کاربرد و اهمیت یادگیری ماشینی در تحلیل عملکرد انرژی ساختمان

در دهه‌های گذشته، ساختمان‌های با مصرف انرژی صفر توجه ویژه‌ای را به خود جلب کرده‌اند تا جایی که در بیشتر کشورها، طراحی ساختمان‌های صفر انرژی را مقدمه‌ای بر طراحی ساختمان‌های آینده می‌دانند. اما از سویی دیگر اتخاذ استراتژی‌های طراحی پایدار خود یک چالش بزرگ است و برای غلبه بر این چالش‌ها استفاده از ابزارهای تصمیم‌گیری قوی یک ضرورت می‌باشد. زمانی که تصمیم‌گیری‌ها برای بیش از یک هدف باشد، رویکردهای بهینه سازی چند هدفه می‌توانند روند کار را بسیار تسهیل کنند. بسیاری از روش‌های توسعه یافته به صورت بهینه‌سازی‌های شبیه‌سازی-محور می‌باشند به این صورت که الگوریتم بهینه‌سازی از طریق زبان‌های برنامه نویسی انجام می‌شود و توابع هدف مورد نظر (مانند مصرف انرژی، روشنایی، انتشار دی‌اکسیدکربن، …) از طریق نرم‌افزارهای شبیه‌سازی انرژی مانند انرژی پلاس، ترنسیس، ESP-r، و غیره محاسبه می‌شوند. زمانی که تعداد گزینه‌های تصمیم‌گیری بسیار زیاد باشد، این روش می‌تواند سریع باشد و در وقت صرفه‌جویی کند.

به هر حال رویکردهای بهینه‌سازی نیازمند شبیه‌سازی‌های بسیار سنگین هستند در حالی که روشهای داده-محور با اتکا به پیشینه و تاریخچه اطلاعات ساختمان می‌توانند عملکردهای انرژی یک ساختمان جدید را پیش‌بینی کنند. کاربرد روش‌های داده-محور محدود به عملکرد کلی انرژی در ساختمان نیست بلکه در بهینه‌سازی سیستم مدیریت انرژی، سیستم تهویه مطبوع و یا هر بخش قابل تصور در ساختمان کابرد دارد. سیستم مدیرت انرژی به همراه سیستم‌های اطلاعاتی، در جمع‌آوری داده‌های انرژی و کنترل مصرف انرژی، که عملکردهای اساسی در کاهش اتلاف انرژی و ارتقاء کارایی انرژی هستند، مورد استفاده قرار می‌گیرند. به عنوان مثال، داده‌های بسیار زیادی از طریق حسگرها و اطلاعات آب و هوایی تولید می‌شوند که این یک نیاز مبرم برای ابزارهای تحلیلی است تا بتوانند عملکرد ساختمان را محاسبه و پیش‌بینی کنند. با این روش می‌توان کنترل هوشمند انرژی را به دست گرفت و ضمن عیب‌یابی و یافتن پتانسیل‌های کارایی انرژی، محاسبات صرفه‌جویی انرژی را انجام داد. یک مدل آماری مناسب باید از این اطلاعات آموزش ببیند و دقت خود را همواره در سطح بالایی نگه دارد.

دریک برآورد کوتاه انرژی از هر یک نمونه ساختمانی، تنها اطلاعات اقلیمی (دما، رطوبت، تابش خورشید) مورد بررسی قرار می‌گیرد در حالی که پیش‌بینی دقیق مصرف انرژی و کارایی آن خود یک چالش بزرگ است به ویژه زمانی که  متغیرهای تاثر گذار متعددی مانند عایق جداره‌ها، شیشه پنجره‌ها، نسبت مساحت پنجره به دیوار، جهت‌گیری ساختمان، وضعیت حضور افراد، تجهیزات، بارهای حرارتی متعدد، ساعات فعالیت و غیره نیز مورد توجه قرار بگیرند. شبیه‌سازی انرژی ساختمان ابزار بسیار ضروری برای ارزیابی عملکرد انرژی ساختمان است که در بسیاری از پروژه‌ها، نتایج این شبیه‌سازی‌ها با مدل پایه مقایسه می‌شود. علاوه بر این، یک مهندس متخصص برای ارزیابی عملکرد یک ساختمان پیچیده نیازمند تولید داده‌های قابل اطمینان است. به نظر می‌آید که مدل‌های بر پایه یادگیری، کاربردهای نوید بخشی دارند زیرا این توانایی را دارند که بر اساس ویژگی‌های متعدد دیتاست ساختمان، یک الگوی قابل اطمینان بیرون بکشند که این خود می‌تواند در دسته‌بندی‌های هوشمند ساختمان و تعیین مراجع واقعی برای آنها مورد استفاده قرار بگیرد. همچنین این مدل‌ها می‌توانند از نمونه‌های پیشین بیاموزند و در نتیجه نمونه‌های جدید را پیش‌بینی کنند. دسته‌بندی حتی می‌تواند یک معیار مناسب برای ارزیابی تاثیر یک عنصر خاص در بار حرارتی ساختمان ایجاد کند که این کار را با کمک گروه‌بندی نمونه‌ها بر اساس متغیرهای نامرتبط انجام می‌دهد. این مدل به ویژه زمانی که تحلیل رفتار ساکنین مدنظر باشد می‌تواند بسیار سودمند واقع شود و البته بسیار پیچیده خواهد بود.

