Ин таҳқиқот барои пешгӯии истеъмоли қувваи барқ дар се бинои академии Universidad Laica Eloy Alfaro de Manabí аз барномаи MATLAB Regression Learner бо истифода аз ченкуниҳои гузашта, маълумоти вақт ва маълумоти ҳарорат истифода мебарад. Regression Learner воситаи омӯзиши мошинӣ мебошад, ки имкон медиҳад алгоритмҳои гуногуни регрессия дар як маҷмуаи додаҳо омӯзонида, тавассути санҷиши салибӣ муқоиса карда шаванд ва моделҳои ҳосилшуда баъдан барои истифода дар коди MATLAB ё барномаҳои дигар содир карда шаванд. Дар таҳқиқот вариантҳои гуногун, аз ҷумла регрессияи хаттӣ ва полиномӣ, Support Vector Machine ва усулҳои ensemble арзёбӣ шудаанд; тибқи манбаъ, натиҷаи беҳтарин бо модели Regression Ensemble: Bagged Trees ба даст омадааст.

Дар таҳқиқот гуфта мешавад, ки аз сабтҳои тақрибан 10 моҳи истеъмоли барқ дар се бинои донишгоҳ истифода шудааст. Дар графикҳои манбаъ меҳвари вақти таҳқиқшуда аз майи 2022 то феврали 2023 тӯл мекашад. Дар маҷмуаи додаҳо ғайр аз қувваи барқ, ҳарорати муҳит, рӯз ва соат ҳамчун тағйирёбандаҳои вақт мавҷуданд. Дар ҷадвали намунавии ченкуниҳо дида мешавад, ки онҳо бо фосилаи 15 дақиқа сабт шудаанд. Пеш аз ворид кардани додаҳо ба MATLAB, қадамҳои пешкоркард, аз ҷумла ислоҳи сабтҳои нопурра ва тоза кардани қиматҳои ғайримуқаррарӣ, татбиқ шудаанд.

Дар муқоисаи Regression Learner модели ensemble-и Bagged Trees бо RMSE-и санҷиши 2.2463 аз ҷониби манбаъ ҳамчун модели муваффақтарин интихоб шудааст. RMSE ё Root Mean Squared Error решаи квадратии миёнаи квадратҳои фарқ байни пешгӯиҳои модел ва қиматҳои воқеӣ мебошад ва ба хатогиҳои калони пешгӯӣ вазни бештар медиҳад. Гарчанде дар худи матни таҳқиқот гуфта шудааст, ки қимати идеалии ҳадаф бояд аз 1,4 камтар бошад, беҳтарин RMSE-и бадастомада тақрибан 2,24 мебошад. Аз ин рӯ, модел ба сатҳи хатои ҳадаф нарасидааст, аммо муаллифон натиҷаро барои мақсадҳои банақшагирии энергия қобили истифода арзёбӣ кардаанд.

Натиҷаи дуюми муҳими таҳқиқот интерфейси корбар мебошад, ки бо MATLAB App Designer омода шудааст. Барнома ба корбар имкон медиҳад факултет ва санаро интихоб кунад, модели мувофиқро аз байни се модели қаблан омӯзонидашудаи бино бор кунад ва қиматҳои пешгӯишудаи қувваи барқ ва ҷараёнро дар экран нишон диҳад. Ҳамин тавр, ҳадаф ин буд, ки модели омӯзиши мошинӣ танҳо дар муҳити таҳлил боқӣ намонад, балки ба воситаи амалии пешгӯӣ табдил дода шавад.

Бо вуҷуди ин, дар таҳқиқот ҷузъиёти муҳиме барои такрорпазирӣ, аз ҷумла гиперпараметрҳои Bagged Trees, қимати k дар санҷиши салибӣ, RMSE-и мустақили ҳар як бино, натиҷаи ададии R² ва маҷмуаи санҷиши беруна пешниҳод нашудаанд. Илова бар ин, давраи додаҳо дар қисмҳои гуногун ба шаклҳои 10 моҳи дохили 2022, майи 2022–феврали 2023 ва май–июн–июл тавсиф шудааст, ки дар дохили манбаъ номувофиқии фосилаи вақт ба вуҷуд меорад.

