Ин таҳқиқот барои пешгӯии истеъмоли соатбайъии энергия дар биноҳои интеллектуалӣ дар кӯтоҳмуддат ва миёнамуддат як чаҳорчӯбаи ҳамгирошудаи омӯзиши мошиниро пешниҳод мекунад, ки аз маълумоти хоми сенсорӣ то пешгӯии ниҳоӣ идома меёбад. Чаҳорчӯба аз тозакунии маълумот, муҳандисии хусусиятҳои вобаста ба вақт ва шароити обу ҳаво, интихоби гибридии хусусиятҳо, тақсимоти хронологии омӯзиш–санҷиш–тест, муқоисаи шаш модели гуногуни омӯзиши мошинӣ ва омӯзиши амиқ, оптимизатсияи Байесии гиперпараметрҳо ва якҷоякунии моделҳои муваффақтарин бо усули stacking иборат аст.

Дар таҳқиқот моделҳои Random Forest, XGBoost, LightGBM, CatBoost, Long Short-Term Memory (LSTM) ва Gated Recurrent Unit (GRU) дар доираи як протоколи таҷрибавӣ муқоиса шудаанд. Илова бар ин, пешгӯиҳои се модели дорои беҳтарин натиҷа дар санҷиш — LightGBM, CatBoost ва XGBoost — бо метаомӯзандаи бар асоси ridge regression якҷо карда шуда, stacked ensemble сохта шудааст.

Чаҳорчӯба дар ду манбаи кушодаи маълумот арзёбӣ шудааст: ASHRAE Great Energy Predictor III (GEPIII) ва Building Data Genome Project 2 (BDG2). Дар таҳлили GEPIII 380 бино ва дар таҳлили BDG2 250 бино истифода шудааст. Натиҷаҳо бо меъёрҳои MAE, RMSE, MAPE ва R² арзёбӣ шудаанд.

Дар пешгӯии 24 соат ба пеш барои GEPIII, дар байни моделҳои алоҳида беҳтарин натиҷаро LightGBM нишон додааст; модел ба 15,47 kWh MAE, 23,58 kWh RMSE, %7,96 MAPE ва 0,929 R² расидааст. Stacked ensemble, ки LightGBM, CatBoost ва XGBoost-ро муттаҳид мекунад, дар ҳамон тест MAE-ро ба 13,92 kWh, RMSE-ро ба 21,34 kWh ва MAPE-ро ба %7,11 поин оварда, R²-ро ба 0,941 баланд кардааст.

Дар маҷмӯаи маълумоти BDG2 низ ҳамин тартиби умумӣ нигоҳ дошта шудааст. Stacked ensemble бо 16,18 kWh MAE, 24,39 kWh RMSE, %8,60 MAPE ва 0,921 R² муваффақтарин равиши таҳқиқот шудааст. Ба ин тартиб гузориш шудааст, ки равиши ensemble нисбат ба беҳтарин модели алоҳида — LightGBM — аз рӯи MAE дар GEPIII тақрибан %10,0 ва дар BDG2 тақрибан %9,5 беҳбудӣ додааст.

Натиҷаи муҳими дигари таҳқиқот ин аст, ки дар пешгӯии энергияи бино на танҳо интихоби алгоритм, балки муҳандисии хусусиятҳо низ аҳамияти ҳалкунанда дорад. Дар таҳлили ablation дар GEPIII, вақте танҳо тағйирёбандаҳои тақвимӣ истифода шуданд, MAPE %13,24 буд; бо илова кардани қиматҳои дермондаи истеъмоли гузаштаи энергия он ба %10,02 поин рафт; бо илова шудани rolling statistics, тағйирёбандаҳои degree-hour бар асоси ҳарорат ва метамаълумоти бино, MAPE то %7,96 коҳиш ёфт.

Аз нигоҳи Туркия, таҳқиқот модели мустақими маҳаллии энергияи бино ё фоизи миллии сарфакориро пешниҳод намекунад. Бо вуҷуди ин, барои биноҳое, ки дар онҳо ҳисобкунаки интеллектуалӣ, системаи автоматикунонии бино, HVAC ва маълумоти метеорологӣ мавҷуд аст, намунаи методологӣ медиҳад, ки чӣ гуна меъмории монанди пешгӯӣ сохта шавад. Барои татбиқ дар Туркия моделҳо бояд бо маълумоти иқлими маҳаллӣ, ҷадвали истифода, навъи бино, тарифи энергия, системаи муҳандисӣ ва рафтори корбар аз нав омӯзонида шуда, аз санҷиши мустақили саҳроӣ гузаронида шаванд.

