Resumen

La eficiencia energética de los edificios es importante porque éstos consumen una cantidad significativa de energía. El estudio propuso redes neuronales artificiales aditivas (AANNs) para predecir el uso de energía en edificios residenciales. Para evaluar el modelo AANNs se utilizó un conjunto de datos en resolución horaria, que se recogió de un edificio residencial con un sistema solar fotovoltaico. El modelo AANNs propuesto logró una buena precisión de predicción con un 14,04% en el error porcentual medio absoluto (MAPE) y 111,98 vatios-hora en el error medio absoluto (MAE). En comparación con la regresión de vectores de apoyo (SVR), el modelo AANNs puede mejorar significativamente la precisión, que fue del 103,75% en MAPE. En comparación con el modelo de RNAs, el porcentaje de mejora de la precisión del modelo de AANNs fue del 4,6% en MAPE. El modelo AANNs fue el modelo de previsión más eficaz entre los modelos investigados para predecir el consumo de energía, lo que proporciona a los administradores de edificios una herramienta útil para mejorar la eficiencia energética en los edificios.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Neurofisiología Proceso de aprendizaje
• Subjects:Artificial intelligence Data mining Genetic algorithms Neurophysiology Learning processes
• Palabras claves:modelo aanns, edificio residencial, eficiencia energética, error absoluto medio, error porcentual absoluto, buena precisión predictiva, modelo de previsión eficaz, porcentaje de mejora de la precisión, regresión de vectores de apoyo, mape
• Keywords:aanns model, residential building, energy efficiency, means absolute error, absolute percentage error, good predictive accuracy, effective forecasting model, accuracy improvement percentage, support vector regression, mape