ارائه کننده: فریبا جورقانیان
استاد راهنما: دکتر امید اکبری
استاد ناظر داخلی: دکتر نصرالله مقدم چرکری
استاد ناظر خارجی: دکتر علیرضا فریدونیان (دانشگاه خواجه نصیرالدین طوسی)
تاریخ: 1403/07/29
ساعت: 15
مکان: دانشکده مهندسی برق و کامپیوتر، طبقه 5، کنار آسانسور، اتاق تلویزیون

چکیده:
مصرف انرژی در ساختمان‌ها بخش قابل توجهی از مصرف انرژی جهانی و انتشار دی‌اکسیدکربن را تشکیل می‌دهد. پیش‌بینی دقیق مصرف انرژی ساختمان برای بهینه‌سازی استفاده از انرژی، کاهش هزینه‌ها و کاهش اثرات زیست‌محیطی ضروری است. روش‌های پیش‌بینی سنتی اغلب ساختمان‌ها را به‌عنوان یک واحد در نظر می‌گیرند و روابط فضایی و تعاملات بین نواحی مختلف داخل ساختمان را نادیده می‌گیرند. علاوه بر این، در حالی که مدل‌های یادگیری عمیق الگوهای زمانی را به‌طور مؤثری ثبت می‌کنند، اغلب به تغییرات مکانی و ناهمگنی ذاتی بین نواحی مختلف ساختمان توجه نمی‌نمایند. الگوریتم‌های هوش مصنوعی توانایی حل مسائل پیچیده را با تحلیل داده‌های بزرگ و شناسایی الگوهای پنهان دارند. از این رو، در این پایان‌نامه از این الگوریتم‌ها برای بهبود پیش‌بینی مصرف انرژی در ساختمان‌ها استفاده شده است.
در این پژوهش، سه مدل برای رفع این چالش‌ها معرفی شده است: یک مدل  GNNهمگن که وابستگی‌های فضایی بین نواحی ساختمان را در نظر می‌گیرد؛ یک مدل GNN ناهمگن که وابستگی‌های فضایی را همراه با تفاوت‌های ذاتی بین نواحی مختلف با نمایش ساختمان به‌عنوان یک گراف ناهمگن با انواع مختلف گره‌ها و یال‌ها مدل‌سازی می‌کند؛ و یک مدل GNN ناهمگن فضایی-زمانی با LSTM که ناهمگنی فضایی را با تغییرات زمانی ترکیب می‌کند. در این مدل، یک رمزگذار فضایی برای مدیریت گراف‌های ناهمگن و یک رمزگذار زمانی متشکل از شبکه‌های LSTM برای هر نوع گره ادغام شده است. داده‌های مورد استفاده از مجموعه داده CU-BEM، که شامل اطلاعات عملکردی دقیق از یک ساختمان اداری هفت‌طبقه است، استخراج شده‌اند. معیارهای ارزیابی مانند خطای میانگین مربعات، ریشه میانگین مربعات خطا، خطای مطلق میانگین و ضریب تعیین برای ارزیابی عملکرد مدل‌ها به‌کار گرفته شدند. نتایج نشان می‌دهد که مدل ناهمگن فضایی-زمانی با نرخ یادگیری 0.001 بهترین عملکرد را نشان داد و توانست خطای میانگین مربعات را به 0.4657 کاهش داده و ضریب تعیین 0.9344 برساند، که بیانگر بهبود 21 درصد نسبت به مدل همگن است. همچنین، افزودن ویژگی‌های یال در مدل GNN همگن باعث بهبود دقت پیش‌بینی به میزان 26.3 درصد در مقایسه با مدل همگن بدون ویژگی یال شد.