Table of Contents
پیش بینی مصرف انرژی برای مدیریت انرژی کارآمد و برنامه ریزی ضروری است. تکنیک های یادگیری فوق العاده توصیه شده به طور گسترده ای برای توسعه مدل های پیش بینی شده که تخمین استفاده از انرژی آینده بر اساس داده های تاریخی است، این مقاله در مورد روند ساخت و معتبر سازی مدل های یادگیری نظارت شده برای پیش بینی مصرف انرژی بحث می کند.
جمع آوری داده ها و پیش پردازش
اولین گام شامل جمع آوری داده های مرتبط، مانند استفاده از انرژی تاریخی، شرایط آب و هوا و اطلاعات تقویمی است. پیش پردازش داده شامل تمیز کردن، کنترل ارزش های از دست رفته و مهندسی ویژگی برای بهبود عملکرد مدل است.
مدل سازی Building
مدل های یادگیری فوق العاده مانند رگرسیون خطی، درختان تصمیم گیری و شبکه های عصبی معمولاً مورد استفاده قرار می گیرند.انتخاب بستگی به پیچیدگی داده ها و الزامات دقت دارد. مجموعه داده ها به آموزش و آزمایش تقسیم می شود تا مدل را توسعه دهد.
مدل اعتبارسنجی
اعتباربخشی شامل ارزیابی دقت مدل با استفاده از معیارهایی مانند خطای مطلق (MAE) و ریشه به معنای خطای مربع (RMSE) است. تکنیک های کیفیت صلیب کمک می کند تا اطمینان حاصل شود که مدل به خوبی به داده های دیده نشده تعمیم می یابد.
مدل سازی و نظارت
پس از تأیید، مدل برای پیش بینی مصرف انرژی در زمان واقعی، نظارت مستمر و آموزش مجدد دوره ای برای حفظ دقت به عنوان الگوهای داده ها تکامل یافته است.