بهینه یابی سبد مصرف انرژی و خوشه بندی ساختمان های مسکونی با بهبود شبکه عصبی فازی با اوزان و معماریAHP

نوع مقاله: مقاله پژوهشی

10.22111/jmr.2013.1262

چکیده

       ساختمان­های مسکونی ایران، مطابق آمارهای موجود، بزرگترین مصرف کننده انرژی این کشور می باشند؛ فاکتورهای متعدد تاثیرگذار بر رفتار مصرف انرژی در ساختمان­های مسکونی، مسئله پیش بینی و ممیزی مصرف انرژی را به چالشی مهم در موسسات بهینه سازی مصرف تبدیل نموده­اند. از این رو مدیران در تلاشند تا با بهر­ه­گیری از تکنیک های مناسب، فرآیند ممیزی و تعیین برچسب انرژی ساختمان های مسکونی را بهبود بخشند.
       هدف پژوهش حاضر، با توجه به ضرورت مدیریت انرژی، مدل سازی، پیش بینی و خوشه بندی مصرف انرژی ساختمان های مسکونی، جهت ممیزی و تعیین برچسب انرژی این ساختمان­ها می­باشد. از این رو این پژوهش، با تلفیق شبکه عصبی فازی (FNN) و فرایند تحلیل سلسله مراتبی (AHP)، با استفاده از داده­های پرسشنامه­­ای، به خوشه بندی رفتار مصرف انرژی ساختمان­های مسکونی پرداخته است. بر این اساس، ضرایب وزنی و معماری حاصل از AHP به عنوان اوزان و معماری اولیه شبکه عصبی استفاده شده است. شبکه عصبی در دو حالت "با اوزان و معماری اولیه" و "بدون اوزان و معماری اولیه" بر روی داده های یکسان اجرا گردید. بخش مسکونی شهر شیراز به عنوان جامعه آماری مورد نظر انتخاب گردید و به منظور آموزش و آزمایش شبکه عصبی، داده های 270 ساختمان مسکونی مورد استفاده قرار گرفت. مقایسه قدرت تفکیک و خوشه بندی مدل های FNN در دو حالت بیان گر این مطلب است که مدل شبکه عصبی با معماری و اوزان اولیه AHP نسبت به دیگر مدل، از سرعت و دقت بالاتری در پیش بینی و خوشه بندی برخوردار است.

کلیدواژه‌ها


عنوان مقاله [English]

Energy Consumption Basket Optimization and Residential Buildings Clustering by Fuzzy NN Improvement by AHP Architecture and Weights

چکیده [English]

Iran residential buildings are the major energy consumers of this country. Various factors which are effective on energy consumption behavior in residential buildings have converted energy consumption forecasting problem to a great challenge for the institutes of energy consumption optimization. Considering the energy management essence, the present study aimed at modeling, forecasting, and clustering of energy consumption in residential buildings, for energy labeling and auditing of the mentioned buildings. Therefore, in this research by combining Fuzzy Neural Network and AHP, using data obtained from questionnaires, energy consumption behavior of residential buildings has been clustered. AHP weights coefficients and architecture have been used as the initial weights coefficients and architecture of NN. In both modes of with and with out initial weights coefficients and architecture, NN was deployed with the same data. In order to NN training and testing, 270 residential buildings in the city of Shiraz were employed. Comparing the detecting and clustering power of the two mentioned FNN models indicate that FNN with initial weights coefficients and AHP architecture has more accuracy and speed of clustering and prediction compare to the other model.
 

کلیدواژه‌ها [English]

  • Fuzzy Neural Network
  • AHP
  • Energy consumption behavior
  • Clustering
  • Residential Buildings
  • Auditing

منابع فارسی

1-آمار سازمان بهینه سازی مصرف سوخت کشور، 1387.

2-خادمی زارع ، حسن و اخوان آخرین ، ارائه یک مدل تلفیقی به منظور پیش بینی پیک بار و برقراری تعادل عرضه و تقاضای انرژی الکتریکی با اهداف چند گانه ، بیست و چهارمین کنفرانس بین المللی برق، ایران ، تهران ، 2009.

3-داداش زاده، علیرضا، حسینی، سید موسی و فارسی، میر پیمان1390، نقش مصالح سازه ای در طراحی ساختمان ها با تاکید بر بهینه سازی مصرف سوخت و انرژی، اولین همایش منطقه­ای عمران و معماری، آمل، آموزشکده فنی و حرفه ای سما واحد آیت ا.. آملی.   

4-ریاضی، منصوره و حسینی، سید مهدی1390، نگاهی به سیاست های بهینه سازی تولید و مصرف انرژی در بخش ساختمانی ایران، اولین کنفرانس بین المللی رویکردهای نوین در نگهداشت انرژی، تهران، دانشگاه صنعتی امیرکبیر.              

5-سوقشقایی ، علی (1389)، پایان نامه کارشناسی ارشد ، دانشکده مهندسی صنایع دانشگاه یزد.

6-شاه حسینی، محمدعلی؛ طراحی مدل سیاستگذاری انرژی در افق چشم انداز با رویکرد سیستم­های پویا؛ پایان نامه دکتری تخصصی؛ دانشگاه تهران . دانشکده مدیریت 1388.

7-طلوعیان، اکبر؛ مدیریت مصرف انرژی و رابطه آن با توسعه پایدار و آلودگی محیط زیست؛ پنجمین همایش بهینه سازی مصرف سوخت در ساختمان؛ 1385.

