ANN-LSTM-STA keçmiş məişət isti su istehlakı ardıcıllığını LSTM, ikincili çəkili zaman diqqəti və ANN qatları ilə emal edərək gələcək isti su tələbatını proqnozlaşdırmaq üçün hazırlanmış hibrid zaman sırası modelidir. Bo Deng, Xin Zhou, Shaojie Wang, Dong Wang və Xin Meng tərəfindən aparılan tədqiqatda real universitet tələbə yataqxanasından toplanmış saatlıq məişət isti su məlumatları ANN-LSTM-STA ilə proqnozlaşdırılmış və bu proqnozlar günəş kollektoru–hava mənbəli istilik nasosu isti su sisteminin feedforward–feedback idarəetməsinə bağlanmışdır. Real su istehlakı məlumatları 1 Mart–30 Noyabr 2023 dövrünə aid olduğu halda, enerji sisteminin performansı POLYSUN simulyasiyasında qiymətləndirilmişdir.

ANN-LSTM-STA modeli mənbənin Cədvəl 2-sində normallaşdırılmış RMSE = 0,320, fiziki miqyasa çevrilmiş RMSE = 167,0 L və normallaşdırılmış MAE = 0,217 ilə ANN, LSTM və tək diqqətli ANN-LSTM-A modellərindən daha aşağı xəta göstərmişdir. Cədvəl 2 və ətraflı nəticə mətninə görə ANN ilə müqayisədə RMSE %33,05, MAE isə %24,65 azalmışdır.

Proqnoza əsaslanan Sxem II, ənənəvi sabit tələbat əsaslı Sxem I ilə eyni meteoroloji və avadanlıq şəraitində POLYSUN-da müqayisə edilmişdir. Sxem II-də günəş kollektorunun istilik istehsalı %9,47 artmış; ASHP istilik istehsalı %57,52, ASHP işləmə müddəti %33,45, nasosun enerji istifadəsi %16,65 və sistemin ümumi enerji istehlakı %43,85 azalmışdır. COP %6,42, sistem COP-si isə %18,39 yüksəlmişdir.

Bu nəticələr real isti su istehlakı məlumatları ilə qidalanan proqnoza əsaslanan idarəetmənin simulyasiya mühitində güclü enerji qənaəti potensialı göstərdiyini dəstəkləyir. Bununla belə, enerji qənaəti və COP nəticələri real binada ölçülmüş sahə nəticələri deyil; tədqiqatçılar real vaxt rejimində sahə təsdiqini, müxtəlif binalar və iqlim zonalarında sınaqları gələcəkdə görülməli işlər sırasında göstərmişlər.

Tədqiqatın həll etməyə çalışdığı mühəndislik problemi

Universitet yataqxanalarında məişət isti su tələbatı gün ərzində və həftənin müxtəlif günlərində xeyli dəyişə bilər. Ənənəvi layihələndirmə yanaşmasında sistem gücünün yüksək tələbatı qarşılayacaq sabit kvota üzrə müəyyən edilməsi aşağı tələbat dövrlərində lazımsız istilik istehsalına və avadanlığın uzun müddət işləməsinə səbəb ola bilər.

Günəş enerjisi ilə hava mənbəli istilik nasosunun birlikdə istifadəsi bu problemi təkbaşına həll etmir. Günəş şüalanmasının vaxtı ilə istifadəçi tələbatının vaxtı uyğun gəlmədikdə günəş enerjisinin bir hissəsi yetərincə istifadə olunmaya bilər; ASHP isə lazım olduğundan uzun işləyə və ya aşağı qismən yük şəraitində səmərəliliyini itirə bilər.

Tədqiqatın yanaşması enerji sistemini yalnız mövcud temperatura və ya ani tələbata reaksiya verən reaktiv sistem olmaqdan çıxarıb gələcək isti su istehlakını əvvəlcədən proqnozlaşdıran idarəetmə strukturuna çevirməkdir.

ANN-LSTM-STA Modeli Bu Tədqiqatda Nəyi Proqnozlaşdırır?