Таҳқиқот кадом мушкилро ҳал кардан мехоҳад?

Яке аз талаботи муҳими идоракунии энергия дар биноҳои интеллектуалӣ ин аст, ки то ҳадди имкон дақиқ пешгӯӣ шавад, ки бино баъд аз чанд соат ё як рӯз ба чӣ қадар барқ, гармидиҳӣ ё энергияи хунуккунӣ ниёз хоҳад дошт. Чунин пешгӯӣ метавонад дар идоракунии тарафи талабот, кам кардани сарбории қулла, банақшагирии HVAC, ҳамгироии энергияи барқароршаванда ва ошкоркунии норасоиҳо истифода шавад.

Аммо истеъмоли энергияи бино раванди хаттӣ ва доимӣ нест. Ҳарорати ҳавои берунӣ, намӣ, радиатсияи офтоб, рӯзи ҳафта, соати рӯз, ҳадафи истифодаи бино ва махсусан истеъмоли соатҳои гузашта метавонанд якҷо таъсир расонанд. Омаду рафти корбарон ва ҷадвали кори таҷҳизоти HVAC низ метавонад дар истеъмол гузаришҳои ногаҳонӣ ба вуҷуд оварад.

Аз ин сабаб муҳаққиқ ба ҷои арзёбии як алгоритм, ҷараёни пурраи кориро сохтааст, ки ҳам моделҳои омӯзиши мошинии дарахтбунёд ва ҳам шабакаҳои нейронии рекуррентиро дар шароити якхелаи омодасозӣ ва арзёбии маълумот муқоиса мекунад.

Ҷараёни пешниҳодшудаи омӯзиши мошинӣ чӣ гуна кор мекунад?

Диаграммаи консептуалии саҳифаи 11-и таҳқиқот сохтори пайдарпайро аз маълумоти хом то пешгӯие нишон медиҳад, ки барои идоракунии энергия истифода шуда метавонад. Раванд асосан аз марҳилаҳои зерин иборат аст:

1. Ҷамъоварии маълумоти ҳисобкунакҳои интеллектуалӣ, сенсорҳои HVAC, маълумоти метеорологӣ ва метамаълумоти бино.
2. Коркарди қиматҳои гумшуда, қиматҳои ғайримуқаррарӣ ва тамғаҳои вақт.
3. Эҷоди хусусиятҳои нав бар асоси тақвим, истеъмоли гузашта, омори ҳаракаткунанда ва метеорология.
4. Интихоби гибридии хусусиятҳо бо якҷоя кардани усулҳои filter ва wrapper.
5. Тақсим кардани маълумот ба маҷмӯаҳои хронологии омӯзиш, санҷиш ва тест.
6. Омӯзонидани моделҳои Random Forest, XGBoost, LightGBM, CatBoost, LSTM ва GRU.
7. Оптимизатсияи Байесии гиперпараметрҳо.
8. Якҷоя кардани се модели муваффақтарин бо ridge regression тавассути stacking.
9. Арзёбии натиҷа бо MAE, RMSE, MAPE ва R².

Ин сохтор модулӣ аст. Мувофиқи равиши муҳаққиқ, алгоритми муайян ё усули интихоби хусусиятҳоро баъдтар метавон иваз кард, дар ҳоле ки протоколи омодасозӣ ва арзёбии маълумот нигоҳ дошта мешавад.

Маълумоти хоми бино чӣ гуна тоза карда мешавад?

Ҳамаи ҷараёнҳои маълумот дар доираи таҳқиқот ба як ҳалли ягонаи соатбайъии вақт оварда мешаванд. Блокҳои маълумоти гумшудаи то се соат ё кӯтоҳтар бо интерполятсияи хаттӣ пур карда мешаванд. Барои холигиҳои дарозтар истифодаи қимати ҳамон соат ва ҳамон навъи рӯзи ҳафтаи гузашта пешниҳод мешавад.

Барои муайян кардани қиматҳои ғайримуқаррарӣ мушоҳидаҳое, ки аз медианаи ҳаракаткунандаи ҳафтрӯза бештар аз се IQR дур мераванд ва қиматҳои аз ҷиҳати физикӣ ғайривоқеӣ, мисли истеъмоли манфии энергия, аломатгузорӣ мешаванд. Ин мушоҳидаҳо низ бо ҳамон равише, ки барои қиматҳои гумшуда истифода мешавад, аз нав пур карда мешаванд.

Дар моделҳои шабакаи нейронӣ ба хусусиятҳо миқёскунии бо миёнаи сифр ва дисперсияи як воҳид татбиқ мешавад, аммо барои моделҳои дарахтбунёд чунин миқёскунии якхела истифода намешавад.