روش‌هایی که در اینجا پیشنهاد شد همگی بر اساس جمع‌آوری داده‌ها از ساختمان و محیط، و با استفاده از تکنیک‌های آماری، عملکرد انرژی ساختمان و محیط را پیش‌بینی می‌کنند و در این راستا از نوعی رگرسیون برای مدل سازی ویژگی‌های ساختمان بهره می‌برند. از این میان، رگرسیون ساده و رگرسیون چند متغیره به طور گسترده‌ای برای حل مسائل مصرف انرژی ساختمان به کار گرفته می‌شوند.

با گسترش دیتاست‌های معتبر و قابل دسترس ساختمان‌ها، تمایل بسیار زیادی برای استفاده از روش‌های هوش مصنوعی و به ویژه یادگیری ماشینی در بخش ساختمان ایجاد شده است. به علاوه، واضح است که برای پیشبرد یک پروژه موفق، یادگیری و به کاربستن تکنولوژی‌های جدید در این زمینه بسیار ضروری است.

یادگیری ماشین به طور کلی یک الگوریتم کامپیوتری را توصیف می‌کند که از داده‌های موجود یادگیری انجام می‌دهد. این الگوریتم‌ها برای یادگیری، از مقادیر بسیار زیادی از داده‌ها و با تعداد متغیرهای ورودی نسبتا کم استفاده می‌کنند. در سال‌های اخیر، تکنیک‌های زیادی در حوزه یادگیری ماشین در بخش ساختمان برای پیش‌بینی بار سرمایش و گرمایش، مصرف انرژی، و سایر عملکردهای ساختمان به کار گرفته شده است.

در حوزه یادگیری ماشین دو روش کلی وجود دارد: یادگیری تحت نظارت و یادگیری بدون نظارت. در یادگیری تحت نظارت، با استفاده از داده‌های دریافتی، رابطه بین ویژگی‌های ورودی‌های مختلف با توابع هدف (مانند عملکرد انرژی) کشف می‌شود. زمانی که مدلهای یادگیری ماشین، با تعداد کافی از داده‌ها آموزش می‌بینند، می‌توانند نمونه‌هایی که تاکنون ندیده‌اند را پیش‌بینی کنند. در این حالت از یک سو، هر نمونه از داده‌ها که خود شامل تعدادی متغیر مستقل است به عنوان ورودی به این مدل داده می‌شود و از سوی دیگر مقادیر توابع هدف به ازای این نمونه، که از طریق شبیه‌سازی و یا اندازه‌گیری به دست آمده است، نیز به مدل داده می‌شود. این مدل با بررسی تعداد زیادی از این داده‌ها و بررسی جوابهای آنها (مقادیر توابع هدف)، با کمک فرمول‌های ریاضی، رابطه‌ای را بین متغیرهای ورودی و توابع هدف کشف می‌کند و از این به بعد با دریافت هر داده یا نمونه جدیدی می‌تواند جواب توابع هدف را پیش‌بینی کند. الگوریتم‌های تحت نظارت از روش‌های رگرسیون و دسته بندی استفاده می‌کنند.

روش‌های بدون نظارت که در تحلیل انرژی ساختمان به شدت مورد توجه هستند، در مواردی استفاده می‌شوند که بخواهیم داده‌ها را خوشه‌بندی کنیم. در این حالت مقادیر توابع هدف وجود ندارند و بنابراین داده‌ها اصطلاحا بدون برچسب هستند. در این روش الگوریتم یادگیری براساس ویژگی‌های داده‌ها آنها را خوشه‌بندی می‌کند و به عبارتی داده‌هایی که دارای ویژگی‌های مشابه یا مشترکی هستند در یک گروه یا خوشه قرار می‌گیرند. توجه به این نکته ضروری است که در این روش نمی‌توان برای نمونه‌های جدید پیش‌بینی انجام داد. اما برای حل این مشکل می‌توان برای هر خوشه یک برچسب نسبت داد و سپس از روش‌های تحت نظارت، داده‌های هر خوشه به همراه مقادیر برچسب آنها را آموزش داد. به این ترتیب قابلیت پیش‌بینی نمونه‌های جدید ایجاد می‌شود.