ANN-LSTM-STA modeli Xi'an şəhərində 700 tələbənin yaşadığı No. 7 tələbə yataqxanasının keçmiş saatlıq məişət isti su istehlakı ardıcıllığından istifadə edərək gələcək DHW istehlakını proqnozlaşdırır; proqnozlaşdırılan istehlak daha sonra günəş kollektorunun və hava mənbəli istilik nasosunun nə vaxt və hansı səviyyədə işlədiləcəyini müəyyən edən feedforward idarəetmə girişi kimi istifadə olunur.

Tədqiqat binası və layihə isti su tələbatı

Tədqiqatın istinad binası altı mərtəbəli tələbə yataqxanasıdır və ümumilikdə 700 tələbəni yerləşdirir. Ənənəvi layihə kvotası 20–25 L/(nəfər·gün) diapazonundan yuxarı hədd olan 25 L/(nəfər·gün) seçilmişdir.

Buna uyğun olaraq layihə üzrə gündəlik isti su miqdarı:

700 nəfər × 25 L/(nəfər·gün) = 17.500 L/gün

qəbul edilmişdir.

Mənbədəki isti su istilik yükü tənliyi

Mənbə Tənlik (1)-i aşağıdakı formada verir:

\[ Q_h=\frac{m q_r (t_r-t_o)\rho_r}{86400} \tag{1} \]

Mənbənin izahına görə \(Q_h\) tam günlük layihə saatının istilik istehlakını (kW), \(m\) istifadəçi sayını, \(q_r\) gündəlik isti su kvotasını, \(t_r\) layihə isti su temperaturunu, \(t_o\) yerli soyuq su temperaturunu və \(\rho_r\) isti suyun sıxlığını ifadə edir. Layihə isti su temperaturu \(t_r=50\,^{\circ}\mathrm{C}\) qəbul edilmişdir.

Mənbə eyni izahda suyun xüsusi istilik tutumunu \(C=4{,}187\ \mathrm{kJ/(kg\cdot ^\circ C)}\) kimi müəyyən edir; lakin \(C\) termini çap edilmiş Tənlik (1)-də yoxdur. Buna görə Tənlik (1) Verianla tərəfindən səssizcə düzəldilməmiş, mənbədə çap olunduğu kimi və hesabat xəbərdarlığı ilə qorunmuşdur.

Günəş kollektorunun sahəsi necə müəyyən edilir?

Mənbə günəş kollektorunun sahəsi üçün:

\[ A_C= \frac{Q_w\rho_r C(t_r-t_o)f} {J_T\eta_{cd}(1-\eta_L)} \tag{2} \]

tənliyindən istifadə edir.

Burada \(Q_w\) orta gündəlik isti su istehlakını, \(\rho_r\) suyun sıxlığını, \(C\) suyun xüsusi istilik tutumunu, \(t_r-t_o\) temperatur artımını və \(f\) günəş enerjisi təminat əmsalını ifadə edir. \(J_T\) günəş şüalanmasını, \(\eta_{cd}\) illik orta kollektor səmərəliliyini və \(\eta_L\) çən və boru sistemindəki istilik itkisi əmsalını göstərir.

Xi'an mənbədə III sinif günəş enerjisi zonası kimi götürülmüş və \(f\) üçün 0,4–0,5 diapazonu verilmişdir. Mənbənin sistem sxemində düz lövhəli günəş kollektorunun ümumi sahəsi 324 m² göstərilir.

Hava mənbəli istilik nasosu necə işləyir?

ASHP ətraf havadan istilik çəkən buxarlandırıcı, kompressor, kondensator və genişlənmə klapanından ibarət klassik buxar sıxışdırmalı dövrədən istifadə edir. Buxarlandırıcıda mühitdən istilik alan soyuducu maye buxarlanır, kompressorda yüksək temperatura və təzyiqə qalxır, kondensatorda istiliyini isti su çəninə verir və genişlənmə klapanından sonra yenidən buxarlandırıcıya qayıdır.

Mənbə ASHP layihə istilik yükünü:

\[ Q_g= \frac{q_h m C_W(t_{end}-t_0)\rho_W} {3600T} \tag{3} \]

kimi verir. Lakin bu tənliyin dərhal altındakı izah yalnız \(q_h\), \(C_W\) və istifadə müddətini müəyyən edir; tənlikdəki digər simvolların hamısını sistemli şəkildə izah etmir. Bu terminoloji çatışmazlıq mənbədə olduğu kimi saxlanmışdır.