Чаро Пешгӯии Истеъмоли Барқ дар Биноҳои Донишгоҳ Душвор Аст?

Истеъмоли барқ дар биноҳои донишгоҳ танҳо функсияи содаи соат ё ҳарорати беруна нест. Таҳқиқоти манбаъ таъкид мекунад, ки омилҳои зиёд, аз ҷумла ҳаракати корбарон, дарсҳо ва фаъолияти маъмурӣ, намудҳои гуногуни утоқҳо, сохтори тирезаҳо ва махсусан истифодаи кондитсионер, метавонанд талаботи барқро тағйир диҳанд. Аз ин рӯ, як бино метавонад дар рӯзҳои гуногун ё дар соатҳои гуногуни як рӯз профилҳои хеле фарқкунандаи қувваро нишон диҳад.

Модели пешгӯӣ кӯшиш мекунад, ки бо омӯхтани намунаҳои такроршаванда дар ченкуниҳои гузашта талаботи интизории қувваро дар нуқтаҳои вақти оянда пешгӯӣ кунад. Ҳадаф танҳо шарҳи бозгаштии истеъмоли умумии энергия нест, балки дастгирии идоракунӣ ва банақшагирии энергия тавассути пешгӯии пешакии талаботи эҳтимолии барқ мебошад.

Се факултети таҳқиқшуда

Дар интерфейси App Designer-и манбаъ се модели алоҳидаи факултет мавҷуд аст:

• Facultad de Ingeniería Naval,
• Facultad de Administración de Empresas,
• Facultad de Ciencias de la Educación.

Манбаъ мегӯяд, ки барои ҳар як бино/факултет додаҳо ҷудогона омода шуда, дар Regression Learner се модели мустақил сохта шудаанд.

Regression Learner Дар Ин Таҳқиқот Чӣ Кор Мекунад?

Regression Learner барои омӯхтани робитаи байни қувваи барқ, вақт ва тағйирёбандаҳои муҳитӣ аз ченкуниҳои гузашта якчанд алгоритми регрессияро дар як муҳити корӣ арзёбӣ мекунад. Корбар маҷмуаи додаҳоро бор мекунад, тағйирёбандаи ҳадаф ва тағйирёбандаҳои predictor-ро интихоб мекунад, моделҳои гуногунро меомӯзонад ва мувофиқи меъёрҳои санҷишӣ, ба монанди RMSE, равиши мувофиқтаринро муайян мекунад.

Тағйирёбандаҳои асосии дар манбаъ истифодашуда

Дар қисмҳои гуногуни таҳқиқот ҳамчун вурудҳои модел аз:

• сана,
• соат,
• рӯз,
• моҳ,
• сол,
• ҳарорати муҳит

ёд шудааст.

Тағйирёбандаи ҳадаф бошад, қувваи барқ аст.

Дар экрани интихоби тағйирёбандаҳои Regression Learner дар саҳифаи 11-и PDF, Fecha, Hora ва Temperatura ҳамчун predictor қайд шудаанд, дар ҳоле ки Potencia ҳамчун тағйирёбандаи ҳадафи ҷудогона истифода мешавад.

Намунаи ченкуниҳои 15-дақиқагӣ

Ин намуна нишон медиҳад, ки ҳадди ақал дар қисми ҷадвали нашршуда ченкуниҳо бо ҳалнокии 15 дақиқа нигоҳ дошта шудаанд.

Модели Bagged Trees Истеъмоли Энергияро Чӣ Гуна Пешгӯӣ Мекунад?

Равиши Bagged Trees ба ҷои такя ба як дарахти қарор, пешгӯиҳои дарахтони зиёди қарорро, ки тавассути намунагирии такрорӣ аз ҳамон додаҳои омӯзишӣ сохта шудаанд, муттаҳид мекунад. Тамоюли як дарахт ба мутобиқшавии аз ҳад зиёд ба баъзе намунаҳои омӯзишӣ тавассути миёнагирии ensemble коҳиш дода мешавад; бо ин роҳ ҳадаф устувортар шудани модел нисбат ба додаҳои нав аст.