Чаро маълумоти вақт бо синус ва косинус рамзгузорӣ мешавад?

Тағйирёбандаҳое мисли соати рӯз даврӣ мебошанд. Соати 23 ва соати 00 аз нигоҳи ададӣ аз ҳам дур менамоянд, аммо воқеан нуқтаҳои ҳамсояи вақтанд. Дар таҳқиқот маълумоти соат барои нигоҳ доштани ин пайвастагӣ ба ҷуфти синус ва косинус табдил дода мешавад:

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

Дар ин ҷо h соати рӯзро ифода мекунад. Рамзгузории даврии монанд барои рӯзи ҳафта низ истифода мешавад.

Маълумоти истеъмоли гузашта чӣ гуна истифода мешавад?

Қаторҳои вақтии истеъмоли энергия одатан автокоррелятсияи қавӣ доранд. Истеъмоли ҷории бино метавонад бо истеъмоли чанде пеш ё ҳамон соати як рӯз ва як ҳафта пеш алоқаманд бошад. Аз ин рӯ, дар таҳқиқот:

• қимати 1 соат пеш,
• қимати 24 соат пеш,
• қимати 168 соат пеш

ҳамчун хусусият истифода мешаванд.

Илова бар ин, барои равзанаҳои 3, 24 ва 168 соати охир миёнаи ҳаракаткунанда ва инҳирофи стандартӣ сохта мешавад. Миёнаи ҳаракаткунанда тамоюли умумиро, инҳирофи стандартии ҳаракаткунанда бошад тағйирпазирии истеъмолро дар давраи охир ба модел ворид мекунад.

Дар графики аҳамияти хусусиятҳои LightGBM бар асоси SHAP дар саҳифаи 25-и таҳқиқот, муҳимтарин хусусият lag_1h нишон дода мешавад. Пас аз он lag_24h, миёнаи ҳаракаткунандаи 24-соата ва ҳарорати ҳавои берунӣ меоянд. Ин натиҷаи визуалӣ бо саҳми баланди хусусиятҳои дермонда дар таҳлили ablation мувофиқ аст.

Degree-hour-ҳои гармидиҳӣ ва хунуккунӣ чӣ гуна ҳисоб мешаванд?

Барои ифодаи мустақимтари таъсири ҳарорати ҳавои берунӣ ба истеъмоли энергияи бино тағйирёбандаҳои Heating Degree Hours ва Cooling Degree Hours бар асоси ҳарорати асосии 18 °C сохта шудаанд:

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

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

Дар ин ҷо T_b ҳарорати асосӣ ва T_t ҳарорати хушксанҷи ҳавои берунӣ дар вақти t-ро нишон медиҳад. Ин табдилдиҳӣ барои равшантар пешниҳод кардани робитаи байни ҳарорат ва эҳтиёҷи гармидиҳӣ/хунуккунӣ ба модел анҷом дода мешавад.

Дар маҷмӯъ кадом хусусиятҳо арзёбӣ шуданд?

Ҳавзи хусусиятҳои таҳқиқот ба чанд гурӯҳи асосӣ ҷудо шудааст:

27 хусусияти ибтидоии номзад баъд аз интихоби гибридии хусусиятҳо вобаста ба портфели биноҳо тақрибан ба 16–19 хусусият кам карда мешаванд.

Интихоби хусусиятҳо чӣ гуна анҷом дода мешавад?

Таҳқиқот аз равиши дузинагии filter-wrapper истифода мебарад. Дар марҳилаи аввал mutual information ва маълумоти коррелятсия барои муайян кардани хусусиятҳои дорои робитаи бештар бо ҳадаф истифода мешаванд; ҳадаф аз хориҷ кардани яке аз хусусиятҳои хеле баланд ҳамбаста иборат аст.

Дар марҳилаи дуюм Recursive Feature Elimination (RFE) татбиқ мешавад. Хусусиятҳои дорои саҳми камтарин пайдарпай хориҷ карда мешаванд ва раванд то он вақт идома меёбад, ки беҳбудии натиҷаи санҷиш бозистад.

Дар матни манбаъ, дар таърифи ин бахш мафҳуми mutual information ва ҳадди коррелятсияи |r| > 0,9 дар як шарҳ якҷо истифода шудаанд. Аз ин рӯ, ҷузъиёти амалии марҳилаи филтркунӣ аз нигоҳи матн комилан якмаъно нест. Азбаски коди таҳқиқот дар ин версия дода нашудааст, бозсозии дақиқи ин марҳила танҳо аз рӯи матни мақола пурра тасдиқ карда намешавад.

