MODERN METHODS FOR PREDICTING  BUILDING ENERGY CONSUMPTION

Олександр Левицький; Валерій Дешко

doi:10.20535/1813-5420.4.2025.341329

Автор(и)

Олександр Левицький Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського», Україна https://orcid.org/0009-0009-0386-318X
Валерій Дешко Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського», Україна https://orcid.org/0000-0002-8218-3933

DOI:

https://doi.org/10.20535/1813-5420.4.2025.341329

Ключові слова:

енергоефективність будівель, прогнозні моделі, термомодернізація, глибоке навчання, цифрові двійники, системи управління енергоспоживанням

Анотація

Актуальність дослідження зумовлено зростаючою потребою підвищення енергоефективності будівель шляхом термомодернізації, а також необхідністю у точних інструментах прогнозування, що дозволяють здійснювати ефективне управління енергоспоживанням. В умовах змін клімату та зростання вартості енергоресурсів вибір оптимальних моделей прогнозування набуває стратегічного значення для житлово-комунального господарства та об’єктів міської інфраструктури.

Метою дослідження є обґрунтування сучасних підходів до прогнозування енергоспоживання будівель з урахуванням заходів термомодернізації на основі аналізу регресійних, нейронних і гібридних моделей з метою виявлення їхніх переваг, обмежень та практичної ефективності.

Методологія. Проведено порівняльний аналіз результатів актуальних досліджень, що застосовують статистичні, нейромережеві та комбіновані моделі прогнозування. Оцінено точність, масштабованість, гнучкість моделей, а також їх здатність адаптуватися до змін після термомодернізації. Особливу увагу приділено архітектурам глибокого навчання (LSTM, GRU), гібридним комбінаціям (ARIMA+LSTM, CNN+ELM) та технології цифрових двійників.

Результати. Установлено, що найвищу точність прогнозування забезпечують нейромережеві моделі, зокрема глибокі архітектури та ансамблі. Виявлено, що середня абсолютна похибка у таких підходів не перевищує 3–5%. Регресійні методи, попри нижчу точність, залишаються актуальними для базової оцінки впливу кліматичних факторів. Доведено ефективність гібридних підходів, що комбінують трендову компонену зі здатністю нейронних мереж описувати залишкову нелінійність. Виявлено перспективність цифрових двійників як інструменту прогнозно-керованої енергетики.

Висновки. Доведено, що ефективне прогнозування енергоспоживання можливе лише за умови врахування змін, зумовлених термомодернізацією, та застосування гнучких моделей, здатних адаптуватися до нових умов експлуатації будівель. Визначено, що інтеграція методів штучного інтелекту з фізичними моделями та цифровими двійниками підвищує точність і корисність прогнозів для практичного енергоменеджменту.

Перспективи подальших досліджень. Доцільним є розвиток методів комбінованого моделювання з урахуванням поведінкових чинників споживання, а також розширення емпіричної бази для оцінювання ефективності цифрових двійників у контексті модернізованих будівель різного призначення.

Посилання

Q. Yin, C. Han, A. Li, X. Liu, and Y. Liu, "A review of research on building energy consumption prediction models based on artificial neural networks," Sustainability, vol. 16, no. 17, Art. 7805, 2024, doi: 10.3390/su16177805.

I. Y. Bilous, Mathematical models for improving energy efficiency in a building as an energy system, Ph.D. dissertation, NTUU "KPI", Kyiv, 2018. [Online]. Available: https://ela.kpi.ua/server/api/core/bitstreams/ad5e80c1-9ff0-4e42-b477-b2c4fb0ba14f/content

H. Liu, J. Liang, Y. Liu, and H. Wu, "A review of data-driven building energy prediction," Buildings, vol. 13, no. 2, Art. 532, 2023, doi: 10.3390/buildings13020532.

M. R. Braun, H. Altan, and S. B. M. Beck, "Using regression analysis to predict the future energy consumption of a supermarket in the UK," Applied Energy, vol. 130, pp. 305–313, 2014, doi: 10.1016/j.apenergy.2014.05.062.

I. Korolija, Y. Zhang, Lj. Marjanovic-Halburd, and V. I. Hanby, "Regression models for predicting UK office building energy consumption from heating and cooling demands," Energy and Buildings, vol. 59, pp. 214–227, 2013, doi: 10.1016/j.enbuild.2012.12.005.

S. ShamsAmiri, M. Mottahedi, and S. Asadi, "Using multiple regression analysis to develop energy consumption indicators for commercial buildings in the U.S.," Energy and Buildings, vol. 109, pp. 209–216, 2015, doi: 10.1016/j.enbuild.2015.09.067.