Мушкилоти як дарахти қарор

Дар шарҳи манбаъ гуфта мешавад, ки як дарахти қарор метавонад, масалан, аз рӯйи ҳарорат ва соат чунин қоидаҳоро омӯзад:

• агар ҳарорат аз 30 °C боло бошад ва соат 14:00 бошад, истеъмоли баланд,
• агар ҳарорат аз 20 °C поён бошад ва соат 07:00 бошад, истеъмоли паст

.

Аммо мутобиқшавии аз ҳад зиёди як дарахт ба тақсимоти дақиқи додаҳои омӯзишӣ метавонад ба дисперсияи баланд оварда расонад. Усули Bagging бо сохтани дарахтони зиёд дар намунаҳои гуногуни bootstrap мекӯшад ин мушкилотро кам кунад.

Формулировкаи математикии Bagged Trees

Манбаъ маҷмуаи додаҳои омӯзиширо чунин муайян мекунад:

.

Дар ин ҷо \(x_i\) хусусиятҳоеро ба монанди ҳарорат ва соат, ва \(y_i\) истеъмоли барқеро ифода мекунад, ки бояд пешгӯӣ шавад.

Сипас тавассути намунагирӣ бо ивазкунӣ:

маҷмуаҳои додаҳои bootstrap сохта мешаванд.

Пас аз омӯзонидани дарахти ҷудогонаи қарор \(h_b(x)\) дар ҳар маҷмуаи додаҳо, пешгӯии ensemble чунин ҳисоб карда мешавад:

.

Яъне пешгӯии ниҳоии истеъмоли барқ аз натиҷаи як дарахт не, балки аз миёнаи пешгӯиҳои ҳамаи дарахтон ташкил мешавад.

Усул ва Натиҷаҳои Таҳқиқот

Ҷамъоварӣ ва омодасозии додаҳо

Занҷири усули таҳқиқоти манбаъро чунин ҷамъбаст кардан мумкин аст:

1. Ҷамъоварии додаҳои истеъмоли барқ аз се бинои академӣ.
2. Илова кардани маълумоти вақт ва ҳарорати муҳит ба маҷмуаи додаҳо.
3. Ислоҳи сабтҳои нопурра.
4. Тоза кардани қиматҳои ғайримуқаррарӣ.
5. Ҷудо кардани додаҳо аз рӯйи факултет.
6. Табдил додани маълумоти вақт ба вурудҳои пешгӯӣ.
7. Сохтани модели мустақили Regression Learner барои ҳар як факултет.
8. Омӯзонидани алгоритмҳои гуногуни регрессия.
9. Арзёбии иҷроиш тавассути санҷиши салибӣ.
10. Интихоби Bagged Trees ҳамчун модели беҳтарин.
11. Интиқоли моделҳои омӯзонидашуда ба барномаи App Designer.

Манбаъ мегӯяд, ки амалиёти тозакунӣ анҷом дода шудааст, аммо шарҳ намедиҳад, ки кадом усули муайян кардани қиматҳои ғайримуқаррарӣ ё кадом усули пур кардани додаҳои гумшуда истифода шудааст.

Рафтори миёнаи ҳафтаинаи қувва

Расми 1 дар саҳифаи 7-и PDF силсилаи миёнаи ҳафтаинаи қувваро барои Facultad de Administración de Empresas аз майи 2022 то феврали 2023 нишон медиҳад.

Манбаъ рафторҳои асосии зеринро таъкид мекунад:

• нуқтаҳои талаботи баланд дар давраи май,
• афзоиши дубораи истеъмол дар атрофи сентябр,
• қуллаҳои ҳафтаина аз 10 kW боло дар атрофи январ,
• водии истеъмолӣ наздик ба 0 kW дар аввали август,
• давраи дуюми истеъмоли хеле паст дар аввали ноябр.

Муаллифон давраҳои истеъмоли хеле пастро бо коҳиши фаъолияти академӣ, таътил ё пуршавии пасти бино алоқаманд мекунанд.

Аммо азбаски дар таҳқиқот сенсори мустақими пуршавӣ ё тағйирёбандаи фаъолияти академӣ вуҷуд надорад, ин шарҳ тафсири муаллифон мебошад.

