ANN-LSTM-STA ni modeli mseto ya mfululizo wa muda iliyotengenezwa kutabiri mahitaji ya baadaye ya maji moto ya matumizi kwa kuchakata mfululizo wa kihistoria wa matumizi ya maji moto kwa kutumia LSTM, umakini wa muda wenye uzani wa hatua ya pili, na tabaka za ANN. Utafiti uliofanywa na Bo Deng, Xin Zhou, Shaojie Wang, Dong Wang na Xin Meng ulitumia ANN-LSTM-STA kutabiri data za matumizi ya maji moto ya kila saa zilizokusanywa katika bweni halisi la wanafunzi wa chuo kikuu, kisha ukaunganisha utabiri huo na udhibiti wa feedforward–feedback wa mfumo wa maji moto wa kolekta ya jua–pampu ya joto ya chanzo cha hewa. Data halisi za matumizi ya maji zilitoka kipindi cha 1 Machi–30 Novemba 2023, huku utendaji wa mfumo wa nishati ukitathminiwa katika uigaji wa POLYSUN.

Katika Jedwali 2 la chanzo, modeli ya ANN-LSTM-STA ilitoa kosa dogo kuliko modeli za ANN, LSTM na ANN-LSTM-A yenye umakini mmoja, ikiwa na RMSE iliyosanifishwa = 0,320, RMSE iliyorejeshwa kwenye kipimo halisi = 167,0 L na MAE iliyosanifishwa = 0,217. Kwa mujibu wa Jedwali 2 na maandishi ya kina ya matokeo, ikilinganishwa na ANN, RMSE ilipungua kwa %33,05 na MAE kwa %24,65.

Mpango II unaotegemea utabiri ulilinganishwa katika POLYSUN na Mpango I wa jadi unaotegemea mahitaji yasiyobadilika chini ya hali sawa za hali ya hewa na vifaa. Katika Mpango II, uzalishaji wa joto wa kolekta ya jua uliongezeka kwa %9,47; uzalishaji wa joto wa ASHP ulipungua kwa %57,52, muda wa uendeshaji wa ASHP kwa %33,45, matumizi ya nishati ya pampu kwa %16,65 na matumizi ya jumla ya nishati ya mfumo kwa %43,85. COP iliongezeka kwa %6,42 na COP ya mfumo kwa %18,39.

Matokeo haya yanaunga mkono kwamba udhibiti unaotegemea utabiri unaolishwa kwa data halisi za matumizi ya maji moto unaonyesha uwezo mkubwa wa kuokoa nishati katika mazingira ya uigaji. Hata hivyo, matokeo ya kuokoa nishati na COP si matokeo ya uwanjani yaliyopimwa katika jengo halisi; watafiti walitaja uthibitishaji wa uwanjani kwa wakati halisi na majaribio katika majengo na maeneo tofauti ya hali ya hewa kama kazi za baadaye.

Tatizo la kihandisi ambalo utafiti unajaribu kutatua

Mahitaji ya maji moto ya matumizi katika mabweni ya vyuo vikuu yanaweza kubadilika sana katika muda wa siku na katika siku tofauti za wiki. Katika mbinu ya jadi ya usanifu, kuamua uwezo wa mfumo kwa kutumia kiwango kisichobadilika kinachotosheleza mahitaji ya juu kunaweza kusababisha uzalishaji wa joto usiohitajika na muda mrefu wa uendeshaji wa vifaa wakati mahitaji ni madogo.

Kutumia nishati ya jua pamoja na pampu ya joto ya chanzo cha hewa hakutatui tatizo hili peke yake. Wakati muda wa mionzi ya jua haulingani na muda wa mahitaji ya watumiaji, sehemu ya nishati ya jua inaweza kutotumika vya kutosha; ASHP inaweza kufanya kazi kwa muda mrefu kuliko inavyohitajika au ufanisi wake kupungua chini ya hali za mzigo sehemu ulio chini.

Mbinu ya utafiti ni kuubadilisha mfumo wa nishati kutoka mfumo tendaji unaojibu tu halijoto ya sasa au mahitaji ya papo hapo kuwa muundo wa udhibiti unaotabiri mapema matumizi ya baadaye ya maji moto.