Z. Zhang, C. Deb, S.-E. Lee, J. Yang, and K. W. Shah, "Time series forecasting for building energy consumption using weighted support vector regression with differential evolution optimization," Energy and Buildings, vol. 126, pp. 94–103, 2016, doi: 10.1016/j.enbuild.2016.05.028.

S. R. Mohandes, X. Zhang, and A. Mahdiyar, "A comprehensive review on the application of artificial neural networks in building energy analysis," Neurocomputing, vol. 340, pp. 55–75, 2019, doi: 10.1016/j.neucom.2019.02.020.

K. Sun, Z. Dou, B. Zhang, and H. Zou, "Short-term load forecasting model of ameliorated CNN based on adaptive mutation fruit fly optimization algorithm," Electric Power Components and Systems, vol. 50, no. 19–20, pp. 1836–1848, 2022, doi: 10.1080/15325008.2022.2135051.

B. Carrera, S. Peyrard, and K. Kim, "Meta-regression framework for energy consumption prediction in a smart city: A case study of Songdo in South Korea," Sustainable Cities and Society, vol. 72, Art. 103025, 2021, doi: 10.1016/j.scs.2021.103025.

B. Carrera and K. Kim, "A regression framework for energy consumption in smart cities with encoder-decoder recurrent neural networks," Energies, vol. 16, no. 22, Art. 7508, 2023, doi: 10.3390/en16227508.

A. A. Pierre, S. A. Akim, A. K. Semenyo, and B. Babiga, "Peak electrical energy consumption prediction by ARIMA, LSTM, GRU, ARIMA-LSTM and ARIMA-GRU approaches," Energies, vol. 16, no. 12, Art. 4739, 2023, doi: 10.3390/en16124739.

D. So, J. Oh, I. Jeon, J. Moon, M. Lee, and S. Rho, "BiGTA-Net: A hybrid deep learning-based electrical energy forecasting model for building energy management systems," Systems, vol. 11, no. 9, Art. 456, 2023, doi: 10.3390/systems11090456.

M. Anan, K. Kanaan, D. Benhaddou, and N. Nasser, "Occupant-aware energy consumption prediction in smart buildings using an LSTM model and time series data," Energies, vol. 17, no. 24, Art. 6451, 2024, doi: 10.3390/en17246451.

R. Evans and J. Gao, "DeepMind AI reduces Google data center cooling bill by 40%," Google DeepMind Blog, Jul. 20, 2016. [Online]. Available: https://deepmind.google/discover/blog/deepmind-ai-reduces-google-data-centre-cooling-bill-by-40/

B. Arsecularatne, N. Rodrigo, and R. Chang, "Digital twins for reducing energy consumption in buildings: A review," Sustainability, vol. 16, no. 21, Art. 9275, 2024, doi: 10.3390/su16219275.

S. S. MdRamli, M. N. Ibrahim, A. Mohamad, K. Daud, A. M. S. Omar, and N. D. Ahmad, "Review of artificial neural network approaches for predicting building energy consumption," in Proc. 3rd IEEE Int. Conf. on Power Engineering Applications (ICPEA), Putrajaya, Malaysia, Oct. 2023, pp. 212–217, doi: 10.1109/ICPEA53757.2023.10157696.

C. Lu, T. Hong, and L. Yang, "Open issues and challenges in applying artificial neural networks to building energy prediction," Building Simulation (Proc. IBPSA), vol. 16, pp. 1182–1189, 2019. [Online]. Available: https://doi.org/10.26868/25222708.2019.210250

Y. Nam, Y. Hwangbo, and J. Yoo, "A hybrid forecasting model using LSTM and Prophet for energy consumption of buildings," Energy and Buildings, vol. 208, Art. 109675, 2020, doi: 10.1016/j.enbuild.2019.109675.

C. Fan, F. Xiao, C. Madsen, K. Wang, and S. J. Zuo, "Accuracy analyses and model comparison of machine learning methods for building energy consumption prediction," Energy Exploration & Exploitation, vol. 37, no. 4, pp. 1246–1271, 2019, doi: 10.1177/0144598719835590.

T. Ahmad, H. Chen, M. A. Butt, B. A. Bawazir, and S. Sreeraj, "A review on machine learning forecasting techniques for building energy consumption," Renewable and Sustainable Energy Reviews, vol. 128, Art. 109899, 2020, doi: 10.1016/j.rser.2020.109899.

V. I. Deshko, "Parametric analysis of external and internal factors influencing building energy performance using non-linear multivariate regression models," Journal of Building Engineering, vol. 20, pp. 327–336, 2018, doi: 10.1016/j.jobe.2018.07.021.