Рафтори ҳафтаинаи ҳарорат

Дар Расми 2 ҳарорати миёнаи ҳафтаина тақрибан дар ҳудуди:

тағйир меёбад.

Тибқи манбаъ:

• дар атрофи 15 май тақрибан 21,7 °C,
• дар 22 майи 2022 — 23,37 °C,
• дар 31 июл — 23,74 °C,
• дар 28 август — 21,80 °C,
• дар 6 ноябр — 23,98 °C,
• дар 4 декабр — 25,70 °C,
• дар 1 январ 2023 — 27,26 °C

қиматҳо мавҷуданд.

Ҳангоми арзёбии якҷояи қувва ва ҳарорат

Расми 3 дар саҳифаи 8-и PDF ду тағйирёбандаро дар як меҳвари вақт нишон медиҳад.

Манбаъ ду минтақаи гуногуни рафторро тафсир мекунад.

Давраҳои фаъолияти паст: Дар баъзе ҳафтаҳое, ки истеъмоли қувва ба 0 kW наздик мешавад, ҳарорат ба ҳамин шакл паст намешавад. Аз ин рӯ, манбаъ истеъмоли бениҳоят пастро бештар бо фаъолияти академӣ ё пуршавӣ алоқаманд мекунад, на бо ҳарорат.

Давраи гармтар: Пас аз ноябр бо боло рафтани ҳарорат баъзе қуллаҳои истеъмоли қувва низ боло мераванд. Муаллифон инро бо зиёд шудани истифодаи кондитсионер алоқаманд мекунанд.

Бо вуҷуди ин, азбаски манбаъ коэффисиенти воқеии коррелятсия, коэффисиенти регрессия ё ченкунии истифодаи кондитсионерро пешниҳод намекунад, бузургии таъсири мустақили ҳарорат ба истеъмол ба таври миқдорӣ муайян намешавад.

RMSE = 2.2463 Чӣ Маъно Дорад?

RMSE бузургии хатои байни қувваи барқи пешгӯишуда ва ченкунии воқеиро дар як адад ҷамъбаст мекунад. Ҳар қадар қимат хурдтар шавад, пешгӯиҳои модел ба қиматҳои воқеии маҷмуаи додаҳо наздиктар мешаванд; аммо хуб ё бад будани RMSE бояд бо назардошти миқёси тағйирёбандаи ҳадаф, таҳаммулпазирии барнома ба хато ва муқоиса бо моделҳои содатар арзёбӣ шавад.

Формулаи RMSE дар манбаъ

Дар ин ҷо:

• \(y_i\): ченкунии воқеӣ,
• \(\hat y_i\): пешгӯии модел,
• \(n\): шумораи мушоҳидаҳо.

Дар экрани Regression Learner дар саҳифаи 11-и PDF:

RMSE (Validation) = 2.2463

дида мешавад.

Муқоиса бо ҳадафи худи таҳқиқот

Матни манбаъ дар оғоз интизор буд, ки RMSE:

бошад.

Аммо беҳтарин қимати бадастомада:

буд.

Аз ин рӯ, натиҷа аз ҳадафи интизоршуда болотар аст.

Оё Хатои %7,46 Меъёри Воқеии Хатои Таҳқиқот Аст?

Не. Ҳисоби %7,46-и дар манбаъ овардашуда аз истеъмоли миёнаи нашршудаи маҷмуаи воқеии додаҳо гирифта нашудааст; муаллифон барои шарҳ истеъмоли миёнаро 30 kW фарз мекунанд. Аз ин рӯ, %7,46 танҳо як мисоли фарзии хатои нисбӣ мебошад ва набояд ҳамчун фоизи дақиқии ченшудаи модели Bagged Trees истифода шавад.

Мисоли дар манбаъ истифодашуда

Ба таври фарзӣ:

гирифта шавад:

ба даст меояд.

Манбаъ инчунин нишон медиҳад, ки агар истеъмоли воқеии миёна 50 kW мебуд:

мешуд.

Ин мисолҳо нишон медиҳанд, ки хатои нисбӣ ба қимати нормализатсияи истифодашуда вобаста аст; он натиҷаи мустақими иҷроиши модел нест.