Modeli ya ANN-LSTM-STA Inatabiri Nini katika Utafiti Huu?

Modeli ya ANN-LSTM-STA hutumia mfululizo wa kihistoria wa matumizi ya maji moto ya kila saa wa bweni la wanafunzi Na. 7 lenye wanafunzi 700 huko Xi'an kutabiri matumizi ya baadaye ya DHW; matumizi yaliyotabiriwa kisha hutumika kama ingizo la udhibiti wa feedforward linaloamua ni lini na kwa kiwango gani kolekta ya jua na pampu ya joto ya chanzo cha hewa zitaendeshwa.

Jengo la utafiti na mahitaji ya kubuni ya maji moto

Jengo la marejeo la utafiti ni bweni la wanafunzi la ghorofa sita linalowahifadhi jumla ya wanafunzi 700. Kiwango cha jadi cha kubuni kilichaguliwa kutoka anuwai ya 20–25 L/(mtu·siku), kwa kutumia kikomo cha juu cha 25 L/(mtu·siku).

Kwa hiyo, kiasi cha maji moto cha kubuni kwa siku kilichukuliwa kuwa:

700 mtu × 25 L/(mtu·siku) = 17.500 L/siku

.

Mlinganyo wa mzigo wa joto wa maji moto katika chanzo

Chanzo kinachapisha Mlinganyo (1) katika umbo lifuatalo:

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

Kwa mujibu wa maelezo ya chanzo, \(Q_h\) inawakilisha matumizi ya joto (kW) ya saa ya kubuni ya siku nzima, \(m\) idadi ya watumiaji, \(q_r\) kiwango cha kila siku cha maji moto, \(t_r\) halijoto ya kubuni ya maji moto, \(t_o\) halijoto ya maji baridi ya eneo, na \(\rho_r\) msongamano wa maji moto. Halijoto ya kubuni ya maji moto ilichukuliwa kuwa \(t_r=50\,^{\circ}\mathrm{C}\).

Katika maelezo hayo hayo, chanzo kinafafanua uwezo maalumu wa joto wa maji kuwa \(C=4{,}187\ \mathrm{kJ/(kg\cdot ^\circ C)}\); hata hivyo, neno \(C\) halipo katika Mlinganyo (1) uliochapishwa. Kwa hiyo, Mlinganyo (1) haukusahihishwa kimyakimya na Verianla, bali ulihifadhiwa kama ulivyochapishwa katika chanzo pamoja na onyo la kuripoti.

Eneo la kolekta ya jua linaamuliwaje?

Chanzo kinatumia kwa eneo la kolekta ya jua:

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

mlinganyo huo.

Hapa \(Q_w\) inawakilisha wastani wa matumizi ya maji moto kwa siku, \(\rho_r\) msongamano wa maji, \(C\) uwezo maalumu wa joto wa maji, \(t_r-t_o\) ongezeko la halijoto, na \(f\) uwiano wa dhamana ya nishati ya jua. \(J_T\) inaonyesha mionzi ya jua, \(\eta_{cd}\) ufanisi wa wastani wa mwaka wa kolekta, na \(\eta_L\) uwiano wa upotevu wa joto katika tanki na mfumo wa mabomba.

Xi'an ilichukuliwa katika chanzo kama eneo la nishati ya jua la daraja III, na anuwai ya 0,4–0,5 ilitolewa kwa \(f\). Katika mchoro wa mfumo wa chanzo, eneo ghafi la kolekta ya jua ya bamba tambarare linaonyeshwa kuwa 324 m².

Pampu ya joto ya chanzo cha hewa inafanyaje kazi?

ASHP hutumia mzunguko wa kawaida wa kubana mvuke unaojumuisha kivukizaji, kompresor, kondensa na vali ya upanuzi, unaochota joto kutoka hewa ya mazingira. Kwenye kivukizaji, jokofu huchukua joto kutoka mazingira na kuvukiza; kwenye kompresor hufikishwa kwenye halijoto na shinikizo la juu; kwenye kondensa huhamisha joto lake kwenda kwenye tanki la maji moto; na baada ya vali ya upanuzi hurudi tena kwenye kivukizaji.

