بخشی از مقاله
چکیده
مصرف انرژی ساختمان مسکونی از لحاظ استفاده و کارایی انرژی مورد توجه است. میزان مصرف انرژی ساختمان ها در کشورهای توسعه یافته حدودا یک سوم از کل میزان انرژی مصرف را شامل میشود و این میزان مصرف انرژی در ایران حدود 40 درصد از کل میزان مصرف انرژی را در برمیگیرد. از همین رو پیشبینی مصرف انرژی ساختمانها به عنوان چالشی در دهه های اخیر مطرح شده است.
مدلسازی مصرف انرژی در ساختمانهای مسکونی با پیشرفتهایی که در زمینه محاسبات و شبیهسازی بوجود آمده به امری ممکن بدل شده و یکی از این پیشرفتهای چشمگیر، پیدایش هوش مصنوعی در توسعه مدلهای آماری است. مطالعات نشان میدهد که روش شبکه عصبی مصنوعی میتواند برای پیشبینی رفتار غیر خطی مصرف انرژی ساختمان به کار گرفته شود. در این مدل، متغیرهای اقلیمی به عنوان ورودی و مصرف انرژی ساختمان به عنوان متغیر خروجی هستند. شبکه در نرم افزار متلب ساخته شد و با الگوریتم لونبرگ-مارکوارت آموزش دیده شد. نتایج نشان میدهد که شبکه عصبی به خوبی توانایی تخمین انرژی مصرفی ساختمان ها را دارد.
.1 مقدمه
متوسط سالانه انرژی در ایران در حدود200 میلیون تن معادل نفت خام برآورد می شود که حدود 40 درصد از کل انرژی مصرف شده مربوط به بخش مسکن میباشد. در سال های اخیر، ساختمان های کم مصرف انرژی مورد توجه شایان ذکری قرار گرفته اند. در این زمینه، اکثر پژوهش ها توجه خود را بر ویژگی معماری ساختمان - تکنیک های ساخت - و نیز منابع جایگزین انرژی متمرکز نموده اند.
در این زمینه سوان و آگورسال در مقاله خود به مرور ادبیات تکنیکهای متفاوت استفاده شده در مدل سازی انرژی مصرفی بخش مسکونی پرداخته اند. مروری انتقادی بر هر تکنیک، با تمرکز بر نقاط قوت، ضعف و اهداف ارائه گردیده است.
آنالیز رگرسیون همواره به عنوان یکی از رایج ترین تکنیک های مدل سازی در پیش بینی مصرف انرژی قلمداد شده است[4] ؛ اما از آنجا که ماهیت مصرف انرژی در دنیا و بالاخص در ایران غیر خطی است، از اینرو استفاده از مدلهای غیر خطی - شاخه های هوش مصنوعی شامل الگوریتم ژنتیک، شبکه های نوروفازی و شبکه های عصبی مصنوعی - جهت پیش بینی میزان مصرف انرژی به عنوان یک گزینه راه گشا مطرح و مورد کاربرد قرار گرفته است.
گیتی فروز در پژوهش خود از روش های رگرسیون فازی و عصبی -فازی جهت پیش بینی مصرف انرژی الکتریکی در ایران استفاده نموده است. از نقاط قوت ساختار پیش نهادی، بررسی تأثیر پیش پردازش داده ها بر کارایی مدل می باشد
در تحقیق دیگری، آزاده و همکاران یک رویکرد شبکه عصبی با پرسپترون چند لایه برای پیش بینی مصرف برق ارائه داده اند. برای آموزش شبکه عصبی مصنوعی، داده های پیش پردازشی با کمک تکنیک های سری های زمانی برای پیش بینی مصرف برق استفاده شده است.
