Predviđanje potrošnje energije za hlađenje primenom metoda veštačke inteligencije
##plugins.themes.bootstrap3.article.sidebar##
##plugins.themes.bootstrap3.article.main##
http://orcid.org/0000-0002-8122-756X
Aleksandra Sretenović-Dobrić
http://orcid.org/0000-0003-1152-6377
Uroš Milovančević
http://orcid.org/0000-0001-9960-2316
Apstrakt
S obzirom na nagli porast potreba za hlađenjem, precizno predviđanje potrošnje energije rashladnih sistema postaje sve značajnije. Za rešavanje ovog složenog problema, poslednjih decenija se intenzivno koriste “black-box”modeli, koji primenjuju metode veštačke inteligencije. U cilju unapređenja tačnosti predviđanja, razvijeni su različiti pristupi, među kojima se posebno izdvaja tehnika ansambla, u kojoj se više pojedinačnih modela kombinuje u zajednički izlaz. U ovom radu, potrošnja energije za hlađenje poslovnog objekta se prvo modeluje osnovnim modelom Decision Tree. Tačnost predviđanja se dalje unapređuje primenom dve strategije ansambla: bagging pristupa koji se koristi kod Random Forest modela i boosting pristupa, primenjenog kod Gradient Boosting Machine modela. Svi modeli su obučeni i testirani na realnoj bazi podataka dobijenoj merenjem. Razvijeni modeli imaju veliki potencijal za primenu u upravljanju. Integrisanjem prediktivnih modela u sistem za centralno upravljanje i nadzor (BMS) mogu se razviti inteligentne strategije upravljanja koje dovode do uštede energije i povećanja energetske efikasnosti sistema za hlađenje.
##plugins.themes.bootstrap3.article.details##
Reference
[2] *** https://publica-rest.fraunhofer.de/server/api/core/bitstreams/969a5b7b-52bf-4e56-8fa6-97a13885e96b/ content.
[3] M. Santamouris, Cooling the buildings–past, present and future, Energy and Buildings, 128, (2016), pp. 617–638.
[4] L. Zhang, J. Wen, Y. Li, J. Chen, Y. Ye, Y. Fu, W. Livingood, A review of machine learn-ing in building load prediction, Applied Energy, 285, 116452, (2021).
[5] Y. Yang, H. Lv, N. Chen, A survey on ensemble learning under the era of deep learning, Arti-ficial Intelligence Review, 56 (6), (2023), pp. 5545–5589.
[6] Z. Wang, Z. Liang, R. Zeng, H. Yuan, R. S. Srinivasan, Identifying the optimal heterogene-ous ensemble learning model for building energy prediction using the exhaustive search meth-od, Energy and Buildings, 281, 112763, (2023).
[7] R. Jovanović, A. Sretenović, B. Živković, Ensemble of various neural networks for prediction of heating energy consumption, Energy and Buildings, 94 (2015), pp.189–199.
[8] R. Jovanović, A. Sretenović, B. Živković, Multistage ensemble of feedforward neural net-works for prediction of heating energy consumption, Thermal Science 20 (4), (2016), pp. 1321–1331.
[9] Z. Yu, F. Haghighat, B. C. Fung, H. Yoshino, A decision tree method for building energy demand modeling, Energy and Buildings, 42 (10), (2010), pp. 1637–1646.
[10] L. Breiman, Random forests, Machine Learning, 45, (2001), pp. 5–32.
[11] Wang, Z., Wang, Y., Zeng, R., Srinivasan, R. S., & Ahrentzen, S., Random Forest based hourly building energy prediction, Energy and Buildings, 171, (2018), pp. 11-25.
[12] J. H. Friedman, Greedy function approximation: a gradient boosting machine, Annals of sta-tistics, (2001), pp. 1189–1232.
[13] W. H. Kang, Y. Yoon, J. H. Lee, K. W. Song, Y. T. Chae, K. H. Lee, In-situ application of an ANN algorithm for optimized chilled and condenser water temperatures set-point during cooling operation, Energy and Buildings, 233, 110666, (2021)