Нові гібридні підходи для прогнозування заповненості з використанням температури, освітлення та рівня CO2 для підтримки управління електроенергією

Автори M. Ennejjar1, M. Ezzini2, M.A. Jallal1,3, S. Chabaa1,4, A. Zeroual1
Афіліація

1I2SP Research Team, Physics Department, Faculty of Sciences Semlalia, Cadi Ayyad University, Morocco

2Fluid Mechanics and Energetic Laboratory, Physics Department, Faculty of Sciences Semlalia, Cadi Ayyad University, Marrakesh, Morocco

3Univ. Grenoble Alpes, CEA, Liten, Campus Ines, 73375, Le Bourget-du-Lac, France

4Industrial Engineering Department, National School of Applied Sciences, Ibn Zohr University, Morocco

Е-mail m.ennejjar.ced@uca.ac.ma
Випуск Том 17, Рік 2025, Номер 3
Дати Одержано 23 березня 2025; у відредагованій формі 24 червня 2025; опубліковано online 27 червня 2025
Цитування M. Ennejjar, M. Ezzini, M.A. Jallal, та ін., Ж. нано- електрон. фіз. 17 № 3, 03038 (2025)
DOI https://doi.org/10.21272/jnep.17(3).03038
PACS Number(s) 07.05.Kf, 88.10.gc
Ключові слова Заповненість, Керування енергією, Багатошаровий персептрон, Гібридний підхід, Прогнозування (2) .
Анотація

У статті представлені нові гібридні підходи до прогнозування заповнюваності офісних приміщень шляхом поєднання традиційних моделей зі штучними нейронними мережами. Зокрема, запропоновано дві гібридні моделі: наївний баєсівський класифікатор, інтегрований з багатошаровим перцептроном (NBC-MLP), та логістичний перцептрон зі змішаним виходом (LMOP). Ці моделі використовують фактори навколишнього середовища, такі як температура, освітлення та рівень CO2, для прогнозування заповнюваності, що відноситься до задач прикладної фізики. Гібридні моделі розроблені для використання сильних сторін як традиційних моделей, так і нейронних мереж, підвищуючи точність прогнозування, зберігаючи при цьому простоту. Баєсівський класифікатор, відомий своєю простотою роботи з категоріальними даними, доповнює здатність багатошарового перцептрона фіксувати складні взаємозв'язки в даних. Аналогічно, логістичний перцептрон зі змішаним виходом інтегрує логістичну регресію з нейронними мережами для покращення можливостей прогнозування. Результати показують, що запропоновані гібридні моделі значно перевершують традиційні моделі, причому модель LMOP досягає точності 99,28%. Це свідчить про ефективність гібридних моделей у моделюванні складних моделей заповнюваності. Більше того, моделі стійкі до шумних даних та коливань умов навколишнього середовища, що робить їх придатними для реальних застосувань. Завдяки точнішому прогнозуванню заповнюваності, вони дозволяють краще контролювати системи опалення, вентиляції та кондиціонування повітря (HVAC) та освітлення, зменшуючи споживання енергії.

Перелік посилань