Chanzo kinachapisha mzigo wa joto wa kubuni wa ASHP kuwa:

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

Hata hivyo, maelezo yaliyo mara moja chini ya mlinganyo huu yanafafanua tu \(q_h\), \(C_W\) na muda wa matumizi; hayafafanui kwa mpangilio alama nyingine zote katika mlinganyo. Upungufu huu wa istilahi umehifadhiwa kama ulivyo katika chanzo.

Chanzo kinatoa hitaji la kupasha joto lililokokotolewa kuwa 34 kW na kuchagua ASHP yenye uwezo wa kupasha joto wa 40 kW kwa ajili ya kutegemeka. Nguvu ya umeme ya kifaa ni 10 kW, jokofu ni R-407c na kiasi cha jokofu kilichoripotiwa ni 20,2 kg.

Mpangilio wa kifizikia wa mfumo wa S-ASHP

Katika modeli ya POLYSUN 2025.12, vipengele vitatu vikuu vya nishati vya mfumo ni kolekta ya jua ya bamba tambarare, pampu ya joto ya chanzo cha hewa na tanki la kuhifadhi maji moto linalotumia maji. Tanki la kuhifadhi hufanya kazi kama bafa ya joto ili kusawazisha tofauti za muda mfupi za usambazaji wa joto kati ya kolekta ya jua na ASHP na kumpa mtumiaji maji moto yenye uthabiti zaidi.

Katika Figure 1, chanzo pia kinaonyesha pampu ya mzunguko wa jua, pampu ya maji, kidhibiti cha kupasha joto msaidizi, vali ya njia tatu na vali ya kuchanganya. Halijoto ya kutoka ya mfumo inadhibitiwa kwa lengo la 50 °C.

Modeli ya utabiri hutumia data gani?

Modeli ya ANN-LSTM-STA ni utabiri wa mfululizo wa muda wa kigezo kimoja unaotumia tu mfululizo wa kihistoria wa matumizi ya DHW kama ingizo. Halijoto ya hewa ya nje, mionzi ya jua, likizo, kipindi cha mitihani, siku ya wiki au taarifa ya saa si maingizo tofauti ya modeli.

Data zilikusanywa kila saa kutoka mfumo wa upimaji wa IC-card katika bweni la wanafunzi kati ya 1 Machi–30 Novemba 2023. Kuna jumla ya rekodi 6600 halali.

Mpangilio wa uchakataji wa awali:

Usanifu wa ANN-LSTM-STA

Katika ufafanuzi mkuu wa usanifu wa chanzo, modeli ina moduli nne zinazofuatana: tabaka la ingizo/usimbaji wa muda la LSTM, secondary weighted temporal attention (STA), tabaka fiche la ANN na tabaka la kutoka la ANN.

LSTM husimba utegemezi wa muda wa mfululizo wa kihistoria wa matumizi kama hali fiche. Tabaka la STA huzipima tena hali hizi fiche kulingana na umuhimu wake kwa utabiri. Uwakilishi ulioboreshwa kwa uzani wa umakini kisha hupelekwa kwenye tabaka fiche la ANN lenye neuroni 50 za ReLU na neuroni moja ya kutoka ya mstari.

Chanzo kinaripoti jumla ya vigezo vinavyoweza kufundishwa kuwa takriban 45.000.

Utaratibu wa umakini wa muda wenye uzani wa hatua ya pili

Figure 3 ya chanzo inaonyesha muundo wa umakini kama upimaji wa hatua mbili. Katika hatua ya kwanza hali fiche hupimwa lakini hazijumlishwi; katika hatua ya pili uwakilishi uliopimwa upya hutengenezwa. Mchoro unaonyesha kwamba upimaji wa pili na muunganisho wa mwisho huundwa kwa kutumia hesabu za cosine correlation.