Mənbə hesablanmış isitmə tələbatını 34 kW verir və etibarlılıq üçün 40 kW isitmə gücünə malik ASHP seçir. Qurğunun elektrik gücü 10 kW, soyuducu maddəsi R-407c və bildirilən soyuducu miqdarı 20,2 kg-dır.

S-ASHP sisteminin fiziki quruluşu

POLYSUN 2025.12 modelində sistemin üç əsas enerji komponenti düz lövhəli günəş kollektoru, hava mənbəli istilik nasosu və su ilə işləyən isti su saxlama çənidir. Saxlama çəni günəş kollektoru ilə ASHP arasındakı qısamüddətli istilik təchizatı fərqlərini tarazlamaq və istifadəçiyə daha sabit isti su vermək üçün istilik buferi kimi fəaliyyət göstərir.

Mənbənin Figure 1-də həmçinin günəş dövriyyə nasosu, su nasosu, köməkçi isitmə idarəedicisi, üçyollu klapan və qarışdırma klapanı göstərilir. Sistem çıxış temperaturu 50 °C hədəfinə görə tənzimlənir.

Proqnoz modeli hansı məlumatlardan istifadə edir?

ANN-LSTM-STA modeli giriş kimi yalnız keçmiş DHW istehlakı ardıcıllığından istifadə edən bir dəyişənli zaman sırası proqnozudur. Xarici hava temperaturu, günəş şüalanması, tətil, imtahan dövrü, həftənin günü və ya saat məlumatı ayrıca model girişi deyil.

Məlumatlar tələbə yataqxanasındakı IC-kart ölçmə sistemindən 1 Mart–30 Noyabr 2023 tarixləri arasında saatlıq toplanmışdır. Ümumilikdə 6600 etibarlı qeyd vardır.

Ön emal ardıcıllığı:

ANN-LSTM-STA arxitekturası

Mənbənin əsas arxitektura təsvirində model dörd ardıcıl moduldan ibarətdir: LSTM giriş/zaman kodlaşdırma qatı, secondary weighted temporal attention (STA), ANN gizli qatı və ANN çıxış qatı.

LSTM keçmiş istehlak ardıcıllığının zamandan asılılıqlarını gizli vəziyyətlər şəklində kodlaşdırır. STA qatı bu gizli vəziyyətləri proqnoz baxımından əhəmiyyətinə görə yenidən çəkiləndirir. Diqqət çəkiləri ilə zənginləşdirilmiş təmsil daha sonra 50 ReLU neyronlu ANN gizli qatına və bir xətti çıxış neyronuna ötürülür.

Mənbə ümumi öyrədilə bilən parametr sayını təxminən 45.000 olaraq bildirir.

İkincili çəkili zaman diqqəti mexanizmi

Mənbənin Figure 3-ü diqqət strukturunu iki mərhələli çəkiləndirmə kimi göstərir. Birinci addımda gizli vəziyyətlər çəkiləndirilir, lakin toplanmır; ikinci addımda yenidən çəkiləndirilmiş təsvirlər yaradılır. Sxemdə ikinci çəkiləndirmənin və son birləşdirmənin cosine correlation hesablamalarından istifadə etməklə yaradıldığı göstərilir.

Buna qarşılıq sonrakı mətn “spatiotemporal attention (STAM)” başlığı altında həm temporal, həm də spatial diqqət çəkilərini müəyyən edir:

\[ e_t^T=v_T\tanh(W_T h_t+b_T) \tag{4} \]

\[ \alpha_t^T= \frac{\exp(e_t^T)} {\sum_{j=1}^{T}\exp(e_j^T)} \tag{5} \]

\[ e_i^S=v_S\tanh(W_S h_i+b_S) \tag{6} \]

\[ \alpha_i^S= \frac{\exp(e_i^S)} {\sum_{j=1}^{N}\exp(e_j^S)} \tag{7} \]

\[ \alpha_{t,i}^{ST}= \alpha_t^T\cdot\alpha_i^S \tag{8} \]

\[ \hat{h}= \sum_{t=1}^{T}\sum_{i=1}^{N} \alpha_{t,i}^{ST}h_{t,i} \tag{9} \]

Bu tənlik zənciri temporal və spatial çəkilərin vurularaq birləşik attention xəritəsinə çevrilməsini ifadə edir. Lakin məqalənin məlumat təsviri bir dəyişənli DHW zaman sırasıdır, modelin əsas adı isə ANN-LSTM-STA-dır. Mənbə Figure 3-dəki iki mərhələli cosine-correlation STA strukturu ilə Tənlik (4)–(9)-dakı STAM strukturunun praktikada necə uyğunlaşdırıldığını aydın şəkildə izah etmir.

