:

Başlangıçtaki 27 adай өзгөчөlik, гибрид өзгөчөлүк тандоо sonrasında имарат portföyüne bторlı катары болжол менен 16–19 өзгөчөliğe indirilmektedir.

Özellik seçimi кантип түзүмlıyor?

Изилдөө эки баскычтуу bir filtre-wrapper yaklашып кетүүı kullanmaktadır. İlk баскычda hedefle ilişkisi daha жогорку өзгөчөlikleri belirlemek үчүн mutual information жана корреляция bilgisi kullanılmakta; жогорку ölçüde ilişkili өзгөчөliklerden birinin çıkarılması hedeflenmektedir.

İkinci баскычda Recursiжана Feature Elimination (RFE) uygulanmaktadır. En az katkı sторlайan өзгөчөlikler sırайla kaldırılmakta жана валидация performansındaki gelişme durana kadar процесс devam etmektedir.

Kайnak metinde bu bölümün диагнозmında mutual information kavramıyla |r| > 0,9 корреляция eşiği айnı ачыкlama үчүнde колдонулат. Демек filtreleme adımının uygulama өзүнчөntжылуулук metinsel катары tam tek anlamlı değildir. Изилдөөnın kodu da bu sürümde маалыматlmediğinden söz konuсуу adımın bire bir yeniden üretimi yalnız makale metni üzerinden tam катары doğrulanamamaktadır.

Random Forest кантип kullanılıyor?

Random Forest, bootstrap örnekleri üzerinde eğitмененn B adet регрессия торacının болжолдооlerini орточоktadır:

\[ \hat y_{RF}=\frac{1}{B}\сууm_{b=1}^{B}T_b(x) \]

Изилдөөda модель өзгөчөlikle heterojen жана gürültülü имарат маалыматleri үчүн салыштыруу algoritmalarından biri катары колдонулган.

XGBoost, LightGBM жана CatBoost neyi temsil ediyor?

Üç модель de gradient boosting aмененsindedir. Zайıf öğrenicмененr иреттүү катары eklenerek önceki модельin катаsı azaltılmайa çalışılmaktadır. Kайnakta жалпы boosting güncellemesi şu biçimde ifade edilmektedir:

\[ F_m(x)=F_{m-1}(x)+\eta h_m(x) \]

Burada η öğrenme катышıdır. XGBoost düzenlмененştirme жана ikinci dereceden gradyan bilgisini kullanırken LightGBM гистограмма tabanlı, leaf-wболсо торaç чоңойтуу yaklашып кетүүına sahiptir. CatBoost болсо өзгөчөlikle kategorik өзгөрмөlerin түздөн-түз işlenmesi жана ordered boosting yaklашып кетүүıyla өзүнчөlmaktadır.

Deneysel натыйжаларda bu üç gradient boosting модельi, түзүмlandırılmış жана өзгөчөлүк инженериясы uygulanmış имарат маалыматlerinde LSTM жана GRU'dan daha жогорку тактык sторlamıştır.

LSTM жана GRU эмне үчүн karşılaştırıldı?

LSTM жана GRU, убакыт үчүнdeki uzun bторımlılıkları модельlemek үчүн tasarlanmış tekrarlайan нейрон тармагы архитектураleridir. LSTM giriş, unutma жана чыгуу дарбазаları üzerinden geçmiş bilginin ne kadarının saklanacторını denetlemektedir. GRU daha az дарбаза жана daha az parametreyle benzer bir işlev чыныгыleştirmektedir.

Изилдөөnın 28. sайfasındaki окутуу жана валидация жоготуу eğrмененri, GRU'nun болжол менен 27. epoch civarında erken durdurmайa ulaştığını; LSTM'nin болсо болжол менен 33. epoch'a kadar devam ettiğini көрсөтөт. Изилдөөcı bunu GRU'nun daha bкислота дарбаза түзүмsı жана daha az parametresiyle ilişkмененndirmektedir.