نتو و همکارانش، پیش بینی مصرف انرژی ساختمان را با دو رویکرد مدل با جزییات و شبکه عصبی مصنوعی بررسی نمودند و نتایج تحقیق نشان داد که هر دو مدل برای پیش بینی مناسب می باشند. [9] فیورلی و همکاران طی یک مطالعه تطبیقی، پیکربندی های متفاوت شبکه عصبی مصنوعی برای پیش بینی مصرف روزانه انرژی بررسی نمودند و بهترین شبکه با کمترین معیار خطا را انتخاب کردند. همچنین در تحقیقی دیگر توسط همین محققان، ارزیابی مصرف انرژی سیستم های تهویه هوا با استفاده از شبکه های عصبی در دانشگاه سائو پائولو مورد بررسی قرار گرفت و معیار خطای قابل قبولی حاصل شد
به دلیل استقبال زیاد از روش های هوش مصنوعی و به خصوص شبکه های عصبی مصنوعی در تحلیل انرژی ساختمان نیاز به مرور روشهای مختلف در رسیدن به این مهم احساس می شد. کومار و همکارانش مروری بر این روشها انجام دادند و پتانسیل شبکه عصبی مصنوعی به عنوان ابزار طراحی در طیف وسیعی از ساختمان ها را بیان نمودند
کاربرد شبکه عصبی مصنوعی در شبیه سازی رفتار پوسته ساختمان در شرایط تابستانی با یک سامانه شیشه ای جدید به منظور ارزیابی و بهبود عملکرد انرژی مورد بررسی قرار گرفت. شرایط اقلیمی و مشخصه های حرارتی پوسته ساختمان به عنوان ورودی و دمای فضای داخلی ساختمان به عنوان خروجی شبکه فرض گردید. نتایج حاصل نشان داد که ANN می تواند به عنوان ابزاری قدرتمند در شبیه سازی به کار رود
در پژوهشی دیگر پیش بینی مصرف انرژی ساختمان مسکونی با رویکرد شبکه عصبی مصنوعی MLP مورد بحث قرار گرفت و با انتخاب تعداد مناسب نورون لایه پنهان به بهترین معیار خطا رسید. نتایج شبکه از لحاظ تحلیل آماری در مقایسه با پژوهش های گذشته رضایتبخش بود
یکی از روشهای نوظهور در حل مسائل مهندسی، استفاده از شبکه عصبی مصنوعی است. این شیوه در مسائل مختلفی در حیطه مهندسی بکارگرفته شده و نتایج رضایت بخشی نیز در پی داشته است. با توجه به افزایش روز افزون مصرف انرژی و نیاز به کاهش عملیات کامپیوتری، استفاده از هوش مصنوعی در این نوع تحلیل ها بسیار مفید است.
در این مقاله از یک شبکه عصبی پیشرو با الگوریتم پس انتشار خطا استفاده میشود. جهت آموزش شبکه، به زوج دادههای دمای محیط خارج و مقدار مصرف انرژی بدست آمده از یک ساختمان نمونه در شهر تهران نیاز است. بردار ورودی شبکه عصبی دمای محیط خارج و بردار هدف میزان مصرف انرژی ساختمان مورد مطالعه تشکیل شده و سپس از جعبه ابزار شبکه عصبی نرم افزار متلب جهت طراحی و شبیه سازی شبکه عصبی پیشرو استفاده می شود. پس از آموزش شبکه، دیگر تخمین انرژی توسط شبکه صورت میپذیرد و بدین ترتیب حجم عملیات کامپیوتری به نحو چشمگیری کاهش مییابد. از آنجا که مدت زمان آموزش شبکه و زمان امتحان آن نیز محاسبه میگردد نتایج به خوبی بیانگر توانایی شبکه عصبی پیشرو با الگوریتم پس انتشار خطا در تحلیل مسئله انرژی ساختمان میباشد.
.2 روش تحقیق
1-2 شبکه عصبی مصنوعی
یکی از روشهای نوظهور در آنالیز و تحلیل مسائل مهندسی استفاده از شبکه عصبی مصنوعی است. گسترش چشمگیر و روزافزون کاربرد شبکههای عصبی مصنوعی در زمینههای مختلف علم و دانش بیانگر ارزش بالای این تکنیک توانمند در محاسبات پیچیده و دلیل ادامه تحقیقات در جهت توسعه آنها میباشد. با تکامل شناخت بیولوژیکی مغز و سیستمهای عصبی وابسته به آن و همچنین با توجه به پیشرفت بسیار سریع علوم کامپیوتری، فنآوری شبکههای عصبی در سالهای اخیر سیر تکاملی بسیار بارز و برجستهای را پیموده است.
بطوریکه امروزه شبکههای عصبی قدرتمندی مانند پس انتشار - BP - و انتشار متقابل - - CP و غیره کاربردهای بسیار موفقی را در مسائل مختلف از خود نشان دادهاند. نرون یک واحد سلولی از سیستم مغز است و مغز انسانتقریباً از صد میلیارد نرون ساخته شده است. هر یک از نرونها نیز دارای هزار تا 56 هزار ارتباط با نرونهای دیگر است. سیستم اعصاب چندین نوع مختلف از نرونها را در خود دارد. ولیتقریباً تمامی نرونها ویژگیهای مشترک و ساختار مشابهی دارند. شکل 1 یک نرون زیستی و قسمتهای مختلف آن را نشان داده است.
