Аңдатпа
Жұмыста ақылды ғимараттардағы жылыту, желдету және ауаны баптау (HVAC) жүйелерінің энергия тұтынуын қысқа мерзімді болжау міндеті қарастырылды. Зерттеудің өзектілігі ғимараттардың әлемдік энергия тұтынудағы жоғары үлесімен (30–40%) және HVAC жүйелерінің жалпы шығынның 50–70%-ын құрауымен түсіндіріледі. Жұмыстың мақсаты — IoT сенсорларының көп факторлы деректері негізінде HVAC жүктемесін болжауда машиналық оқыту модельдерінің тиімділігін салыстырмалы талдау арқылы ең дәл алгоритмді анықтау. Зерттеуде 10 минуттық уақыт қадамымен алынған Smart Building ашық деректер жиынтығы (≈14 000 бақылау) пайдаланылды. Деректер алдын ала өңделіп, қалыпқа келтіріліп, оқыту және тест жиынтықтарына 70/30 қатынасында бөлінді. Linear Regression, SVR, Random Forest, XGBoost және көпқабатты нейрондық желі (MLP) модельдері қолданылды. Модельдердің дәлдігі RMSE және R² көрсеткіштері арқылы бағаланды. Нәтижелер бойынша ең жоғары дәлдік MLP моделінде анықталды (R² = 0.8233, RMSE = 1.658), бұл модельдің жүктеме өзгерісінің шамамен 82%-ын түсіндіре алатынын көрсетті. Сызықтық регрессия да жоғары нәтиже көрсетті (R² = 0.7921, RMSE = 1.889), бұл HVAC жүктемесінің ішінара сызықтық тәуелділігін дәлелдейді. SVR және XGBoost модельдері орташа дәлдікке ие болды (R² ≈ 0.72–0.74, RMSE ≈ 2.10–2.18), ал Random Forest ең төмен нәтиже көрсетті (R² = 0.5390, RMSE = 2.813). Модельдер арасындағы айырмашылық R² бойынша 28 пайыздық тармаққа дейін жетті, бұл алгоритм таңдаудың маңыздылығын көрсетеді. Факторлық талдау нәтижесінде HVAC жүктемесіне ең үлкен әсер ететін параметрлер ретінде сыртқы температура (r > 0.9), тарихи тұтыну және ішкі микроклимат көрсеткіштері анықталды. Зерттеу нәтижелері көп факторлы тәсілдің тиімділігін дәлелдеп, машиналық оқыту модельдерін ақылды ғимараттарды басқару жүйелеріне енгізу энергия тұтынуды оңтайландыруға және операциялық шығындарды төмендетуге мүмкіндік беретінін көрсетті.