Бул изилдөө bторlamında iki tekrarlайan торın tek başına gradient boosting модельlerini geçemediği görülmüştür. Ошентсе да изилдөөcı, düzensiz doluluk өтүүleri жана daha uzun убакыт bторımlılıklarında recurrent модельlerin ар башка ката karakteristiğine sahip olabмененceğini белгилейт.

Stacked ensemble кантип oluşturuluyor?

Doğrulama R² performansı en жогорку üç негизги модельin болжолдооleri yeni bir маалымат matrisi катары kullanılmakta жана ridge регрессиясы мета-үйрөнүүчү eğitilmektedir:

\[ \hat y_{ens}=\сууm_{k=1}^{3}\beta_k\hat y_k+\beta_0 \]

Ridge düzenlмененştirmesi болсо meta-модельin tek bir негизги öğreniciye aşırı салмак жанаrmesini azaltmайı amaçlamaktadır:

\[ \boldsymbol{\beta} =\arg\min_{\boldsymbol{\beta}} \left\|y-X\boldsymbol{\beta}\right\|_2^2 +\lambda\left\|\boldsymbol{\beta}\right\|_2^2 \]

Son ensemble LightGBM, CatBoost жана XGBoost'tan oluşmuştur.

Hiperparametreler кантип optimize edildi?

Her модель үчүн Байес оптималдаштыруу жана Tree-structured Parzen Estimator yaklашып кетүүı колдонулган. GEPIII валидация kümesinde модель başına 50 оптималдаштыруу deнымдуулукesi ишке ашырылган.

Örneğin Random Forest үчүн торaç sайжылуулук 100–800, XGBoost үчүн 100–1.000, LightGBM үчүн yaprak sайжылуулук 15–255 aralıklarında aranmıştır. LSTM жана GRU үчүн 32–256 hidden unit, 1–3 катмар, 0–0,5 dropout, 32–256 batch size жана 10⁻⁴–10⁻² öğrenme катышı бааланган.

Hangi маалымат топтомдору kullanıldı?

GEPIII маалымат топтомуnin asıl kайnторı 1.400'den фазаla имаратyı içerirken изилдөөda bir yıllık маалыматsinin en az %90'ı eksiksiz olan жана belirlenen колдонуу türlerine giren болжол менен 380 имарат tutulmuştur. BDG2 үчүн elektrik өлчөөü жана метеорологияk жазуулары yeterli olan 250 имарат seçilmiştir.

Eğitim жана тест маалыматleri кантип өзүнчөldı?

Gelecek gözlemlerin geçmişe sızmasını önlemek amacıyla убакыт serisi хронологиялык катары %70 окутуу, %15 валидация жана %15 тест bölümlerine өзүнчөlmıştır. Eğitim жана валидация bölümlerinde өзүнчөca хронологиялык, çагымmайan beş katlı blocked time-series cross-validation uygulanmıştır.

Sinir торlarında validation loss үчүн patience = 10 epoch erken durdurma kullanılmış жана stokastik өзгөрмөliği azaltmak amacıyla beş ар башка rastgele başlangıcın натыйжалары бааланган.

Модель performansı кайсы ölçütlerle баалуулукlendirildi?

Mean Absolute Error (MAE):

\[ MAE=\frac{1}{n}\сууm_{i=1}^{n}|y_i-\hat y_i| \]

Root Mean Squared Error (RMSE):

\[ RMSE=\sqrt{\frac{1}{n}\сууm_{i=1}^{n}(y_i-\hat y_i)^2} \]

Mean Absolute Percentage Error (MAPE):

\[ MAPE=\frac{100\%}{n}\сууm_{i=1}^{n} \left|\frac{y_i-\hat y_i}{y_i}\right| \]

Determination coefficient (R²):

\[ R^2=1-\frac{\сууm_{i=1}^{n}(y_i-\hat y_i)^2} {\сууm_{i=1}^{n}(y_i-\bar y)^2} \]

MAE орточо абсолюттук ката büжүкlüğünü, RMSE büжүк катаları daha торır biçimde cezalandıran ката деңгээлini, MAPE göreli yüzтешик катаyı жана R² болсо gözlenen вариацияın модель tarafından ачыкlanabмененn bölümünü көрсөтөт.

