چکیده:
ساختمان¬های مسکونی ایران، مطابق آمارهای موجود، بزرگترین مصرف کننده انرژی این کشور می باشند؛ فاکتورهای متعدد تاثیرگذار بر رفتار مصرف انرژی در ساختمان¬های مسکونی، مسئله پیش بینی و ممیزی مصرف انرژی را به چالشی مهم در موسسات بهینه سازی مصرف تبدیل نموده¬اند. از این رو مدیران در تلاشند تا با بهر¬ه¬گیری از تکنیک های مناسب، فرآیند ممیزی و تعیین برچسب انرژی ساختمان های مسکونی را بهبود بخشند. هدف پژوهش حاضر، با توجه به ضرورت مدیریت انرژی، مدل سازی، پیش بینی و خوشه بندی مصرف انرژی ساختمان های مسکونی، جهت ممیزی و تعیین برچسب انرژی این ساختمان¬ها می¬باشد. از این رو این پژوهش، با تلفیق شبکه عصبی فازی (FNN) و فرایند تحلیل سلسله مراتبی (AHP)، با استفاده از داده¬های پرسشنامه¬¬ای، به خوشه بندی رفتار مصرف انرژی ساختمان¬های مسکونی پرداخته است. بر این اساس، ضرایب وزنی و معماری حاصل از AHP به عنوان اوزان و معماری اولیه شبکه عصبی استفاده شده است. شبکه عصبی در دو حالت «با اوزان و معماری اولیه» و «بدون اوزان و معماری اولیه» بر روی داده های یکسان اجرا گردید. بخش مسکونی شهر شیراز به عنوان جامعه آماری مورد نظر انتخاب گردید و به منظور آموزش و آزمایش شبکه عصبی، داده های 270 ساختمان مسکونی مورد استفاده قرار گرفت. مقایسه قدرت تفکیک و خوشه بندی مدل های FNN در دو حالت بیان گر این مطلب است که مدل شبکه عصبی با معماری و اوزان اولیه AHP نسبت به دیگر مدل، از سرعت و دقت بالاتری در پیش بینی و خوشه بندی برخوردار است.
خلاصه ماشینی:
از این رو این پژوهش ، با تلفیق شبکه عصبی فازی (FNN) و فرایند تحلیل سلسله مراتبی (AHP)، با استفاده از داده های پرسشنامه ای ، به خوشه بندی رفتار مصرف انرژی ساختمان های مسکونی پرداخته است .
بر این اساس در این مقاله ضمن ارائه یک متدولوژی مطلوب جهت یافتن الگوی حاکم بر مصرف انرژی ، به منظور پیش بینی انرژی مصرفی مورد نیاز ساختمان های مسکونی با کمترین خطا، به کمک ترکیب فرآیند تحلیل سلسله مراتبی و شبکه عصبی به خوشه بندی و ممیزی رفتار مصرف انرژی پرداخته شده است .
در پژوهش حاضر، از تلفیق روش AHP و شبکه های عصبی برای بهبود پیش بینی ، خوشه بندی رفتار مصرف انرژی و تعیین برچسب مصرف انرژی در ساختمان های مسکونی استفاده شده است .
,2008:281;Pohekar & Ramachandran,2004 :370 ;Saaty ,2001 :48) در پژوهش حاضر، استفاده از AHP برای تعیین ضرایب وزنی هر یک از عوامل موثر بر مصرف انرژی به عنوان اوزان و معماری اولیه در شبکه ، باعث افزایش سرعت و دقت شبکه عصبی در پیش بینی و خوشه بندی رفتار مصرف انرژی در ساختمان های مسکونی شده است .
استفاده از AHP برای تعیین ضرایب وزنی عوامل به عنوان اوزان و معماری اولیه در شبکه عصبی از یک سو و ضریب بار ساختمان به عنوان تابع تبدیل برای آموزش و آزمایش شبکه عصبی از سوی دیگر، باعث افزایش سرعت و دقت شبکه عصبی در پیش بینی و خوشه بندی رفتار مصرف انرژی در ساختمان های مسکونی شده است .