Мушкилоти RMSE = 2,91 дар дохили манбаъ

Дар ҳамин қисм манбаъ ногаҳон:

RMSE = 2,91 → тақрибан %9,7

ибораро истифода мебарад.

Аз ҷиҳати математикӣ:

дуруст аст.

Аммо дар экрани Regression Learner-и таҳқиқот қимати бадастомада 2,2463 мебошад. Азбаски шарҳ дода нашудааст, ки 2,91 аз кадом модел гирифта шудааст, ин ададро ҳамчун натиҷаи асосӣ истифода бурдан мумкин нест.

Қиматҳои Воқеӣ ва Пешгӯишудаи Қувва Чӣ Гуна Муқоиса Мешаванд?

Дар манбаъ ченкуниҳои воқеии қувва ва пешгӯиҳои модели регрессия дар як график муқоиса мешаванд. Тибқи матн, нуқтаҳои кабуд ченкуниҳои воқеии қувваи барқ ва нуқтаҳои зард пешгӯиҳои моделро ифода мекунанд. Ҳадаф ба таври визуалӣ арзёбӣ кардани он аст, ки модел то чӣ андоза профили истеъмолро дар тӯли вақт пайгирӣ карда метавонад.

Аммо манбаъ барои ин график қиматҳои ҷудогонаи:

• MAE,
• maximum error,
• bias,
• R²,
• prediction interval

намедиҳад.

App Designer Пешгӯии Энергияро Чӣ Гуна Қобили Истифода Мекунад?

Барномаи App Designer, ки дар таҳқиқот сохта шудааст, дастрасиро ба моделҳои омӯзонидашудаи пешгӯӣ бидуни истифодаи сатри фармони MATLAB ё интерфейси Regression Learner таъмин мекунад. Корбар факултет ва санаро интихоб мекунад, барнома модели омӯзонидашудаи дахлдорро бор карда, қиматҳои пешгӯишудаи қувва ва ҷараёнро дар интерфейс нишон медиҳад.

Ҷараёни асосии корбар дар барнома

1. Факултет интихоб мешавад.
2. Маълумоти рӯз, моҳ, соат ва дақиқа ворид карда мешавад.
3. Амали “Calcular” оғоз мешавад.
4. Модели факултети интихобшуда бор карда мешавад.
5. Пешгӯии қувва ҳисоб карда мешавад.
6. Аз қимати қувва ҷараён ҳисоб карда мешавад.
7. Натиҷаҳо дар интерфейс нишон дода мешаванд.

Дар экрани намунавии саҳифаи 14-и PDF барнома қиматҳои пешгӯишудаи қувва ва ҷараёнро дар майдонҳои ҷудогона нишон медиҳад.

Чаро се модели алоҳида?

Манбаъ додаҳоро аз рӯйи факултет ҷудогона омода мекунад. Сабаб дар он аст, ки биноҳои академии гуногун метавонанд аз ҷиҳати:

• соатҳои корӣ,
• зичии корбарон,
• тарзи истифодаи кондитсионер,
• профилҳои бори барқ

рафтори гуногун дошта бошанд.

Аз ин рӯ, ба ҷои як модели универсалии кампус се модели мустақил истифода шудааст.

Оё Моделро Дар Биноҳои Нави Донишгоҳ Бевосита Истифода Бурдан Мумкин Аст?

Барномаи мавҷудаи манбаъ бар асоси додаҳои аз се бино ҷамъоваришуда таҳия шудааст. Агар бинои нав ба система илова шавад, бояд додаҳои наве ҷамъ оварда шаванд, ки рафтори истеъмолии он биноро ифода кунанд, ва модел аз нав омӯзонида шавад; модели се бинои мавҷуда дар сохтори нав бо тартиби дигари истифода ҳамон иҷроишро ба таври худкор кафолат намедиҳад.