GEPIII üzerinde кайсы модель daha başarılı oldu?

24 саат алдыга болжолдоосуnde ensemble dört metrikte de en iyi баалуулукi жанаrmiştir. Изилдөөnın 24. sайfasındaki gözlenen–болжолдоо edмененn tüketim графiğinde de noktaların büжүк bölümü 1:1 referans çizgisi çстадияsinde топтолууktedir.

Sonучlar başka bir маалымат топтомуnde korundu mu?

BDG2 талдоосуnde de stacked ensemble en төмөн ката жана en жогорку R² маанилерine ulaşmıştır:

Бирок bu эксперимент түздөн-түз sıfırdan окутуу түзүмlmadan bir имаратdan diğerine модель transferi anlamına gelmemektedir. Изилдөөnın ачыкlamasına göre айnı өзгөчөлүк инженериясы алкакsi жана гиперпараметр yaklашып кетүүı BDG2 üzerinde yeniden eğitilmektedir. Демек натыйжалар ыкмаsel transfer edмененbilirliği колдойт; eğitilmiş tek bir GEPIII модельinin BDG2 имараттарında түздөн-түз çalıştığını далилдебейт.

Özellik mühendisliği performansı ne kadar değiştirdi?

En büжүк tek sıçrama өткөн керектөө өзгөрмөleri eklendiğinde görülmektedir. Yalnız календарь өзгөчөliklerine kıyasla MAPE %13,24'ten %10,02'ye düşmektedir. Bu bulgu энергия керектөөnin yагымn geçmişinin 24 саат алдыга болжолдоо açжылуулукndan күчтүү bilgi taşıdığını көрсөтөт.

Daha karmaşık модель daha ылдам mı?

Hайır. Изилдөөnın эсептөө чыгымы таблицасууnda LightGBM hem жогорку тактык hem төмөн эсептөө чыгымыyle öne çıkmaktadır.

LightGBM'nin 41 saniyelik raporlanan окутуу убактысы, LSTM'nin 1.284 saniyelik süresinden болжол менен 31 kat daha төмөнtür. Бирок bu маанилер yalnızca изилдөөдө kullanılan donanım жана эксперимент düzeni үчүн geçerlidir; ар башка маалымат büжүкlüğü жана donanımda айnı sürelerin elde edilmesi beklenmemelidir.

Ensemble üstünlüğü статистикалык катары sınandı mı?

GEPIII тест kümesinde stacked ensemble'ın mutlak катаları менен her негизги модельin mutlak катаları arasında eşleştirilmiş t-тестleri uygulanmıştır. Tüm салыштырууlarda p < 0,001 raporlanmıştır.

Bu тестler изилдөөнүн kendi GEPIII örnekleminde ensemble'ın катанын азайышыnın үлгүлөө өзгөрмөliğiyle ачыкlanma мүмкүнlığının төмөн болгонуna işaret etmektedir. Ошентсе да статистикалык anlamlılık, ар башка чыныгы имарат флотlarında айnı büжүкlükte performans kazanımının garanti edildiği anlamına gelmez.

Tahmin süresi 48 саатка çıktığında ne oluyor?

Изилдөөnın 32. sайfasındaki сезгичтик графiği 1 saatten 48 саатка kadar beş başarılı модельin MAPE değişimini көрсөтөт. Tahmin ufku uzadıkça tüm модельlerde ката artmaktadır.

Stacked ensemble бардык incelenen болжолдоо ufuklarında en төмөн MAPE'yi korumuştur. En iyi tekil модель LightGBM менен ensemble arasındaki fark болжол менен 1 сааттык болжолдооde 0,7 yüzde puanıyken 48 saatte 1,1 yüzde puanına жүкselmiştir.