Random Forest чӣ гуна истифода мешавад?

Random Forest пешгӯиҳои B дарахти регрессияро, ки дар намунаҳои bootstrap омӯзонида шудаанд, миёна мегирад:

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

Дар таҳқиқот модел махсусан ҳамчун яке аз алгоритмҳои муқоисавӣ барои маълумоти гуногунҷинс ва пуршовини бино истифода шудааст.

XGBoost, LightGBM ва CatBoost чиро ифода мекунанд?

Ҳар се модел ба оилаи gradient boosting тааллуқ доранд. Омӯзандагони заиф пайдарпай илова мешаванд, то хатои модели қаблӣ кам карда шавад. Дар манбаъ навсозии умумии boosting чунин ифода шудааст:

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

Дар ин ҷо η суръати омӯзиш аст. XGBoost аз regularization ва маълумоти градиенти тартиби дуюм истифода мебарад, LightGBM бошад равиши histogram-based ва leaf-wise барои парвариши дарахт дорад. CatBoost махсусан бо коркарди мустақими тағйирёбандаҳои категориалӣ ва равиши ordered boosting фарқ мекунад.

Дар натиҷаҳои таҷрибавӣ ин се модели gradient boosting дар маълумоти сохторёфтаи бино, ки муҳандисии хусусиятҳо татбиқ шудааст, нисбат ба LSTM ва GRU дақиқии баландтар нишон додаанд.

Чаро LSTM ва GRU муқоиса шуданд?

LSTM ва GRU меъмориҳои шабакаҳои нейронии рекуррентӣ мебошанд, ки барои моделсозии вобастагиҳои дарозмуддати вақт тарҳрезӣ шудаанд. LSTM тавассути дарвозаҳои воридшавӣ, фаромӯшкунӣ ва баромад назорат мекунад, ки чӣ қадар аз маълумоти гузашта нигоҳ дошта шавад. GRU бо дарвозаҳои камтар ва параметрҳои камтар вазифаи монандро иҷро мекунад.

Каҷҳои loss-и омӯзиш ва санҷиш дар саҳифаи 28-и таҳқиқот нишон медиҳанд, ки GRU тақрибан дар атрофи epoch-и 27 ба early stopping расидааст, дар ҳоле ки LSTM тақрибан то epoch-и 33 идома кардааст. Муҳаққиқ инро бо сохтори содатари дарвозаҳо ва шумораи камтари параметрҳои GRU мепайвандад.

Дар доираи ин таҳқиқот ҳар ду шабакаи рекуррентӣ танҳоӣ аз моделҳои gradient boosting пеш нагузаштаанд. Бо вуҷуди ин, муҳаққиқ ишора мекунад, ки дар гузаришҳои номунтазами ишғол ва вобастагиҳои дарозтари вақт, моделҳои recurrent метавонанд хусусияти хатои дигар дошта бошанд.

Stacked ensemble чӣ гуна сохта мешавад?

Пешгӯиҳои се модели асосӣ бо баландтарин R² дар санҷиш ҳамчун матритсаи нави маълумот истифода мешаванд ва meta-learner-и ridge regression омӯзонида мешавад:

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

Regularization-и ridge барои кам кардани вазни аз ҳад зиёди мета-модел ба як омӯзандаи асосӣ истифода мешавад:

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

Ensemble-и ниҳоӣ аз LightGBM, CatBoost ва XGBoost иборат аст.

Гиперпараметрҳо чӣ гуна оптимизатсия шуданд?

Барои ҳар модел оптимизатсияи Байесӣ ва равиши Tree-structured Parzen Estimator истифода шудааст. Дар маҷмӯаи санҷишии GEPIII барои ҳар модел 50 кӯшиши оптимизатсия анҷом дода шудааст.

Масалан, барои Random Forest шумораи дарахтҳо дар ҳудуди 100–800, барои XGBoost дар 100–1.000, барои LightGBM шумораи баргҳо дар 15–255 ҷустуҷӯ шудааст. Барои LSTM ва GRU 32–256 hidden unit, 1–3 қабат, 0–0,5 dropout, 32–256 batch size ва суръати омӯзиши 10⁻⁴–10⁻² арзёбӣ шудаанд.

Кадом маҷмӯаҳои маълумот истифода шуданд?

Манбаи аслии маҷмӯаи GEPIII бештар аз 1.400 биноро дар бар мегирад, аммо дар таҳқиқот тақрибан 380 бино нигоҳ дошта шудааст, ки ҳадди ақал %90 маълумоти яксолаашон пурра буда, ба навъҳои муайяншудаи истифода дохил мешаванд. Барои BDG2 250 бино интихоб шудаанд, ки сабтҳои ченкунии барқ ва метеорологӣ кофӣ доранд.