Model necə öyrədildi?

Grid search zamanı LSTM hidden dimension üçün 32, 64 və 128; ANN gizli neyron sayı üçün 30, 50 və 100; batch size üçün 32, 64 və 128; learning rate üçün 0,001, 0,0005 və 0,0001 namizədləri müqayisə edilmişdir.

Proqram mühiti Python 3.9, TensorFlow 2.10.0/Keras, scikit-learn 1.2.0, pandas 1.5.3, NumPy 1.23.5 və Matplotlib 3.7.0-dır. Avadanlıq Intel Core i7-12700H, 32 GB RAM və NVIDIA GeForce RTX 3060 6 GB GPU-dur; CUDA 11.2 və cuDNN 8.1 istifadə edilmişdir.

Məlumat bölmə protokolundakı mənbədaxili problem

Mənbə bir yerdə ilkin kod bölgüsünü Mart–Oktyabr təlim (~%73), Noyabr doğrulama (~%9) və “test set yoxdur” kimi təsvir edir. Daha sonra son modelin “held-out test set” üzərində qiymətləndirildiyini bildirir. Ayrı test dəstinin hansı tarixlərdən və ya qeydlərin neçə faizindən ibarət olduğu açıqlanmadığı üçün performans metriklərinin tam müstəqil qiymətləndirmə protokolunu mənbədən etibarlı şəkildə yenidən qurmaq mümkün deyil.

Feedforward–Feedback İdarəetmə Ənənəvi Sabit İdarəetmədən Necə Fərqlənir?

Sxem I isti su tələbatını sabit layihə kvotasına görə müəyyən edib sistem işə başladıqdan sonra geri əlaqə ilə reaksiya verdiyi halda, Sxem II ANN-LSTM-STA-nın 24 saat irəli istehlak proqnozunu feedforward girişi kimi istifadə edib günəş və ASHP istehsalını əvvəlcədən planlaşdırır; real istifadə hədəfə çatmadıqda PI əsaslı feedback düzəlişi işə düşür.

Sxem I

Sxem I ənənəvi DHW layihə standartına əsaslanır. Terminal isti su tələbatı sabit rejimə görə müəyyən edilir və sistem əsasən geri əlaqə vasitəsilə işləyir. Real istifadəçi istehlakındakı zirvə və minimumlar əvvəlcədən proqnozlaşdırılmır.

Sxem II

Sxem II əvvəlcə ANN-LSTM-STA ilə su istehlakını proqnozlaşdırır. Proqnozlaşdırılan tələbat feedforward idarəetmə vasitəsilə terminal isti su tələbatını əvvəlcədən müəyyən edir. Sistem işə başladıqdan sonra real tələbatın qarşılanıb-qarşılanmadığı izlənir; hədəf qarşılanmırsa feedback mexanizmi günəş və ASHP çıxışlarını yenidən tənzimləyir.

Mənbədə bildirilən idarəetmə xüsusiyyətləri aşağıdakılardır:

Buludlu gün ssenarisində kollektor dövrədən çıxarılır və ASHP bütün yükü qarşılayır. Sxem II həmçinin ASHP işini aşağı tarifli saatlara əvvəlcədən planlaşdıra bilir.

Gaussian səs-küyə davamlılıq testi

Mənbəyə görə %5–15 Gaussian səs-küy altında idarəedici isti su çəninin temperaturunu ±3 °C daxilində saxlamış və enerji istehlakındakı artımı %4-dən aşağı məhdudlaşdırmışdır. Bu, mənbədə bildirilən simulyasiya davamlılıq testidir; real sensor səs-küyü altında sahə sınağı deyil.

Tədqiqatın Metodu və Nəticələri

RMSE və MAE nəyi ölçür?