LSTM жана GRU'nun ката artış eğimleri bazı boosting модельlerine kıyasla daha yкалдыктын olmasına rторmen изилдөөдө incelenen 1–48 saat aralığında gradient boosting модельlerinin doğruluğunu geçmemişlerdir.

Изилдөө чыныгы имарат yönetiminde ne öneriyor?

Изилдөөcı elde edмененn болжолдооlerin talep tarafı катууlımı, HVAC set маанилерinin önceden айarlanması, пик жүк yönetimi жана болжолдоо-чыныгы tüketim farklarının anomali көрсөткүчsi катары kullanılması gibi uygulamalara aktarılabмененceğini белгилейт.

Özellikle LightGBM'nin төмөн окутуу жана чыгаруу чыгымы, donanım булакlarının sınırlı болгону yerel BEMS же edge uygulamaları açжылуулукndan avantaj катары баалуулукlendirilmektedir. Ensemble болсо doğruluğun ekonомдук катары daha маанилүү болгону uygulamalarda tercih edмененbмененcek daha торır bir seçenek катары сунушталат.

Бирок изилдөөda чыныгы bir имаратnın HVAC kontrol döngüsü çalıştırılmamış, энергия faturası же физикалык энергия керектөө üzerinde эксперименттик tasarruf ölçülmemiş жана чыныгы talep yanıt piyasasında tekбула берилген эмес. Bunlar изилдөөcının натыйжаларdan türettiği potansiyel колдонуу alanlarıdır.

Изилдөөnın söylediği жана söylemediği эмне?

Изилдөөnın söylediği: İki kamuya ачык имарат маалымат топтомуnde, айnı маалымат hazırlama жана баалоо алкакsi altında gradient boosting модельleri tekil LSTM жана GRU модельlerinden daha iyi болжолдоо doğruluğu sторlamıştır. En iyi üç gradient boosting модельinin stacking менен birleştirilmesi her iki маалымат топтомуnde de ek тактык kazanımı sторlamıştır. Özellikle өткөн керектөө, кыймылli istatistikler жана аба koşullarından oluşturulan өзгөчөlikler болжолдоо performansında маанилүү rol oynamıştır.

Изилдөөnın söylemediği: LightGBM'nin бардык имарат tiplerinde же бардык климатlerde her убакыт LSTM'den üstün болгонуnu далилдебейт. Изилдөө чыныгы убакыттагы bir имарат автоматташтыруу системасы üzerinde талаа экспериментi değildir. Raporlanan daha төмөн болжолдоо катаsının түздөн-түз belirli bir yüzde энергия tasarrufu oluşturduğunu көрсөтпөйт. Aynı сүрөтde BDG2 талдоосу eğitilmiş GEPIII модельinin yeniden окутуу olmadan başka имараттарa taşınabildiğini далилдебейт.

Изилдөөнүн ыкмасы жана табылгалары

Deneysel tasarımın кыскачаi

• Temel пробlem: Saatlik акылдуу имарат энергия керектөө болжолдоосу.
• Temel болжолдоо ufku: 24 саат алдыга.
• Ek сезгичтик: 1–48 saat мененri болжолдоо.
• Veri kümeleri: ASHRAE GEPIII жана Building Data Genome Project 2.
• GEPIII örneklemi: 380 имарат.
• BDG2 örneklemi: 250 имарат.
• Temel убакыт çözünürlüğü: Saatlik.
• Модельler: Random Forest, XGBoost, LightGBM, CatBoost, LSTM жана GRU.
• Ensemble: LightGBM + CatBoost + XGBoost; ridge regression мета-үйрөнүүчү.
• Veri ажыратууı: %70 окутуу, %15 валидация, %15 тест; хронологиялык.
• Cross-validation: Beş katlı blocked time-series cross-validation.
• Hiperparametre оптималдаштырууu: Байес оптималдаштыруу; модель başına 50 валидация deнымдуулукesi.
• Değerlendirme: MAE, RMSE, MAPE жана R².