Kwa upande mwingine, maandishi yanayofuata chini ya kichwa “spatiotemporal attention (STAM)” yanafafanua uzani wa umakini wa temporal na spatial:

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

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

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

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

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

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

Mlolongo huu wa milinganyo unaeleza kuzidishwa kwa uzani wa temporal na spatial ili kuunda ramani iliyounganishwa ya attention. Hata hivyo, ufafanuzi wa data wa makala ni mfululizo wa muda wa DHW wa kigezo kimoja, na jina kuu la modeli ni ANN-LSTM-STA. Chanzo hakielezi wazi jinsi muundo wa STA wa hatua mbili wa cosine-correlation katika Figure 3 unavyolinganishwa katika utekelezaji na muundo wa STAM katika Milinganyo (4)–(9).

Modeli ilifundishwaje?

Wakati wa Grid search, 32, 64 na 128 zililinganishwa kwa LSTM hidden dimension; 30, 50 na 100 kwa idadi ya neuroni fiche za ANN; 32, 64 na 128 kwa batch size; na 0,001, 0,0005 na 0,0001 kwa learning rate.

Mazingira ya programu yalikuwa Python 3.9, TensorFlow 2.10.0/Keras, scikit-learn 1.2.0, pandas 1.5.3, NumPy 1.23.5 na Matplotlib 3.7.0. Vifaa vilikuwa Intel Core i7-12700H, 32 GB RAM na NVIDIA GeForce RTX 3060 6 GB GPU; CUDA 11.2 na cuDNN 8.1 zilitumika.

Tatizo la ndani ya chanzo katika itifaki ya kugawa data

Katika sehemu moja chanzo kinafafanua mgawanyo wa msimbo wa awali kama mafunzo ya Machi–Oktoba (~%73), uthibitishaji wa Novemba (~%9), na “hakuna test set”. Baadaye kinasema modeli ya mwisho ilitathminiwa kwenye “held-out test set”. Kwa kuwa haijaelezwa seti tofauti ya majaribio iliundwa na tarehe zipi au asilimia gani ya rekodi, itifaki kamili ya tathmini huru ya vipimo vya utendaji haiwezi kujengwa upya kwa uhakika kutoka chanzo.

Udhibiti wa Feedforward–Feedback Unatofautianaje na Udhibiti wa Kawaida Usio Badilika?

Mpango I huamua mahitaji ya maji moto kwa kiwango cha kubuni kisichobadilika na hujibu kwa feedback baada ya mfumo kuanza kufanya kazi, huku Mpango II ukitumia utabiri wa matumizi wa saa 24 mbele wa ANN-LSTM-STA kama ingizo la feedforward kupanga mapema uzalishaji wa jua na ASHP; ikiwa matumizi halisi hayafikii lengo, marekebisho ya feedback yanayotegemea PI huanza kufanya kazi.

Mpango I

Mpango I unategemea kiwango cha jadi cha kubuni DHW. Mahitaji ya mwisho ya maji moto huamuliwa kulingana na hali isiyobadilika na mfumo hufanya kazi hasa kupitia feedback. Vilele na mabonde katika matumizi halisi ya watumiaji hayatabiriwi mapema.

Mpango II

Mpango II kwanza hutabiri matumizi ya maji kwa ANN-LSTM-STA. Mahitaji yaliyotabiriwa huamua mapema mahitaji ya mwisho ya maji moto kupitia udhibiti wa feedforward. Baada ya mfumo kuanza kufanya kazi, hufuatiliwa ikiwa mahitaji halisi yametimizwa; ikiwa lengo halijatimizwa, utaratibu wa feedback hurekebisha upya matokeo ya jua na ASHP.

Sifa za udhibiti zilizoripotiwa katika chanzo ni hizi:

Katika hali ya siku yenye mawingu, kolekta huondolewa kwenye mzunguko na ASHP hubeba mzigo wote. Mpango II pia unaweza kupanga mapema uendeshaji wa ASHP katika saa zenye tarifa ndogo.