Маълумоти омӯзиш ва тест чӣ гуна ҷудо шуданд?

Барои пешгирии ворид шудани мушоҳидаҳои оянда ба гузашта, қатори вақт ба таври хронологӣ ба %70 омӯзиш, %15 санҷиш ва %15 тест ҷудо шудааст. Дар қисмҳои омӯзиш ва санҷиш инчунин blocked time-series cross-validation-и хронологӣ ва панҷқабатаи бе ҳампӯшӣ истифода шудааст.

Дар шабакаҳои нейронӣ барои validation loss patience = 10 epoch early stopping истифода шуда, барои кам кардани тағйирпазирии стохастикӣ натиҷаҳои панҷ оғози тасодуфии гуногун арзёбӣ шудаанд.

Натиҷаи модел бо кадом меъёрҳо арзёбӣ шуд?

Mean Absolute Error (MAE):

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

Root Mean Squared Error (RMSE):

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

Mean Absolute Percentage Error (MAPE):

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

Determination coefficient (R²):

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

MAE андозаи миёнаи хатои мутлақро, RMSE сатҳи хаторо, ки хатогиҳои калонро сахттар ҷазо медиҳад, MAPE хатои нисбии фоизӣ ва R² ҳиссаи дисперсияи мушоҳидашударо, ки модел метавонад шарҳ диҳад, нишон медиҳад.

Дар GEPIII кадом модел муваффақтар буд?

Дар пешгӯии 24 соат ба пеш ensemble дар ҳар чор меъёр беҳтарин қиматро додааст. Дар графики истеъмоли мушоҳидашуда–пешгӯишудаи саҳифаи 24-и таҳқиқот ҳам қисми зиёди нуқтаҳо атрофи хати истинодии 1:1 ҷамъ шудаанд.

Оё натиҷаҳо дар маҷмӯаи дигари маълумот нигоҳ дошта шуданд?

Дар таҳлили BDG2 ҳам stacked ensemble ба пасттарин хато ва баландтарин R² расидааст:

Аммо ин таҷриба маънои интиқоли мустақими модел аз як бино ба бинои дигар бе омӯзиши аз навро надорад. Тибқи тавзеҳи таҳқиқот, ҳамон чаҳорчӯбаи муҳандисии хусусиятҳо ва равиши гиперпараметрҳо дар BDG2 аз нав омӯзонида мешавад. Аз ин рӯ, натиҷаҳо интиқолпазирии методологиро дастгирӣ мекунанд; онҳо исбот намекунанд, ки як модели омӯзонидашудаи GEPIII дар биноҳои BDG2 бевосита кор мекунад.

Муҳандисии хусусиятҳо натиҷаро чӣ қадар тағйир дод?

Бузургтарин ҷаҳиши ягона ҳангоми илова шудани тағйирёбандаҳои истеъмоли гузашта ба вуҷуд омадааст. Нисбат ба танҳо хусусиятҳои тақвимӣ MAPE аз %13,24 ба %10,02 поин рафтааст. Ин натиҷа нишон медиҳад, ки гузаштаи наздики истеъмоли энергия барои пешгӯии 24 соат ба пеш маълумоти қавӣ медиҳад.

Оё модели мураккабтар тезтар аст?

Не. Дар ҷадвали хароҷоти ҳисоббарории таҳқиқот LightGBM ҳам бо дақиқии баланд ва ҳам бо хароҷоти пасти ҳисоббарорӣ фарқ мекунад.

Вақти гузоришшудаи омӯзиши LightGBM — 41 сония — аз 1.284 сонияи LSTM тақрибан 31 маротиба камтар аст. Аммо ин қиматҳо танҳо барои таҷҳизот ва тартиби таҷрибавии истифодашуда дар таҳқиқот эътибор доранд; дар ҳаҷми дигар маълумот ва таҷҳизоти дигар ба ҳамон вақтҳо такя кардан мумкин нест.

Оё бартарии ensemble аз ҷиҳати оморӣ санҷида шуд?

Дар маҷмӯаи тестии GEPIII байни хатогиҳои мутлақи stacked ensemble ва хатогиҳои мутлақи ҳар як модели асосӣ paired t-test татбиқ шудааст. Дар ҳамаи муқоисаҳо p < 0,001 гузориш шудааст.

