مدیریت انرژی ساختمان‌های هوشمند با استفاده از شبکه‌های عصبی گرافی

نوع مقاله : علمی-پژوهشی

نویسندگان

1 دانشجوی کارشناسی ارشد معماری سیستم‌های کامپیوتری، دانشکده مهندسی برق و کامپیوتر، دانشگاه تربیت مدرس، تهران، ایران

2 دانشیار، دانشکده مهندسی برق و کامپیوتر، دانشگاه تربیت مدرس، تهران، ایران

چکیده

ساختمان‌ها نقش مهمی در مصرف انرژی جهانی دارند و حدود یک سوم انرژی مصرفی آن‌ها از منابع انرژی اولیه تأمین می‌شود که شامل انرژی مصرفی برای گرمایش، تهویه و تبرید (HVAC)، روشنایی، پمپاژ آب و سایر نیازهای انرژی مرتبط با ساختمان است. با افزایش تقاضای انرژی و نگرانی‌های مربوط به منابع انرژی اولیه مانند نفت، گاز و زغال سنگ، و همچنین نیاز به حفظ آسایش ساکنین، مدیریت کارآمد انرژی در ساختمان‌ها به چالش بسیار مهمی تبدیل شده است. در همین راستا، الگوریتم‌های یادگیری ماشین به طور گسترده‌ای در پیش‌بینی مصرف انرژی ساختمان‌ها به کار می‌روند. این الگوریتم‌ها به طور عمومی توانایی پیش‌بینی مصرف انرژی کل ساختمان را دارند و قادر به پیش‌بینی مصرف انرژی هر ناحیه مستقل از یکدیگر نیستند، که منظور از ناحیه، هر بخشی از ساختمان است که سامانه مدیریت HVAC خود را داشته باشد. علاوه بر این، این الگوریتم‌ها اغلب ارتباط بین نواحی و تأثیر آن‌ها روی یکدیگر را نیز در نظر نمی‌گیرند. در این مقاله، یک رویکرد پیش‌بینی مصرف انرژی در ساختمان‌های هوشمند با استفاده از شبکه کانولوشن گرافی (GCN) ارائه شده است. در روش پیشنهادی، با مدل‌سازی یک ساختمان به صورت گراف، الگوی مصرف انرژی در نواحی مختلف آن ساختمان و همچنین تأثیر همسایگی این نواحی بر روی یکدیگر، به طور مؤثری در نظر گرفته می‌شوند. به منظور ارزیابی مدل GCN پیشنهادی، این روش با استفاده از مجموعه داده CUBEMS، که شامل مصرف انرژی نواحی مختلف یک ساختمان 7 طبقه می‌باشد، آموزش داده شده است. نتایج آزمایش‌های انجام شده در این مقاله نشان می‌دهد که روش GCN پیشنهادی توانسته است در پیش‌بینی مصرف انرژی یک طبقه از ساختمان مورد نظر که دارای 5 ناحیه است، تنها به میانگین مربع خطا (MSE) در حدود 0.6 منجر گردد.

کلیدواژه‌ها

عنوان مقاله [English]

Energy Management of Smart Buildings Using Graph Neural Network

نویسندگان [English]

  • Fariba Joorghanian 1
  • Omid Akbari 2
1 Department of Electrical and Computer Engineering, Tarbiat Modares University, Tehran, Iran.
2 Department of Electrical and Computer Engineering, Tarbiat Modares University, Tehran, Iran.
چکیده [English]

Buildings account for a significant portion of global energy consumption, with HVAC, lighting, water pumping, and other building-related energy requirements contributing to a considerable fraction of energy consumption. As the demand for energy continues to escalate and concerns about primary energy sources grow, effective energy management in buildings has become a crucial challenge. To tackle this issue, machine learning algorithms have been widely used for predicting building energy consumption. However, these algorithms often overlook the interdependence and impact of different building zones. In this article, we propose a graph convolutional network (GCN) approach for predicting energy consumption in smart buildings. The proposed method effectively models the energy consumption pattern in different zones of a building and considers the influence of neighboring zones. We evaluated the GCN model using the CU-BEMS dataset, which includes energy consumption data from various zones of a 7-story building. The experimental results demonstrate that the proposed GCN method can predict the energy consumption of a specific floor with 5 zones, for only 0.6 of mean squared error (MSE).