RMSE və MAE proqnozlaşdırılan isti su istehlakı ilə real istehlak arasındakı xətanı ölçür. Aşağı dəyər daha yaxşı proqnoz performansını ifadə edir.

Mənbə RMSE üçün:

\[ RMSE= \sqrt{\frac{1}{n}\sum_{i=1}^{n} (\hat{y}_i-y_i)^2} \tag{10} \]

tənliyini verir. Kvadratlaşdırma prosesi daha böyük xətalara daha çox çəki verir.

MAE isə:

\[ MAE= \frac{1}{n}\sum_{i=1}^{n} |\hat{y}_i-y_i| \tag{11} \]

kimi müəyyən edilmişdir və proqnozların real dəyərlərdən orta mütləq sapmasını ölçür.

Dörd proqnoz modelinin performansı

Proqnoz əyriləri necə dəyişir?

Mənbənin Figure 4–7-si real və proqnozlaşdırılan saatlıq istehlak sıralarını müqayisə edir. ANN modeli xüsusilə yüksək istehlak zirvələrində real əyridən daha aydın sapmalar göstərir. LSTM dövri quruluşu daha yaxşı izləyir.

ANN-LSTM-A ilə zirvə və çökəkliklər daha yaxşı üst-üstə düşür, lakin bəzi kəskin dəyişmə nöqtələrində sapmalar davam edir. ANN-LSTM-STA qrafikində proqnoz əyrisi xüsusilə yüksək istehlak piklərində real sıraya daha yaxın gedir.

Bu qrafiklər modelin nisbi proqnoz davranışını dəstəkləyir; lakin xam saatlıq məlumat cədvəli məqalədə dərc edilmədiyi üçün qrafiklərdən yeni dəqiq aralıq dəyərlər çıxarılmamalıdır.

POLYSUN müqayisəsinin eksperimental dizaynı

Sxem I və Sxem II eyni meteoroloji məlumatlar, eyni avadanlıq gücü, eyni ilkin çən temperaturu və eyni komfort tələbləri ilə modelləşdirilmişdir. Əsas fərq terminal DHW tələbatının necə yaradıldığı və idarəetmənin nə dərəcədə proqnozlaşdırıcı olmasıdır.

Bu dizayn iki idarəetmə yanaşmasının eyni əsas sistem şəraitində müqayisəsinə imkan verir. Bununla belə, nəticələr simulyasiya modelinin dəqiqliyindən və fərziyyələrindən asılıdır.

Günəş kollektorunun istilik istehsalı

Sxem II-nin ümumi günəş kollektor istilik istehsalı 11.206,26 kWh-dən 12.267,75 kWh-yə yüksəlmişdir. Artım %9,47-dir.

Mənbənin Figure 10-u xüsusilə bəzi Noyabr günlərində Sxem II-nin daha çox günəş istiliyindən istifadə etdiyini göstərir. Tədqiqatçılar bunu tələbatın əvvəlcədən proqnozlaşdırılması və günəş enerjisinin daha uyğun vaxtlarda dəyərləndirilməsi ilə əlaqələndirirlər.

ASHP istilik istehsalı və işləmə müddəti

ASHP-nin ümumi istilik istehsalı Sxem I-də 14.643,11 kWh ikən Sxem II-də 6220,71 kWh-a düşmüşdür. Bu %57,52 azalmadır.

ASHP-nin ümumi işləmə müddəti 293 saatdan 195 saata düşmüş, yəni %33,45 azalmışdır. Figure 11 gündəlik ASHP istilik istehsalı və işləmə müddətinin bir çox gündə Sxem II-də daha aşağı olduğunu göstərir.

Nasosun enerji istifadəsi

Mənbənin Cədvəl 3-ü nasosun enerji istifadəsini Sxem I üçün 879,86 Wh və Sxem II üçün 733,37 Wh göstərərək %16,65 azalma bildirir.

Buna qarşılıq Figure 12-ni izah edən mətn “average daily energy consumption” üçün %18,7 azalma bildirir. Mənbə bu iki faizin hesablama təriflərini tam uzlaşdırmadığından ümumi müqayisədə Table 3-dəki ümumi nəticə olan %16,65 əsas götürülmüşdür.