Ин санҷишҳо нишон медиҳанд, ки дар намунаи худи GEPIII-и таҳқиқот эҳтимоли шарҳ додани коҳиши хатои ensemble бо тағйирпазирии намуна паст аст. Аммо аҳамияти оморӣ маънои кафолати ҳамон андозаи фоидаи натиҷа дар паркҳои воқеии гуногуни биноҳоро надорад.

Вақте уфуқи пешгӯӣ ба 48 соат мерасад, чӣ мешавад?

Графики ҳассосияти саҳифаи 32-и таҳқиқот тағйири MAPE-и панҷ модели муваффақро аз 1 соат то 48 соат нишон медиҳад. Бо зиёд шудани уфуқи пешгӯӣ хато дар ҳамаи моделҳо афзоиш меёбад.

Stacked ensemble дар ҳамаи уфуқҳои баррасишудаи пешгӯӣ пасттарин MAPE-ро нигоҳ доштааст. Фарқи байни беҳтарин модели алоҳида LightGBM ва ensemble дар пешгӯии тақрибан 1 соата 0,7 нуқтаи фоизӣ буда, дар 48 соат ба 1,1 нуқтаи фоизӣ расидааст.

Гарчанде нишебии афзоиши хатои LSTM ва GRU нисбат ба баъзе моделҳои boosting ҳамвортар аст, дар доираи 1–48 соати баррасишуда онҳо дақиқии моделҳои gradient boosting-ро нагузаштаанд.

Таҳқиқот барои идоракунии воқеии бино чӣ пешниҳод мекунад?

Муҳаққиқ мегӯяд, ки пешгӯиҳои гирифташуда метавонанд барои иштироки тарафи талабот, танзими пешакии setpoint-ҳои HVAC, идоракунии сарбории қулла ва истифодаи фарқи пешгӯӣ–истеъмоли воқеӣ ҳамчун нишондиҳандаи аномалия татбиқ шаванд.

Махсусан хароҷоти пасти омӯзиш ва inference-и LightGBM ҳамчун бартарӣ барои BEMS-и маҳаллӣ ё барномаҳои edge, ки захираҳои сахтафзор маҳдуданд, арзёбӣ мешавад. Ensemble бошад ҳамчун варианти вазнинтар барои барномаҳое пешниҳод мешавад, ки дар онҳо дақиқӣ аз ҷиҳати иқтисодӣ муҳимтар аст.

Аммо дар таҳқиқот ҳалқаи назорати HVAC-и як бинои воқеӣ идора нашудааст, сарфаи таҷрибавӣ дар ҳисоби энергия ё истеъмоли физикии энергия чен нашудааст ва дар бозори воқеии demand response пешниҳод гузошта нашудааст. Инҳо самтҳои эҳтимолии истифода мебошанд, ки муҳаққиқ аз натиҷаҳо баровардааст.

Таҳқиқот чӣ мегӯяд ва чӣ намегӯяд?

Таҳқиқот мегӯяд: Дар ду маҷмӯаи кушодаи маълумоти бино, дар доираи ҳамон чаҳорчӯбаи омодасозӣ ва арзёбии маълумот, моделҳои gradient boosting нисбат ба моделҳои алоҳидаи LSTM ва GRU дақиқии беҳтари пешгӯӣ нишон доданд. Якҷоя кардани се модели беҳтарини gradient boosting бо stacking дар ҳар ду маҷмӯаи маълумот фоидаи иловагии дақиқӣ дод. Махсусан хусусиятҳое, ки аз истеъмоли гузашта, омори ҳаракаткунанда ва шароити обу ҳаво сохта шудаанд, дар натиҷаи пешгӯӣ нақши муҳим бозиданд.

Таҳқиқот намегӯяд: Он исбот намекунад, ки LightGBM ҳамеша дар ҳамаи навъҳои бино ё иқлимҳо аз LSTM беҳтар аст. Таҳқиқот озмоиши саҳроӣ дар системаи автоматикунонии воқеии бино нест. Он нишон намедиҳад, ки хатои пасттари пешгӯӣ бевосита ба фоизи муайяни сарфаи энергия оварда мерасонад. Ҳамчунин таҳлили BDG2 исбот намекунад, ки модели омӯзонидашудаи GEPIII бе омӯзиши дубора ба биноҳои дигар интиқол дода мешавад.

