به‌كارگيري تئوري مجموعه‌هاي راف در تحليل نتايج مميزي انرژي

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

هدف از اين تحقيق، استخراج مدل قوانين مربوط به داده هاي حاصل از مميزي انرژي ساختمان ها به‌كمك تئوري راف است. تئوري راف داراي الگوريتم‌هاي قدرتمندي است كه امكان تحليل داده‌ها را فراهم مي‌كند. ابزارهاي استفاده‌شده در اين تئوري مي‌تواند با ارزش‌هاي نادقيق و داده‌هاي غيرقطعي كار كرده و واقعيت‌هاي پنهان در داده‌ها را كشف كند. ازآنجاكه قسمتي از گزارش‌هاي مميزي انرژي ساختمان مربوط به سنجش سطح آسايش ساكنان ساختمان از نظر وضعيت سرمايش و گرمايش است و بخش ديگر داده‌ها مربوط به بررسي‌هاي فني ساختمان است، در اين تحقيق يك مشخصه تصميم مربوط به سطح آسايش ساكنان و يازده مشخصه موقعيتي مربوط به جنبه‌هاي فني ساختمان تحليل شده و استنتاج قوانين به‌كمك نرم‌افزار ROSETTA صورت گرفته است. با توجه به الگوريتم‌هاي مختلف تكميل داده‌ها، گسسته كردن مقادير و توليد بي‌زائده، براساس شرايط تحقيق چهار مدل از قوانين ساخته شده و به‌روش اعتبارسنجي موازي نتايج مدل‌ها ارزيابي شده است. در مجموع بهترين مدل با ۱۴ قانون و دقت پيش‌بيني ۸/۹۹ درصد انتخاب شده است. نتايج اين مدل نشان داد كه مهم‌ترين مشخصۀ فني هر ساختمان «متراژ فضاي كنترل‌نشده» است و با اطلاع از مقدار اين مشخصه مي‌توان سطح آسايش كاركنان در ساختمان را با دقت زيادي پيش‌بيني كرد.

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 quot uncontrolled area of buildingsquot . 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.