کلیدواژه‌ها [English]

  • Smart Buildings
  • Building Energy Management
  • Energy Consumption Prediction
  • Graph Neural Networks
  • Energy Efficiency

مراجع

[1] Available online at: https://www.iea.org/energy-system/buildings
[2] M. Khalil, A. S. McGough, Z. Pourmirza, M. Pazhoohesh, and S. Walker, "Machine Learning, Deep Learning and Statistical Analysis for forecasting building energy consumption—A systematic review," Engineering Applications of Artificial Intelligence, vol. 115, p. 105287, 2022.
[3] L. Zhang et al., "A review of machine learning in building load prediction," Applied Energy, vol. 285, p. 116452, 2021.
[4] Y. Hu et al., "A data-driven approach for the disaggregation of building-sector heating and cooling loads from hourly utility load data," Energy Strategy Reviews, vol. 49, p. 101175, 2023.
[5] S. Afzal, A. Shokri, B. M. Ziapour, H. Shakibi, and B. Sobhani, "Building energy consumption prediction and optimization using different neural network-assisted models; comparison of different networks and optimization algorithms," Engineering Applications of Artificial Intelligence, vol. 127, p. 107356, 2024.
[6] Y. Li, Z. O'Neill, L. Zhang, J. Chen, P. Im, and J. DeGraw, "Grey-box modeling and application for building energy simulations-A critical review," Renewable and Sustainable Energy Reviews, vol. 146, p. 111174, 2021.
[7] W. Cai, X. Wen, C. Li, J. Shao, and J. Xu, "Predicting the energy consumption in buildings using the optimized support vector regression model," Energy, vol. 273, p. 127188, 2023.
[8] M. Peplinski, B. Dilkina, M. Chen, S. J. Silva, G. A. Ban-Weiss, and K. T. Sanders, "A machine learning framework to estimate residential electricity demand based on smart meter electricity, climate, building characteristics, and socioeconomic datasets," Applied Energy, vol. 357, p. 122413, 2024.
[9] A. Li, F. Xiao, C. Zhang, and C. Fan, "Attention-based interpretable neural network for building cooling load prediction," Applied Energy, vol. 299, p. 117238, 2021.
[10] M. Rajabimandi, M. E. Hajiabadi, Majid Baghainejad, "A Hybrid Algorithm Based on Computational Intelligence Methods for Managing Home Electricity Consumption with the Presence of Electric Vehicles", Journal of Electrical Engineering, University of Tabriz, vol. 48, Issue 2, pp. 617-629, 2018.
[11] A. Samadi, H. Saeedi, M. A. Latifi, M. Mahdavi, "Home Consumption Management Considering the Effect of Environmental Control Demands on Limited Time Demands", Journal of Electrical Engineering, University of Tabriz, vol. 50, Issue 2, pp. 765-776, 2019.
[12] C. Chellaswamy, R. Ganesh Babu, and A. Vanathi, "A framework for building energy management system with residence mounted photovoltaic," in Building Simulation, vol. 14, no. 4: Springer, pp. 1031-1046, 2021.
[13] W. Liao, B. Bak-Jensen, J. R. Pillai, Z. Yang, and K. Liu, "Short-term power prediction for renewable energy using hybrid graph convolutional network and long short-term memory approach," Electric Power Systems Research, vol. 211, p. 108614, 2022.
[14] S. Arastehfar, M. Matinkia, and M. R. Jabbarpour, "Short-term residential load forecasting using graph convolutional recurrent neural networks," Engineering Applications of Artificial Intelligence, vol. 116, p. 105358, 2022.
[15] J. Lu et al., "Graph convolutional networks-based method for estimating design loads of complex buildings in the preliminary design stage," Applied Energy, vol. 322, p. 119478, 2022.
[16] P. Veličković, "Everything is connected: Graph neural networks," Current Opinion in Structural Biology, vol. 79, p. 102538, 2023.
[17] N. A. Asif et al., "Graph neural network: A comprehensive review on non-euclidean space," IEEE Access, vol. 9, pp. 60588-60606, 2021.
[18] Y. Wu, H.-N. Dai, and H. Tang, "Graph neural networks for anomaly detection in industrial internet of things," IEEE Internet of Things Journal, vol. 9, no. 12, pp. 9214-9231, 2021.
[19] W. Liao, B. Bak-Jensen, J. R. Pillai, Y. Wang, and Y. Wang, "A review of graph neural networks and their applications in power systems," Journal of Modern Power Systems and Clean Energy, vol. 10, no. 2, pp. 345-360, 2021.
[20] T. N. Kipf and M. Welling, "Semi-supervised classification with graph convolutional networks," arXiv preprint arXiv:1609.02907, 2016.
[21] Available online at: https://pytorch-geometric.readthedocs.io/en/ latest/generated/torch_geo_geometric.nn.conv.GCNConv.html#torch_geometric.nn.conv.GCNConv
[22] Available online at: https://pytorch-geometric.readthedocs.io/en/
latest/generated/torch_geometric.nn.pool.global_max_pool.html#torch_geometric.nn.pool.global_max_pool
[23] M. Pipattanasomporn et al., "CU-BEMS, smart building electricity consumption and indoor environmental sensor datasets," Scientific Data, vol. 7, no. 1, p. 241, 2020.

فایل ها

هم رسانی

ارجاع به این مقاله

آمار