Усул ва натиҷаҳои таҳқиқот

Хулосаи тарҳи таҷрибавӣ

• Мушкили асосӣ: Пешгӯии соатбайъии истеъмоли энергияи бинои интеллектуалӣ.
• Уфуқи асосии пешгӯӣ: 24 соат ба пеш.
• Ҳассосияти иловагӣ: Пешгӯии 1–48 соат ба пеш.
• Маҷмӯаҳои маълумот: ASHRAE GEPIII ва Building Data Genome Project 2.
• Намунаи GEPIII: 380 бино.
• Намунаи BDG2: 250 бино.
• Ҳалли асосии вақт: Соатбайъ.
• Моделҳо: Random Forest, XGBoost, LightGBM, CatBoost, LSTM ва GRU.
• Ensemble: LightGBM + CatBoost + XGBoost; meta-learner-и ridge regression.
• Тақсимоти маълумот: %70 омӯзиш, %15 санҷиш, %15 тест; хронологӣ.
• Cross-validation: blocked time-series cross-validation-и панҷқабата.
• Оптимизатсияи гиперпараметр: Оптимизатсияи Байесӣ; 50 кӯшиши санҷишӣ барои ҳар модел.
• Арзёбӣ: MAE, RMSE, MAPE ва R².

Натиҷаи асосӣ дар GEPIII

Дар пешгӯии 24 соат ба пеш беҳтарин модели алоҳида LightGBM аст: MAE 15,47 kWh, RMSE 23,58 kWh, MAPE %7,96 ва R² 0,929. Stacked ensemble ин қиматҳоро мутаносибан ба 13,92 kWh, 21,34 kWh, %7,11 ва 0,941 расонидааст.

Дар муқоиса бо LightGBM, коҳиши MAE-и ensemble тақрибан:

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

мебошад.

Натиҷаи асосӣ дар BDG2

Беҳтарин модели алоҳида боз ҳам LightGBM буда, 17,88 kWh MAE, 26,77 kWh RMSE, %9,48 MAPE ва 0,909 R² истеҳсол кардааст. Stacked ensemble ба 16,18 kWh MAE, 24,39 kWh RMSE, %8,60 MAPE ва 0,921 R² расидааст.

Коҳиши MAE-и ensemble нисбат ба LightGBM тақрибан:

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

ҳисоб мешавад.

Натиҷаи асосии муҳандисии хусусиятҳо

Дар таҷрибаи ablation-и LightGBM, танҳо бо хусусиятҳои тақвимӣ R² 0,847 ва MAPE %13,24 буд; ҳангоми истифодаи ҳамаи хусусиятҳо R² ба 0,929 боло рафт ва MAPE ба %7,96 поин шуд. Бузургтарин фоидаи якмарҳилагӣ бо илова шудани хусусиятҳои lagged consumption ба даст омад.

Тавозуни суръат–дақиқӣ

Дар байни моделҳои алоҳида LightGBM бо дақиқии баланд, вақти гузоришшудаи омӯзиши 41 сония ва таъхири inference-и 0,09 ms/намуна яке аз қавитарин тавозунҳои дақиқӣ–хароҷоти ҳисоббарориро пешниҳод мекунад.

Stacked ensemble дақиқии баландтар медиҳад, аммо бо вақти умумии омӯзиши 1.637 сония ва таъхири 1,85 ms/намуна хароҷоти ҳисоббарории бештар дорад. Аз ин рӯ, натиҷаҳои таҳқиқот набояд ҳамчун “ensemble бояд ҳамеша истифода шавад” тафсир шаванд; байни талаботи натиҷа ва захираи ҳисоббарорӣ интихоб мавҷуд аст.

Маҳдудиятҳои илмӣ

• Натиҷаҳо ба ду маҷмӯаи кушодаи маълумот асос ёфтаанд; дар системаи зиндаи автоматикунонии бино санҷиши саҳроӣ анҷом дода нашудааст.
• Муқоисаи BDG2 омӯзиши дубораи ҳамон чаҳорчӯбаи методологӣ дар маълумоти дигар аст; санҷиши cross-building transfer бе омӯзиши аз нав нест.
• Вақтҳои гузоришшудаи ҳисоббарорӣ танҳо барои сахтафзор ва тартиби таҷрибавии истифодашуда эътибор доранд.
• Таҳқиқот пешгӯии нуқтавӣ анҷом медиҳад; номуайянии пешгӯӣ ё фосилаҳои эҳтимолии калибршуда арзёбӣ нашудаанд.
• Моделҳои Transformer ё attention-based дар ҳамон тартиби таҷрибавӣ муқоиса нашудаанд.
• Тарифи вақти воқеии энергия, муайянкунии муфассали ишғол ва ҷудокунии plug-load дар таҷрибаҳои асосӣ ҷой надоранд.
• Азбаски мубодилаи кушоди коди манбаъ ва artefact-ҳои модели омӯзонидашуда дар ин версия нишон дода нашудааст, бозтавлиди пурраи мустақил тасдиқ карда намешавад.
• Терминологияи mutual information ва ҳадди коррелятсия дар тавсифи филтркунии хусусиятҳо комилан якмаъно нест.
• Дар матни манбаъ баъзе номувофиқатиҳои таҳрирӣ дар рақамгузории шаклҳо ва номгузории моделҳо вуҷуд доранд.

