Машинное обучение для оценки энергопотребления и энергетических характеристик зданий: обзор

Постоянный рост численности населения и возрастающие потребности муниципального и коммерческого развития в строительстве новых зданий считаются основными факторами увеличения выбросов парниковых газов. Поэтому повышение энергоэффективности строительного сектора стало одной из ключевых задач для сокращения выбросов газов и потребления ископаемого топлива. Одним из наиболее эффективных подходов к снижению выбросов CO2 и энергопотребления в новых зданиях является учет энергоэффективности уже на самых ранних этапах проектирования. С другой стороны, эффективное управление энергопотреблением и рациональная модернизация могут повысить энергетические характеристики существующего фонда зданий. Все эти решения требуют точного прогнозирования энергопотребления для принятия оптимальных решений. В последние годы искусственный интеллект (ИИ) в целом и методы машинного обучения (МО) в частности предлагаются для прогнозирования энергопотребления и энергетических характеристик зданий. В статье представлен обстоятельный обзор четырех основных подходов машинного обучения, включая искусственные нейронные сети, метод опорных векторов, регрессию на основе гауссовских моделей и кластеризацию, которые широко применяются для прогнозирования и повышения энергетической эффективности зданий.