Jaribio la ustahimilivu kwa kelele ya Gaussian

Kwa mujibu wa chanzo, chini ya kelele ya Gaussian ya %5–15, kidhibiti kiliweka halijoto ya tanki la maji moto ndani ya ±3 °C na kuzuia ongezeko la matumizi ya nishati kuwa chini ya %4. Hili ni jaribio la ustahimilivu la uigaji lililoripotiwa katika chanzo; si jaribio la uwanjani chini ya kelele halisi ya sensa.

Mbinu na Matokeo ya Utafiti

RMSE na MAE hupima nini?

RMSE na MAE hupima kosa kati ya matumizi ya maji moto yaliyotabiriwa na matumizi halisi. Thamani ndogo inaonyesha utendaji bora wa utabiri.

Chanzo kinatoa kwa RMSE:

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

mlinganyo huo. Operesheni ya mraba huipa makosa makubwa uzani zaidi.

MAE nayo:

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

imefafanuliwa hivyo na hupima mkengeuko wa wastani kabisa wa utabiri kutoka kwa thamani halisi.

Utendaji wa modeli nne za utabiri

Mikondo ya utabiri hubadilikaje?

Figure 4–7 ya chanzo inalinganisha mfululizo halisi na uliotabiriwa wa matumizi ya kila saa. Modeli ya ANN inaonyesha mikengeuko iliyo wazi zaidi kutoka mkondo halisi, hasa kwenye vilele vya juu vya matumizi. LSTM hufuata muundo wa vipindi vizuri zaidi.

Kwa ANN-LSTM-A, vilele na mabonde vinaendana vizuri zaidi, lakini mikengeuko inaendelea katika baadhi ya sehemu za mabadiliko makali. Katika grafu ya ANN-LSTM-STA, mkondo wa utabiri husogea karibu zaidi na mfululizo halisi, hasa kwenye vilele vya juu vya matumizi.

Grafu hizi zinaunga mkono tabia linganishi ya utabiri wa modeli; hata hivyo, kwa kuwa jedwali ghafi la data za kila saa halijachapishwa katika makala, thamani mpya za kati zenye usahihi hazipaswi kutolewa kutoka kwenye grafu.

Muundo wa majaribio wa ulinganisho wa POLYSUN

Mpango I na Mpango II ziliundwa kwa data sawa za hali ya hewa, uwezo sawa wa vifaa, halijoto sawa ya awali ya tanki na mahitaji sawa ya faraja. Tofauti kuu ni jinsi mahitaji ya mwisho ya DHW yanavyotengenezwa na kiwango ambacho udhibiti ni wa kutazamia mbele.

Muundo huu huruhusu mbinu mbili za udhibiti kulinganishwa chini ya hali sawa za msingi za mfumo. Hata hivyo, matokeo yanategemea usahihi na makadirio ya modeli ya uigaji.

Uzalishaji wa joto wa kolekta ya jua

Jumla ya uzalishaji wa joto wa kolekta ya jua katika Mpango II uliongezeka kutoka 11.206,26 kWh hadi 12.267,75 kWh. Ongezeko ni %9,47.

Figure 10 ya chanzo inaonyesha kwamba, hasa katika baadhi ya siku za Novemba, Mpango II ulitumia joto la jua zaidi. Watafiti wanahusisha hali hii na kutabiri mahitaji mapema na kutumia nishati ya jua katika nyakati zinazofaa zaidi.

Uzalishaji wa joto na muda wa uendeshaji wa ASHP

Jumla ya uzalishaji wa joto wa ASHP ulikuwa 14.643,11 kWh katika Mpango I na ukashuka hadi 6220,71 kWh katika Mpango II. Huu ni upungufu wa %57,52.

Jumla ya muda wa uendeshaji wa ASHP ulipungua kutoka saa 293 hadi saa 195, yaani kupungua kwa %33,45. Figure 11 inaonyesha kwamba katika siku nyingi uzalishaji wa joto wa kila siku wa ASHP na muda wa uendeshaji ulikuwa mdogo zaidi katika Mpango II.

Matumizi ya nishati ya pampu

Jedwali 3 la chanzo linatoa matumizi ya nishati ya pampu kuwa 879,86 Wh kwa Mpango I na 733,37 Wh kwa Mpango II, na kuripoti kupungua kwa %16,65.