GEPIII'deki ana bulgu

24 саат алдыга болжолдооde en iyi tekil модель LightGBM'dir: MAE 15,47 kWh, RMSE 23,58 kWh, MAPE %7,96 жана R² 0,929. Stacked ensemble bu маанилерi sırasıyla 13,92 kWh, 21,34 kWh, %7,11 жана 0,941'e tашып кетүүıştır.

LightGBM менен karşılaştırıldığında ensemble'ın MAE'sindeki azalma болжол менен:

\[ \frac{15.47-13.92}{15.47}\times100 \approx 10.0\% \]

деңгээлindedir.

BDG2'deki ana bulgu

En iyi tekil модель yine LightGBM olmuş жана 17,88 kWh MAE, 26,77 kWh RMSE, %9,48 MAPE жана 0,909 R² üretmiştir. Stacked ensemble 16,18 kWh MAE, 24,39 kWh RMSE, %8,60 MAPE жана 0,921 R² баалуулукine ulaşmıştır.

LightGBM'ye göre ensemble MAE azalması болжол менен:

\[ \frac{17.88-16.18}{17.88}\times100 \approx 9.5\% \]

катары hesaplanmaktadır.

Özellik mühendisliğinin ana bulguсуу

LightGBM ablation экспериментinde yalnız календарь өзгөчөlikleriyle R² 0,847 жана MAPE %13,24 iken бардык өзгөчөlikler kullanıldığında R² 0,929'a жүкselmiş, MAPE %7,96'ya düşmüştür. En büжүк tek баскычlı kazanç, lagged conсууmption өзгөчөliklerinin eklenmesiyle oluşmuştur.

Hız-тактык dengesi

Tekil модельler arasında LightGBM, hem жогорку doğruluğu hem de 41 saniyelik raporlanan окутуу убактысы жана 0,09 ms/örnek çıkarım кечигүүsi эмне үчүнiyle изилдөөнүн en күчтүү тактык-эсептөө чыгымы dтоскоолдукerinden birini сууnmaktadır.

Stacked ensemble daha жогорку тактык üretirken 1.637 saniyelik toplam окутуу убактысы жана 1,85 ms/örnek кечигүүyle daha жогорку эсептөө чыгымыne sahiptir. Bu эмне үчүнle изилдөөnın натыйжалары “her durumda ensemble kullanılmalıdır” şeklinde yorumlanmamalıdır; performans ihtiyacı менен эсептөө kайnторı arasında bir seçim bulunmaktadır.

Bilimsel чектөөлөр

• Sonучlar iki kamuya ачык маалымат топтомуne dайanmaktadır; canlı bir имарат автоматташтыруу системасыnde талаа валидацияsı түзүмlmamıştır.
• BDG2 салыштырууsı айnı metodolojik алкакnin ар башка маалымат üzerinde yeniden eğitilmesidir; sıfırdan окутуу olmadan cross-building transfer тестi değildir.
• Raporlanan эсептөө süreleri yalnız kullanılan donanım жана эксперимент düzeni үчүн geçerlidir.
• Изилдөө nokta болжолдоосу yapmaktadır; болжолдоо belirsizliği же kalibre edilmiş мүмкүнlık aralıkları баалуулукlendirilmemiştir.
• Transformer же attention tabanlı модельler айnı эксперимент düzeninde karşılaştırılmamıştır.
• Gerçek убакытlı энергия тарифи, өзүнчөntılı doluluk сезүү жана plug-load өзүнчөştırması негизги экспериментlerde орун алган эмес.
• Kайnak kodu жана eğitilmiş модель артефактlarının ачык pайlашып кетүүı bu sürümde gösterilmediğinden tam bторımsız yeniden üretмененbilirlik doğrulanamamaktadır.
• Özellik filtreleme ачыкlamasındaki mutual information жана корреляция eşiği terminolojisi tam tek anlamlı değildir.
• Kайnak metinde bazı сүрөт numaralandırmaları менен модель adlandırmalarında editoryal tutarsızlıklar bulunmaktadır.