Sistemin ümumi enerji istehlakı

Sistemin ümumi enerji istehlakı Sxem I-də 3266,56 kWh, Sxem II-də 1834,28 kWh olaraq bildirilmişdir. Azalma:

%43,85

olaraq verilmişdir.

Figure 13-də Sxem II-nin Noyabrın çox günündə daha aşağı enerji istehlak etdiyi görünür. Mənbə mətni bu fərqi “statistically significant” adlandırsa da müqayisə üçün p dəyəri, etibar intervalı və ya müstəqil hipotez testi təqdim etmir. Buna görə nəticə burada yalnız bildirilmiş simulyasiya fərqi kimi şərh olunur.

İsti su çəninin temperaturu

Mənbənin Figure 14-ü 50 °C set dəyərini istinad xətti kimi göstərir. Ənənəvi Sxem I-in bəzi günlərdə set dəyərinin altına düşdüyü, xüsusilə 21 Noyabrda orta çən temperaturunun 47,05 °C olduğu bildirilmişdir.

Mənbəyə görə Sxem II eyni günlərdə çən temperaturunu 50 °C-dən yuxarı saxlamışdır. Bununla belə, bəzi günlərdə Sxem II temperaturunun da set dəyərindən aydın şəkildə yuxarı olduğu qrafikdə görünür; buna görə performans yalnız “dəqiq 50 °C-də saxlama” deyil, tələbatı qarşılayan daha proqnozlaşdırıcı idarəetmə kimi qiymətləndirilməlidir.

COP və COPsys Nəticələri Necə Şərh Edilməlidir?

Mənbədə COP ayrı istilik nasosunun/qurğunun performans əmsalını, COPsys isə bütün S-ASHP sisteminin performans əmsalını ifadə edir; Sxem II-də orta COP 3,58-dən 3,81-ə, COPsys isə 7,32-dən 8,97-yə yüksəlmişdir, lakin bu dəyərlər POLYSUN simulyasiya nəticələridir və real sahə COP ölçümü deyil.

Nəticə bölməsindəki RMSE/MAE faiz uyğunsuzluğu

Mənbənin Cədvəl 2-si və ətraflı nəticə mətni ANN-LSTM-STA-nın ANN ilə müqayisədə RMSE-ni %33,05, MAE-ni %24,65 azaltdığını bildirir. Buna qarşılıq conclusion bölməsi eyni model üçün %27,20 və %22,22 dəyərlərini verir.

%27,20 və %22,22 dəyərləri Cədvəl 2-də ANN-LSTM-A modelinə aid olduğundan bu Verianla məqaləsində ANN-LSTM-STA müqayisəsi üçün Cədvəl 2 və ətraflı nəticə mətni ilə uyğun %33,05 və %24,65 istifadə edilmiş; mənbədaxili fərq ayrıca qorunmuşdur.

Tədqiqatın dəstəklədiyi nəticələr

Real tələbə yataqxanası istehlak məlumatlarında ANN-LSTM-STA mənbədə müqayisə edilən ANN, LSTM və ANN-LSTM-A modellərindən daha aşağı RMSE və MAE yaratmışdır.

POLYSUN simulyasiyasında proqnoza əsaslanan feedforward–feedback idarəetmə ənənəvi sabit tələbat əsaslı idarəetmə ilə müqayisədə daha yüksək günəş enerjisi istifadəsi, daha aşağı ASHP istilik istehsalı, daha qısa ASHP işləmə müddəti və daha aşağı ümumi sistem enerji istehlakı ilə əlaqəlidir.

Sxem II-nin simulyasiya COP və COPsys dəyərləri Sxem I-dən daha yüksəkdir.

Mənbədəki Gaussian səs-küy ssenarisi idarəetmənin müəyyən model pozuntuları altında isti su çəninin temperaturunu məhdud diapazonda saxlaya bildiyini göstərir.

Tədqiqatın dəstəkləmədiyi nəticələr

Tədqiqat real universitet isti su qurğusunda %43,85 enerji qənaətinin ölçüldüyünü göstərmir. Bu dəyər POLYSUN simulyasiyasından gəlir.

Tədqiqat ANN-LSTM-STA-nın fərqli kampuslarda, iqlim zonalarında və ya istifadəçi profillərində eyni xəta dəyərlərini təmin edəcəyini göstərmir.