Натиҷаҳое, ки манбаъ дастгирӣ мекунад

• MATLAB Regression Learner метавонад ба додаҳои истеъмоли барқи донишгоҳ татбиқ шавад.
• Тағйирёбандаҳои вақт ва ҳарорат метавонанд дар пешгӯии талаботи энергия истифода шаванд.
• Дар байни моделҳои дар манбаъ арзёбишуда Bagged Trees пасттарин RMSE-и гузоришшударо додааст.
• RMSE-и санҷиши Bagged Trees ҳамчун 2.2463 нишон дода шудааст.
• Истеъмоли барқ дар давоми сол тағйирёбии назарраси ҳафтаина нишон медиҳад.
• Баъзе давраҳои истеъмоли паст аз тағйироти ҳарорат мустақил ба назар мерасанд.
• Дар давраи гарм истеъмол ва ҳарорат дар баъзе давраҳо якҷоя боло мераванд.
• Моделҳои омӯзонидашуда ба барномаи корбарии бар асоси App Designer ҳамгиро карда шудаанд.

Натиҷаҳое, ки таҳқиқот худ аз худ дастгирӣ намекунад

• Нишон дода нашудааст, ки фоизи воқеии хатои модел %7,46 аст.
• Нишон дода нашудааст, ки RMSE-и модел аз 1,4 камтар аст.
• Қимати ададии муваффақият барои R² нашр нашудааст.
• Нишон дода нашудааст, ки ҳарорат сабаби фоизи муайяни тағйироти истеъмол аст.
• Таъсири мустақиман ченшудаи истифодаи кондитсионер дода нашудааст.
• Нишон дода нашудааст, ки ҳамон модел дар ҳамаи биноҳои донишгоҳ ҳамон дақиқиро медиҳад.
• Барои пешгӯиҳои санаҳои оянда дар вақти воқеӣ санҷиши мустақили саҳроӣ пешниҳод нашудааст.
• Ба таври таҷрибавӣ нишон дода нашудааст, ки бо илова кардани додаҳои бештар дақиқӣ ҳатман зиёд мешавад.

Ҷанбаҳои қавии таҳқиқот

Ҷанбаи қавии аввал ин аст, ки таҳқиқот ченкуниҳои воқеии истеъмоли биноҳоро бо модели омӯзиши мошинӣ муттаҳид мекунад. Модел пурра ба профили синтетикии энергия такя намекунад.

Ҷанбаи қавии дуюм пайваст кардани додаҳои истеъмол бо маълумоти ҳарорат ва вақт мебошад. Ҳамин тавр, ба назар гирифта мешавад, ки талаботи барқ танҳо аз қиматҳои гузаштаи қувва иборат нест.

Ҷанбаи қавии сеюм муқоисаи алгоритмҳои гуногуни Regression Learner ва аз аввал интихоб нашудани як модел мебошад.

Ҷанбаи қавии чорум табдил додани модел тавассути App Designer ба интерфейсе барои корбари ниҳоӣ мебошад. Ин таҳлили омӯзиши мошиниро ба сенарияи истифодаи амалӣ наздик мекунад.

Маҳдудиятҳои асосии таҳқиқот

Ба тарзҳои гуногун ифода шудани давраи додаҳо дар қисмҳои гуногуни мақола мушкили муҳими гузоришдиҳӣ аст. Графикҳои намоёнтарин фосилаи майи 2022 то феврали 2023-ро нишон медиҳанд.

Ҳалнокии ченкунӣ низ дар баъзе қисмҳо соатбайъ, аммо дар ҷадвали намунавӣ 15-дақиқагӣ пешниҳод шудааст.

Гиперпараметрҳои Bagged Trees шарҳ дода нашудаанд.

Қимати k-и санҷиши салибӣ нишон дода нашудааст.

Гуфта шудааст, ки R² барои иҷроиши модел истифода мешавад, аммо қимати натиҷа дода нашудааст.

Ҷадвали муқоисавии иҷроиши алоҳидаи се бино пешниҳод нашудааст.

Иҷроиш дар давраи санҷиши беруна ва комилан нодидашуда дода нашудааст.

Мисолҳои %7,46 ва %4,48 дар манбаъ ба қиматҳои фарзии миёнаи истеъмол вобастаанд.

Ифодаи 2,91 RMSE аз натиҷаи асосии 2,2463 ба шакли шарҳнашуда фарқ мекунад.