8-کیخاونی ، قوان ، ممیزی انرژی در ساختمان ، هفتمین همایش ملی انرژی ، ایران ، تهران ، 2009.

9-گیتی فروز، آناهیتا؛ برآورد مصرف ماهانه انرژی الکتریکی با استفاده از منطق فازی و شبیه سازی؛ دانشگاه تهران . دانشکده فنی . گروه مهندسی صنایع؛ 1385.

10-نصراللهی، فرشاد(1389)، بهره­وری انرژی در بخش ساختمان و مسکن، کنفرانس بهینه سازی مصرف انرژی، تهران، موسسه همایش صنعت.

 

 

منابع انگلیسی 

1-Aydinalp M, Ugursal VI, Fung A. Modeling of the appliance, lighting, and spacecooling energy consumptions in the residential sector using neural networks. Applied Energy 2002, 72(2):87–110.

2-Azadeh, A., Ghaderi, S.F., Sohrabkhani, S., Forcasting electrical consumption by integration of NN, time series and ANOVA, Applied mathematics and computation 2007(186): 1753-1761.

3-Azadeh, A., Saberi, M., Seraj, O. An integrated fuzzy regression algorithm for energy consumption estimation with non-stationary data: Acase study of Iran, Energy, 2010(35): 2351- 2366.

4-Chinese, D., Nardin, G., Saro,G. Multi-criteria analysis for the selection of space heating systems in an industrialbuilding, Energy 36 (2011) 556-565.

5-Galvani, V., Plourde, A., Portfolio diversification in energy markets, Energy Economics, 2010, 32(2): 257-268.

6-Plessis, G.E.D., Liebenberg, L., Mathews, E.H., Plessis, J.N.D. A versatile energy management system for large integrated cooling systems, Energy Conversion and Management, 2013, 66: 312-325.

7-Ho, W. Integrated analytic hierarchy process and its applications - a literature review, European Journal of Operational Research 2008, 186: 211–228.

8-Jaber JO, Jaber QM, Sawalha SA, Mohsen MS. Evaluation of conventional and renewable energy sources for space heating in the household sector. Renewable and Sustainable Energy Reviews 2008;12(1):278-89.

9-Lee, J., Je, H., Byun, J. Well-Being index of super tall residential buildings in Korea, Building and Environment, 2011, 46(5): 1184-1194.

10-Kalogirou SA, Bojic M. Artificial neural networks for the prediction of the energy consumption of a passive solar building. Energy 2000; 25:479–91.

11-Mohandes, M., Rehman, S., Rahman, S.M., (2011), Estimation of wind speed profile using adaptive neuro-fuzzy inference system (ANFIS), Applied Energy, 88(11), 4024-4032.

12-Pahlavan, R., Omid, M., Akram, A. Energy input–output analysis and application of artificial neural networks for predicting greenhouse basil production, Energy, 37(1), 2012, 171-176.

13-Pohekar SD, Ramachandran M. Application of multi-criteria decision making to sustainable energy planning e a review. Renewable and Sustainable Energy Reviews 2004; 8(4):365-81.

14-Ramanathan R, Ganesh LS. Energy alternatives for lighting in households: an evaluation using an integrated goal programming-AHP model. Energy 1995; 20(1):63-72.

15-Ren, H., Gao, W., Zhou, W., Nakagami, K. Multi-criteria evaluation for the optimal adoption of distributed residential energy systems in Japan, Energy Policy, 2009, 37, 12, 2009: 5484-5493.

16-Saaty, T.L. The Analytic Hierarchy Process. McGraw-Hill, New York, 1980.

17-Saaty TL. Fundamentals of decision making and priority theory with the Analytic Hierarchy Process. Pittsburgh: RWS Publications; 2001.

18-Swan, L.G., Ugursal, V. I., Modeling of end- use energy consumption in the residential sector: A review of modeling techniques, Renewable and sustainable energy reviews, 2009(13): 1819–1835.

19-Tso, GKF, Kelvin K., Yau,W., Predicting electricity energy consumption: A comparison of regression analysis, decision tree and neural networks, Energy 2007(32): 1761–1768.

20-Tso, GKF, Yau, KKW, A study of domestic energy usage pattern in Hong Kong. Energy 2003(28):1671–82.

21-Wong, J.K.W., Li, H., Wang, S.W. Intelligent building research: a review, Automation in Construction, 2005, 14, 1: 143-159.

22-Wong, J.K.W., Li, H., Application of the analytic hierarchy process (AHP) in multi-criteria analysis of the selection of intelligent building systems , Building and Environment, 2008,43, 1: 108-125.

23-Yulan Yang, Baizhan Li, Runming Yao, A method of identifying and weighting indicators of energy efficiency assessment in Chinese residential buildings, Energy Policy, 2010, 38, 12: 7687-7697.

24-Yang J, Rivard H, Zmeureanu R. Building energy prediction with adaptive artificial neural networks. IBPSA, ninth international conference, Montreal, Canada; 2005:1401–8.

25-Zhang, J.,  He Z.Y., Lin, S., Zhang, Y.B, Qian, Q.Q., An ANFIS-based fault classification approach in power distribution system, International Journal of Electrical Power & Energy Systems, 2013, 49, 243-252.

26-Zhang .G , Pattuwo .E.B , forecasting with Artificial Neural network :the state of the Art, International journal of forecasting , 1998, 14: 35-62.

27-Zhang.G, Qi M, Neural network forecasting for seasonal and time series ,European journal of operational Research , 2005, 140: 501-514.