شکل :1 یک نورون زیستی
شبکههای عصبی مصنوعی که امروزه در کاربردهای فراوانی ارزش خود را نشان داده اند بر اساس مدل بیولوژیکی مغز انسان بوجود آمدهاند که از چند تا چند هزار نرون تشکیل شدهاند و اندازه آنها به پیچیدگی مسئله بستگی دارد. نرونها، ورودیها را که به طریقی خاص جمع شدهاند را پذیرا میشوند. نرونها مجموعهای از عناصر ساده محاسباتی هستند که قابلیت یادگیری منحصر بفرد آنها باعث میشود تا روابط پیچیده غیر خطی را بیاموزد .
از شبکه های عصبی در موارد گوناگونی از جمله ذخیره و بازبینی دادهها، گروه بندی شکلهای مشابه، انجام نگاشت کلی از مجموعه ورودی به مجموعه خروجی، بهینه سازی و تعیین جواب با وجود قیود مختلف استفاده می شود . در شکل 2 یک نرون نشان داده شده است . اگر ورودیها به اندازه کافی بزرگ باشند نرون فعال شده و در غیر اینصورت غیرفعال باقی می ماند . در یک لحظه خاص ورودیهای جمع شده در یک نرون به یک تابع تحریک که خروجی مشخصی را محاسبه میکند انتقال یافته و علائم خروجی را به لایه دیگری از نرونها و یا به خروجی شبکه می فرستد.
در حقیقت شبکههای عصبی مصنوعی سیستم داده پردازی اطلاعات می باشند. هر شبکه دارای خصوصیاتی است که آن را از شبکههای دیگر متمایز میکند. این خصوصیات شامل نحوه ارتباط بین نرونها، روش آموزش شبکه، نحوه تعیین مقادیر وزن های رابط و نوع تابع تحریک هر نرون است . وزنهای رابط بین نرونها در واقع نشان دهنده اطلاعات مورد نیاز شبکه برای حل مسئله است . در یک شبکه عصبی هر نرون وضعیت مشخصی داشته و به ورودیهای دریافت شده بستگی دارد .
عموما هر نرون پاسخ خود را به نرون یا نرونهای دیگر ارسال میدارد. بطور کلی خصوصیات یک شبکه عصبی شامل ساختار شبکه و نحوه ارتباط بین نرونها، روش آموزش شبکه و نحوه تعیین مقادیر وزنهای رابط و تابع تحریک هر نرون است. ترتیب نرونها در لایهها و طریقه ارتباط در داخل لایهها و بین لایهها، ساختار شبکه نامیده میشود. بسیاری از شبکه های عصبی دارای یک لایه ورودی بوده و پاسخ هر واحد، برابر با ورودی اعمال شده از خارج شبکه است. نرونهای لایه میانی، در شبکه چند لایه1، بعنوان یک تشخیص دهنده الگو عمل کرده، بنابراین تعداد نرونها در لایه پنهان، نقش عمدهای در قدرت تعمیم شبکه دارد .
اگر تعداد نرون ها کم باشد، شبکه عصبی نمیتواند نگاشت غیر خطی بین ورودی و خروجی منعکس کند . اگر تعداد نرونهای لایه میانی بیشتر از حد لزوم باشند آنگاه شبکه نگاشت غیر خطی پیچیدهای که دادههای آموزشی را بخوبی یاد گرفته، اما در مقابل دادههای جدید عملکرد مناسبی ندارند، بهعبارتی شبکه قدرت تعمیم خود را از دست می دهد.
برای غلبه به این مشکلات، یا باید تعداد نرونها به نحوی انتخاب شود که شبکه قدرت کافی و نه بیش از حد برای تولید نگاشت غیر خطی را داشته باشد و یا اینکه آموزش در مرحله ای که شبکه شروع به حفظ کردن - نه یادگیری - داده های آموزشی میکند قطع شود. به عنوان مثال شبکه نشان داده شده در شکل 3 شامل نرونهای ورودی، خروجی و یک لایه پنهان است . در این شبکه x بردار ورودی، y بردار خروجی، u و w بردار وزن های لایههای مختلف، شبکه هستند.
شکل:2 یک نورون مصنوعی
شکل:3 یک شبکه عصبی دولایه