Ёддошт оид ба Манбаъ ва Усул

• Унвони аслӣ: Predicción de Consumo Energético en Edificios Universitarios usando la aplicación Regression Learner de MATLAB
• Унвони англисӣ: Predicting Energy Consumption in University Buildings Using the Regression Learner App in MATLAB
• Муаллиф 1: Kenneth Wladimir Masabanda Macay
• Муаллиф 2: Edisson Daniel Segovia Muñoz
• Муаллиф 3: Erick José Alcivar Villamarin
• Муаллиф 4: Washington Xavier García Quilachamin
• Муассиса: Universidad Laica Eloy Alfaro de Manabí, Manta, Ecuador
• Маҷалла: Ciencias de la Ingeniería y Aplicadas
• Муассисаи нашркунанда: Universidad Técnica de Cotopaxi
• Ҷилд: 10
• Шумора: 1
• Саҳифаҳо: 128–144
• Давраи нашр: январ–İyun 2026
• DOI: 10.61236/ciya.v10i1.1240
• Санаи қабул: 24 октябри 2025
• Санаи қабули бознигарӣ: 28 декабри 2025
• Санаи расмии нашр: 16 январ 2026
• Навъи мақола: Мақолаи таҳқиқотӣ
• Навъи манбаъ: Додаҳои истеъмоли энергияи донишгоҳ + регрессияи назоратшаванда + таҳияи барномаи MATLAB
• Нармафзори асосӣ: MATLAB Regression Learner
• Таҳияи барнома: MATLAB App Designer
• Модели интихобшуда: Regression Ensemble — Bagged Trees
• Беҳтарин RMSE-и санҷиши гузоришшуда: 2.2463
• Пайванди расмӣ:https://doi.org/10.61236/ciya.v10i1.1240

Ёддошт оид ба якпорчагии додаҳо ва метрикаҳо дар дохили манбаъ

Давраи додаҳои мақола дар қисмҳои гуногун ҳамчун “10 моҳи дохили 2022”, “майи 2022–феврали 2023” ва “май, июн ва июл” ба шаклҳои гуногун тавсиф шудааст. Басомади ченкунӣ низ дар як қисм соатбайъ гуфта шудааст, дар ҳоле ки ҷадвали намунавӣ сабтҳои 15-дақиқагиро нишон медиҳад. Ин фарқиятҳо барои такроркунии мустақил бояд равшан карда шаванд.

Қимати асосии иҷроиш дар экрани Regression Learner RMSE=2.2463 мебошад. Меъёрҳои хатои %7,46 ва %4,48 дар матн аз миёнаи воқеии додаҳо не, балки мутаносибан аз фарзияҳои 30 ва 50 kW ҳисоб шудаанд. Қимати RMSE=2,91, ки дар ҳамон қисм истифода шудааст, бо натиҷаи асосии модел мувофиқат намекунад.

Ёддошт оид ба такрорпазирии модел

Манбаъ гузориш медиҳад, ки k-fold cross-validation, оптимизатсияи гиперпараметрҳо ва муқоисаи алгоритмҳои гуногуни регрессия анҷом дода шудаанд; аммо қимати k, шумораи дарахтони Bagged Trees, андозаи барг, танзимоти bootstrap, random seed ва маҷмуаи ниҳоии гиперпараметрҳо нашр нашудаанд. Аз ин рӯ, барои бозсозии айнан модели манбаъ аз матн, сессияи аслии MATLAB ё файлҳои модели омӯзонидашуда заруранд.

Ҳадди тафсири илмӣ

Таҳқиқот нишон медиҳад, ки бо истифода аз додаҳои гузашта оид ба истеъмол ва додаҳои муҳитӣ/вақтӣ метавон талаботи барқи се бинои мушаххаси донишгоҳро бо омӯзиши мошинӣ моделсозӣ кард. Натиҷаи RMSE=2.2463 ба шароити санҷиши дохили таҳқиқот дахл дорад ва барои кампусҳои нав, иқлимҳои дигар ё профилҳои гуногуни истифода ҳамон иҷроишро кафолат намедиҳад. Сарфаи энергия ё коҳиши партовҳои карбон низ натиҷаҳои мустақиман ченшудаи таҳқиқот нестанд; онҳо ҳадафҳои татбиқӣ мебошанд, ки бар он асос ёфтаанд, ки пешгӯиҳо метавонанд ба банақшагирии беҳтари энергия мусоидат кунанд.