Gelecek изилдөө önerмененri

Изилдөө gelecekte nokta болжолдооleri yerine ыктымалдуу болжолдооlerin, Transformer жана attention архитектураlerinin, federated learning'in, transfer learning'in, daha өзүнчөntılı doluluk жана plug-load маалыматlerinin жана dinamik elektrik fiyatlarının баалуулукlendirilmesini теоремаktedir.

Özellikle federated learning, ар башка имарат же мекемеların ham энергия tüketim маалыматlerini tek bir merkezde toplamadan ortak модель eğitebilmesi açжылуулукndan изилдөө багыты катары belirtilmektedir. Transfer learning болсо yeni же маалымат açжылуулукndan yetersiz имараттарda başlangıç маалымат ihtiyacını azaltabмененcek potansiyel yaklашып кетүү катары сууnulmaktadır.

Булак жана ыкма эскертүүсү

Özgün изилдөө adı: A Machine Learning-Based Framework for Predicting Energy Conсууmption in Smart Buildings

Автор: Sun Tao

Автор идентификациясы hakkında not: Yüklenen изилдөө metninin görünür ilk sайfasında автор же мекеме bilgisi жок. Sun Tao жана Zhejiang Uniжанаrsity bilgмененri изилдөөнүн işaret ettiği SSRN Abstract 7199510 расмий bibliyoграф kайdı üzerinden doğrulanmıştır.

Eş katkı/eş birinci автор: Tek авторlı жазуу болгонуndan eş birinci авторlık bilgisi жок.

İletişim авторı: SSRN kайdında Sun Tao contact author катары gösterilmektedir.

Мекеме: Zhejiang Uniжанаrsity.

DOI: 10.2139/ssrn.7199510

Yайın platformu: SSRN, Abstract 7199510.

Журнал: Hakemli bir dergi yайını ырасталган эмес.

Yайın yılı: 2026.

Булак түрү: Makine öğrenmesi жана имарат энергия керектөө болжолдоосу üzerine эксперименттик модель салыштырууsı içeren изилдөө preprinti.

Рецензия статусу: Изилдөөnın mevcut sürümü рецензенттик баалоодон өтпөгөн bir preprinttir. Kайnторın her sайfasında “Preprint not peer reviewed” ibaresi bulunmaktadır.

Расмий шилтеме: SSRN Abstract 7199510.

Bibliyoграф идентификация notu: Aynı изилдөө başlığı жана büжүк ölçüde айnı кыскачаle ар башка bir автор жана ар башка SSRN numarası altında indekslenen başka bir жазуу da циклiçi булакlarda görülmektedir. Yüklenen изилдөө her sайfada 7199510 numaralı kайda bторlandığından bu içerikte yalnızca 7199510 bibliyoграф идентификациясы esas alınmıştır.

Bu Verianla içeriğindeki ыкма, маалымат топтому, formül, performans баалуулукi, өзгөчөлүк маанилүүлүгү sırası, эсептөө чыгымы жана изилдөө sonucu yalnızca incelenen изилдөөya dайanmaktadır. Dış булакlar bilimsel табылгаларı genишканаk үчүн kullanılmamış; yalnızca изилдөөнүн bibliyoграф идентификациясы, авторı, мекемеu жана DOI bilgisini валидацияk amacıyla колдонулган.

Изилдөөnın натыйжалары kamuya ачык benchmark маалымат топтомдоруnde elde edмененn болжолдоо performansıdır. Gerçek bir имаратda энергия tasarrufu, HVAC kontrol başarжылуулук, нарк azaltımı же talep yanıt gelirinin талаа ortamında doğrulandığı sonucuna ulaşılamaz. Мындан тышкары başka имарат жана климатlere uygulanabilirlik, айnı маалымат hazırlama жана модельleme алкакsinin yerel маалыматler üzerinde yeniden eğitilmesini жана көз карандысыз валидацияyı gerektirir.