به‌کارگیری تئوری مجموعه‌های راف در تحلیل نتایج ممیزی انرژی

نوع مقاله : مقاله علمی پژوهشی

نویسنده

دکتری تولید و عملیات، دانشکدۀ مدیریت، دانشگاه تهران، تهران، ایران

چکیده

 هدف از این تحقیق، استخراج مدل قوانین مربوط به داده­های حاصل از ممیزی انرژی ساختمان­ها به‌کمک تئوری راف است. تئوری راف دارای الگوریتم‌های قدرتمندی است که امکان تحلیل داده‌ها را فراهم می‌کند. ابزارهای استفاده‌شده در این تئوری می‌تواند با ارزش‌های نادقیق و داده‌های غیرقطعی کار کرده و واقعیت‌های پنهان در داده‌ها را کشف کند. ازآنجاکه قسمتی از گزارش‌های ممیزی انرژی ساختمان مربوط به سنجش سطح آسایش ساکنان ساختمان از نظر وضعیت سرمایش و گرمایش است و بخش دیگر داده‌ها مربوط به بررسی‌های فنی ساختمان است، در این تحقیق یک مشخصة تصمیم مربوط به سطح آسایش ساکنان و یازده مشخصة موقعیتی مربوط به جنبه‌های فنی ساختمان تحلیل شده و استنتاج قوانین به‌کمک نرم‌افزار ROSETTA صورت گرفته است. با توجه به الگوریتم‌های مختلف تکمیل داده‌ها، گسسته کردن مقادیر و تولید بی‌زائده، براساس شرایط تحقیق چهار مدل از قوانین ساخته شده و به‌روش اعتبارسنجی موازی نتایج مدل‌ها ارزیابی شده است. در مجموع بهترین مدل با ۱۴ قانون و دقت پیش‌بینی ۸/۹۹ درصد انتخاب شده است. نتایج این مدل نشان داد که مهم‌ترین مشخصۀ فنی هر ساختمان «متراژ فضای کنترل‌نشده» است و با اطلاع از مقدار این مشخصه می‌توان سطح آسایش کارکنان در ساختمان را با دقت زیادی پیش‌بینی کرد.

کلیدواژه‌ها


عنوان مقاله [English]

Using Rough Set Theory to Analyze the Energy Audit Reports of Buildings

نویسنده [English]

  • Tooraj Karimi
PHD of Production management, University of Tehran , Tehran, Iran
چکیده [English]

Rough set theory is a new mathematical approach to analyze the imperfect knowledge. It does not need any preliminary or additional information about data and provides efficient methods, algorithms and tools for finding hidden patterns in uncertain data. In this study, RST has been used to extract the rules from the data of energy audits of buildings. Since part of building energy audit data related to assessment of occupants comfort level and other data related to the technical analysis of the buildings so in this research, a decision attribute and eleven conditional attributes have been selected and rules inference have been done using ROSETTA software. Due to the different algorithms of data complement, discretization, reduction and rule generation, four rule models have been constructed based on the conditions of this study. Cross validation is used for evaluation of the model results. Finally the best model was chosen with fourteen rules and 99.8 percent of accuracy. The model demonstrate that the core attribute of buildings is "uncontrolled area of buildings". It means that if the value of this attribute is calculated the 14 rules can be used to accurately predict the level of employees comfort in the buildings.

کلیدواژه‌ها [English]

  • Rough Set Theory
  • Rule induction
  • ROSETTA
Ahmadvand, A.M., Ghaderi, S.F., Boustanpour, H.R., (2010), The analysis of residential energy consumption in Iran using system dynamic. Second International Conference on Computer Modeling and Simulation.
Clarke, E.J. and Barton, B.A., (2000), Entropy and MDL Discretization of Continuous Variables for Bayesian Belief Networks, Int’l J. Intelligent Systems, 15, 61-92.
Gaojun, L., Yan, Z., (2006), Credit Assessment of Contractors: A Rough Set Method, Tsinghua Science and Technology ISSN 1007-0214 13/16 pp357-362, Volume 11.
Grzymala-Busse, J.W. and Stefanowski, J., (2001), Three Discretization Methods for Rule Induction, Int’l J. Intelligent Systems, 16 (1): 29-38,.
Hitchcock, G., (1993) , An integrated framework for energy use and behaviour in the  domestic sector, Energy  and  Buildings,  151-157.
Jian, L., Liu, S., Lin, Y., (2011), Hybrid Rough Sets and Applications in Uncertain Decision-Making. by Taylor and Francis Group, LLC.
Karimi, T., Sadeghi moghadam, M, (2014), Rough Set and Grey Set Theory: principles, applications and softwares, Tehran, First edition, Mehraban nashr, (in persion).
Liu, S., Lin, Y., (2010), Grey Systems Theory and Applications, Springer-Verlag Berlin Heidelberg.
Ludl, M.-C., and Widmer, G., (2000), “Relative Unsupervised Discretization for Association Rule Mining,” Proc. Fourth European Conf. Principles of Data Mining and Knowledge Discovery (PKDD), 148-158,.
Lutzenhiser, L., (2008), setting the stage: why behavior is important. Overview of address given to the behavior, energy and climate change conference, November 7–9 2007, Sacramento CA, delivered to California Senate June.
Michalik, G., Mielczarski, W., (1996), Modeling of Energy Use Patterns in the Residential Sector Using Linguistic Variables. 0-7803-3 115-x/96$5.0001996 IEEE.
 Razavi, M., Mehregan, M., Shakori, H., Karimi, T., (2012) Analyzing Energy Consumption of Organizational Buildings Using Grey Set Theory, Industrial management, in peress.
Ruiz, F.J., Angulo, C., and Agell, N., (2008), IDD: A Supervised Interval Distance-Based Method for Discretization, IEEE Trans. Knowledge and Data Eng., 2 (9): 1230-1238.
Smith, M. G., & Bull, L. (2003). Feature construction and selection using genetic programming and a genetic algorithm. Proceedings of the 6th European Conference on Genetic Programming (EuroGP 2003), 229–237.
Starzyk, J. A., Nelson, D. E., & Sturtz, K. (2000). A Mathematical Foundation for Improved Reduct Generation in Information Systems. Journal of Knowledge and Information Systems, 2 (2): 131-146.
Stephenson, J., Barton, B., Carrington, G., Gnoth, D., Lawson, R., Thorsnes, P., (2010), Energy cultures: A framework for understanding energy behaviours. Energy Policy, doi:10.1016/j.enpol.2010.05.069.
Yu, Z., Fung, C.M., Haghighat, F., Yoshino, H., Morofsky, E., (2011), A systematic procedure to study the influence of occupant behavior on building energy consumption, Energy and Buildings, 43, 1409–1417.
Zhong, N., Dong, J., & Ohsuga, S., (2001). Using Rough Sets with Heuristics for Feature Selection. Journal of Intelligent Information Systems, Vol. 16, No. (3):199–214.
Zou, Z., Tseng, T.L., Sohn, H., Song, G., Gutierrez, R., (2011), A rough set based approach to distributor selection in supply chain management, Expert Systems with Applications 38 , 106–115.