Пешниҳодҳои таҳқиқоти оянда

Таҳқиқот пешниҳод мекунад, ки дар оянда ба ҷои пешгӯии нуқтавӣ пешгӯиҳои эҳтимолӣ, меъмориҳои Transformer ва attention, federated learning, transfer learning, маълумоти муфассалтари ишғол ва plug-load ва нархҳои динамикии барқ арзёбӣ шаванд.

Махсусан federated learning ҳамчун самти таҳқиқот нишон дода мешавад, зеро имкон медиҳад биноҳо ё муассисаҳои гуногун бе ҷамъ кардани маълумоти хоми истеъмоли энергия дар як марказ модели муштарак омӯзонанд. Transfer learning низ ҳамчун равиши эҳтимолӣ пешниҳод мешавад, ки метавонад ниёз ба маълумоти ибтидоиро дар биноҳои нав ё каммаълумот коҳиш диҳад.

Эзоҳи манбаъ ва усул

Номи аслии таҳқиқот: A Machine Learning-Based Framework for Predicting Energy Consumption in Smart Buildings

Муаллиф: Sun Tao

Эзоҳ дар бораи шахсияти муаллиф: Дар саҳифаи аввали намоёни матни таҳқиқоти боршуда маълумоти муаллиф ё муассиса вуҷуд надорад. Маълумоти Sun Tao ва Zhejiang University тавассути сабти расмии библиографии SSRN Abstract 7199510, ки таҳқиқот ба он ишора мекунад, тасдиқ шудааст.

Саҳми баробар/муаллифи якуми баробар: Азбаски сабт якмуаллифа аст, маълумоти муаллифи якуми баробар вуҷуд надорад.

Муаллифи иртибот: Дар сабти SSRN Sun Tao ҳамчун contact author нишон дода шудааст.

Муассиса: Zhejiang University.

DOI: 10.2139/ssrn.7199510

Платформаи нашр: SSRN, Abstract 7199510.

Маҷалла: Нашри маҷаллаи тақризшуда тасдиқ нашудааст.

Соли нашр: 2026.

Навъи манбаъ: Препринти таҳқиқотӣ, ки муқоисаи таҷрибавии моделҳои омӯзиши мошинӣ барои пешгӯии истеъмоли энергияи биноҳоро дар бар мегирад.

Ҳолати тақриз: Версияи ҷории таҳқиқот препринти аз тақриз нагузашта аст. Дар ҳар саҳифаи манбаъ ибораи “Preprint not peer reviewed” мавҷуд аст.

Пайванди расмӣ: SSRN Abstract 7199510.

Эзоҳи идентификатсияи библиографӣ: Дар манбаъҳои онлайн сабти дигаре низ дида мешавад, ки бо ҳамон номи таҳқиқот ва хулосаи хеле монанд, вале бо муаллиф ва рақами дигари SSRN индекс шудааст. Азбаски таҳқиқоти боршуда дар ҳар саҳифа ба сабти 7199510 пайваст аст, дар ин мундариҷа танҳо идентификатсияи библиографии 7199510 асос гирифта шудааст.

Усул, маҷмӯаи маълумот, формулаҳо, қиматҳои натиҷа, тартиби аҳамияти хусусиятҳо, хароҷоти ҳисоббарорӣ ва натиҷаи таҳқиқот дар ин мундариҷаи Verianla танҳо ба таҳқиқоти баррасишуда асос ёфтаанд. Манбаъҳои беруна барои васеъ кардани натиҷаҳои илмӣ истифода нашудаанд; онҳо танҳо барои тасдиқи идентификатсияи библиографӣ, муаллиф, муассиса ва DOI истифода шудаанд.

Натиҷаҳои таҳқиқот натиҷаи пешгӯии бадастомада дар benchmark-ҳои кушода мебошанд. Хулоса кардан мумкин нест, ки сарфаи энергия, муваффақияти идоракунии HVAC, коҳиши хароҷот ё даромади demand response дар як бинои воқеӣ дар шароити саҳроӣ тасдиқ шудааст. Илова бар ин, татбиқ ба биноҳо ва иқлимҳои дигар аз нав омӯзонидани ҳамон чаҳорчӯбаи омодасозӣ ва моделсозӣ дар маълумоти маҳаллӣ ва санҷиши мустақилро талаб мекунад.