Azalmış enerji istehlakından karbon emissiyasının azala biləcəyi nəticəsinə gəlmək olar; lakin tədqiqat real CO₂ emissiyasını birbaşa ölçməmişdir.

Mənbənin “statistically significant” ifadəsinə baxmayaraq, Sxem I–II enerji fərqləri üçün müstəqil inferensiya testi bildirilmədiyinə görə statistik əhəmiyyət səviyyəsi təsdiqlənə bilməz.

Məlumat bölmə protokolundakı ziddiyyət səbəbindən Cədvəl 2 metriklərinin həqiqətən müstəqil, əvvəllər görünməmiş test dəsti performansı olub-olmadığı mənbə mətnindən dəqiq təsdiqlənə bilməz.

Tədqiqatın Əsas Təsdiqləmə Məhdudiyyəti Nədir?

Tədqiqatın ən mühüm təsdiqləmə məhdudiyyəti isti su istehlakının real universitet binasından ölçülməsinə baxmayaraq S-ASHP enerji performansı və idarəetmə üstünlüklərinin real sistemdə deyil, POLYSUN simulyasiyasında qiymətləndirilməsidir; sahə tətbiqi, fərqli binalar və fərqli iqlimlərdə ümumiləşdirmə hələ həyata keçirilməmişdir.

Gələcək tədqiqat təklifləri

Müəlliflər proqnoz modelinə saat, həftənin günü, imtahan dövrləri, tətillər və hava şəraiti dəyişənlərinin əlavə edilməsini təklif edirlər. Mövcud bir dəyişənli model bu məlumatlardan birbaşa istifadə etmir.

Benchmark müqayisələrinin Transformer əsaslı modellər və gecikməli xüsusiyyətlərdən istifadə edən XGBoost və Random Forest kimi ağac əsaslı üsullarla genişləndirilməsi təklif olunur.

Ən kritik gələcək addımlardan biri real isti su sistemində real vaxt rejimində sahə tətbiqidir. Müəlliflər həmçinin modeli bir neçə bina və iqlim zonasında təsdiqləmək istəyirlər.

Buffer tank tutumunun idarəetmə performansına təsirinin həssaslıq analizi və STA mexanizminin cosine-similarity və ya multi-head attention variantlarının araşdırılması da gələcək tədqiqat hədəfləri arasındadır.

Mənbə və Metod Qeydi

Orijinal başlıq: Research on the Operation of a Solar–Air Source Heat Pump Hot Water System Based on the Demand-Side ANN-LSTM-STA Algorithm for Prediction Response.

Müəlliflər: Bo Deng; Xin Zhou; Shaojie Wang; Dong Wang; Xin Meng.

Corresponding author: Xin Meng.

Qurum: LiZhi College, Shaanxi University of Technology, Hanzhong 723001, China.

Jurnal: Energies.

Nəşriyyat: MDPI, Basel, Switzerland.

Nəşr məlumatı: Energies 2026, 19, 4173.

DOI: 10.3390/en19174173.

Məqalə tarixçəsi: Alındı 17 İyul 2026; yenidən işlənib 27 Avqust 2026; qəbul edilib 31 Avqust 2026; dərc edilib 3 Sentyabr 2026.

Mənbə növü: Resenziyalı, açıq girişli orijinal enerji mühəndisliyi/modelləşdirmə məqaləsi; real DHW istehlakı məlumatlarına əsaslanan maşın öyrənməsi proqnozu + POLYSUN enerji sistemi simulyasiyası.

Lisenziya: Creative Commons Attribution (CC BY).

Tədqiqat obyekti: Xi'an şəhərində 700 tələbəli, 6 mərtəbəli No. 7 tələbə yataqxanası.

Məlumat dövrü: 1 Mart 2023–30 Kasım 2023.

Nümunələmə: 1 saat.

Etibarlı qeyd: 6600.

Çatışmayan məlumat: <%0,5; xətti interpolyasiya.

Normallaşdırma: Min–Max [0,1].

Sliding window: 24 saat.

Proqnoz modeli: ANN-LSTM-STA.

Müqayisə modelləri: ANN, LSTM, ANN-LSTM-A.

Əsas proqnoz metrikləri: RMSE və MAE.

Seçilmiş LSTM hidden dimension: 64.

ANN hidden neurons: 50.

