ارائه یک چارچوب تصمیم‌یار هوشمند و تبیین‌پذیر مبتنی بر یادگیری ماشین برای پیش‌بینی و مدیریت مصرف برق ساختمان‌های مسکونی

ارائه یک چارچوب تصمیم‌یار هوشمند و تبیین‌پذیر مبتنی بر یادگیری ماشین برای پیش‌بینی و مدیریت مصرف برق ساختمان‌های مسکونی

پریسا قهرمان شهرکی1 سارا قهرمان شهرکی2

1) مهندس کامپیوتر
2) دانشجوی رشته ریست شناسی سلولی ملکولی دانشگاه اصفهان

کد IOI مقاله : AAHD-ABKCCA
محل انتشار : کنفرانس ملی فناوری اطلاعات، نانوتکنولوژی، هوش مصنوعی و آینده پژوهی فناوری (itnaf.ir)
چکیده :
    پیش‌بینی دقیق مصرف انرژی الکتریکی یکی از مؤلفه‌های کلیدی در توسعه سامانه‌های مدیریت هوشمند انرژی، برنامه‌های پاسخگویی بار و بهینه‌سازی بهره‌وری ساختمان‌ها محسوب می‌شود. با وجود پیشرفت الگوریتم‌های یادگیری ماشین در افزایش دقت پیش‌بینی، بسیاری از پژوهش‌های پیشین عمدتاً بر بهبود عملکرد مدل‌ها تمرکز داشته‌اند و به تبیین‌پذیری مدل و تبدیل نتایج پیش‌بینی به راهکارهای عملی برای تصمیم‌گیری توجه کافی نکرده‌اند. در این پژوهش، یک چارچوب تصمیم‌یار هوشمند و تبیین‌پذیر مبتنی بر یادگیری ماشین ارائه شده است که تمامی مراحل شامل پیش‌پردازش داده‌ها، مهندسی ویژگی مبتنی بر دانش دامنه، آموزش و ارزیابی مدل‌ها، تحلیل تبیین‌پذیر با استفاده از روش SHAP، تولید راهکارهای پیشنهادی و اعتبارسنجی خارجی را در قالب یک ساختار یکپارچه پیاده‌سازی می‌کند. برای ارزیابی چارچوب، عملکرد الگوریتم‌های Linear Regression، Random Forest، XGBoost، LightGBM و CatBoost با استفاده از معیارهای استاندارد مقایسه شد. اگرچه مدل Linear Regression بهترین نتایج را بر روی مجموعه‌داده اصلی از نظر معیارهای کمی پیش‌بینی ارائه کرد، مدل CatBoost به دلیل عملکرد رقابتی، قابلیت تبیین‌پذیری، موفقیت در اعتبارسنجی خارجی و امکان توسعه موتور تصمیم‌یار، به عنوان هسته اصلی چارچوب پیشنهادی انتخاب شد. در ادامه، با بهره‌گیری از روش SHAP، عوامل مؤثر بر پیش‌بینی در سطوح سراسری و محلی تحلیل و نتایج حاصل مستقیماً به تولید راهکارهای مدیریتی برای بهینه‌سازی مصرف انرژی تبدیل شدند. همچنین، ارزیابی چارچوب بر روی مجموعه‌داده مستقل REFIT نشان داد که ساختار پیشنهادی از قابلیت تعمیم مناسبی برخوردار است. به‌منظور افزایش شفافیت، قابلیت بازتولید و توسعه پژوهش‌های آینده، کدهای منبع، مستندات فنی و نتایج پژوهش در مخزن GitHub منتشر و نسخه پایدار آن در Zenodo همراه با شناسه DOI آرشیو شده است. نتایج این پژوهش نشان می‌دهد که ترکیب مهندسی ویژگی، یادگیری ماشین تبیین‌پذیر و موتور تصمیم‌یار می‌تواند علاوه بر ارائه پیش‌بینی دقیق، بستری مناسب برای تصمیم‌گیری عملی در سامانه‌های مدیریت هوشمند انرژی ساختمان فراهم کند.

کلمات کلیدی : پیش‌بینی مصرف انرژی یادگیری ماشین هوش مصنوعی تبیین‌پذیر shap مهندسی ویژگی catboost سامانه پشتیبان تصمیم مدیریت هوشمند انرژی