Optimizer: Adam; learning rate = 0,001; β1 = 0,9; β2 = 0,999.

Loss: Mean Squared Error.

Training: 100 epoch; batch size 64; early stopping patience 10; dropout yoxdur; random seed 42.

Proqram təminatı: Python 3.9; TensorFlow 2.10.0/Keras; scikit-learn 1.2.0; pandas 1.5.3; NumPy 1.23.5; Matplotlib 3.7.0.

Hesablama avadanlığı: Intel Core i7-12700H; 32 GB RAM; NVIDIA GeForce RTX 3060 6 GB; Windows 11; CUDA 11.2; cuDNN 8.1.

Enerji simulyasiyası: POLYSUN 2025.12.

S-ASHP əsas komponentləri: Düz lövhəli günəş kollektoru, hava mənbəli istilik nasosu, isti su saxlama çəni və dövriyyə/nasos idarəetmə avadanlığı.

Günəş kollektoru: Mənbənin Figure 1-də ümumi sahə 324 m²-dir.

ASHP: 40 kW isitmə gücü; 10 kW elektrik gücü; R-407c; 20,2 kg soyuducu maddə.

İdarəetmə: 24 saat irəli proqnoz, 45–55 °C işləmə diapazonu, 50 °C set dəyəri, günəş prioritetli / ASHP dəstəkli / gözləmə rejimləri, dəyişən tezlikli nasos və PI feedback.

Maliyyələşdirmə: Key Science and Technology Program of Shaanxi Province (2025QCY-KXJ-015) və Key Research and Development Program of Shaanxi (2025CY-YBXM-378).

Məlumat əlçatanlığı: Məlumat dəsti və kod corresponding author Xin Meng-dən sorğu əsasında əldə edilə bilər.

Maraqlar toqquşması: Müəlliflər maraqlar toqquşmasının olmadığını bildirmişlər.

Müəllif töhfələri: Məlumat kurasiyası Xin Zhou, Shaojie Wang və Dong Wang; maliyyə əldə edilməsi, layihə idarəetməsi və məsləhətçilik Xin Meng; ilkin əlyazma Bo Deng kimi bildirilmişdir.

Mənbədaxili məlumat bölmə uyğunsuzluğu: Metod bir yerdə Mart–Oktyabr təlim / Noyabr doğrulama və test dəstinin olmadığını bildirir, daha sonrakı bölmə isə son modelin held-out test set üzərində qiymətləndirildiyini deyir. Test dəstinin hansı qeydlərdən ibarət olduğu açıqlanmamışdır.

Mənbədaxili nəticə uyğunsuzluğu: Table 2 və ətraflı nəticə mətni ANN-LSTM-STA üçün ANN ilə müqayisədə RMSE/MAE azalmasını %33,05 / %24,65 verir, conclusion isə %27,20 / %22,22 yazır. Son iki dəyər Table 2-də ANN-LSTM-A-ya aiddir.

Mənbədaxili arxitektura uyğunsuzluğu: Modelin əsas təsviri və Figure 3 secondary weighted temporal attention (STA) strukturunu izah etdiyi halda, sonrakı Equation 4–9 bölməsi spatiotemporal attention (STAM) və spatial attention terminlərindən istifadə edir; mənbə bu iki təsviri aydın şəkildə uzlaşdırmır.

Tənliyin hesabat qeydi: Tənlik (1) altında \(C\) xüsusi istilik tutumu kimi müəyyən edilsə də \(C\) tənlikdə görünmür. Tənlik (3)-ün bəzi simvolları da dərhal altındakı izahda müəyyən edilməmişdir. Bu məqamlar Verianla tərəfindən səssizcə düzəldilməmişdir.

Əsas metodoloji məhdudiyyət: Real bina su istehlakı modelə giriş versə də enerji qənaəti, COP və istismar performansı nəticələri POLYSUN simulyasiyasına aiddir. Real vaxtlı sahə təsdiqi aparılmamışdır.

Vizual təkrar istifadə qeydi: Mənbə CC BY lisenziyalıdır; lakin Verianla üçün orijinal sistem, model arxitekturası və idarəetmə axını sxemləri yaratmaq mənbə fiqurlarını piksel səviyyəsində təkrar istifadə etməkdən üstün tutulmalıdır.