Kwa upande mwingine, maandishi yanayoeleza Figure 12 yanaripoti kupungua kwa %18,7 kwa “average daily energy consumption”. Kwa kuwa chanzo hakipatanishi kikamilifu ufafanuzi wa kukokotoa asilimia hizi mbili, matokeo ya jumla ya %16,65 katika Table 3 yametumika katika ulinganisho mkuu.

Matumizi ya jumla ya nishati ya mfumo

Matumizi ya jumla ya nishati ya mfumo yaliripotiwa kuwa 3266,56 kWh katika Mpango I na 1834,28 kWh katika Mpango II. Upungufu:

%43,85

uliripotiwa hivyo.

Katika Figure 13, Mpango II unaonekana kutumia nishati kidogo katika siku nyingi za Novemba. Ingawa maandishi ya chanzo yanaita tofauti hii “statistically significant”, hayatoi thamani ya p, kipindi cha kujiamini au jaribio huru la nadharia kwa ulinganisho. Kwa hiyo, matokeo hapa yanafasiriwa tu kama tofauti ya uigaji iliyoripotiwa.

Halijoto ya tanki la maji moto

Figure 14 ya chanzo inaonyesha thamani ya set ya 50 °C kama mstari wa marejeo. Imeripotiwa kwamba Mpango I wa kawaida ulishuka chini ya thamani ya set katika baadhi ya siku, na hasa tarehe 21 Novemba halijoto ya wastani ya tanki ilikuwa 47,05 °C.

Kwa mujibu wa chanzo, Mpango II uliweka halijoto ya tanki juu ya 50 °C katika siku hizo hizo. Hata hivyo, grafu inaonyesha kwamba katika baadhi ya siku halijoto ya Mpango II pia ilikuwa juu sana kuliko thamani ya set; kwa hiyo utendaji haupaswi kutathminiwa tu kama “kudumisha hasa 50 °C”, bali kama udhibiti wa kutazamia mbele unaokidhi mahitaji.

Matokeo ya COP na COPsys Yanapaswa Kufasiriwaje?

Katika chanzo, COP inawakilisha mgawo wa utendaji wa pampu ya joto/kifaa kimoja, huku COPsys ikiwakilisha mgawo wa utendaji wa mfumo mzima wa S-ASHP; katika Mpango II, COP ya wastani iliongezeka kutoka 3,58 hadi 3,81 na COPsys kutoka 7,32 hadi 8,97, lakini thamani hizi ni matokeo ya uigaji wa POLYSUN na si vipimo vya COP vya uwanjani.

Tofauti ya asilimia za RMSE/MAE katika sehemu ya hitimisho

Jedwali 2 la chanzo na maandishi ya kina ya matokeo yanaripoti kwamba ANN-LSTM-STA ilipunguza RMSE kwa %33,05 na MAE kwa %24,65 ikilinganishwa na ANN. Kwa upande mwingine, sehemu ya conclusion inatoa %27,20 na %22,22 kwa modeli hiyo hiyo.

Kwa kuwa thamani za %27,20 na %22,22 ni za modeli ya ANN-LSTM-A katika Jedwali 2, makala hii ya Verianla imetumia %33,05 na %24,65 kwa ulinganisho wa ANN-LSTM-STA, kwa kuendana na Jedwali 2 na maandishi ya kina ya matokeo; tofauti ya ndani ya chanzo pia imehifadhiwa.

Matokeo yanayoungwa mkono na utafiti

Katika data halisi za matumizi ya bweni la wanafunzi, ANN-LSTM-STA ilitoa RMSE na MAE ndogo kuliko modeli za ANN, LSTM na ANN-LSTM-A zilizolinganishwa katika chanzo.

Katika uigaji wa POLYSUN, udhibiti wa feedforward–feedback unaotegemea utabiri unahusishwa na matumizi makubwa zaidi ya nishati ya jua, uzalishaji mdogo wa joto wa ASHP, muda mfupi wa uendeshaji wa ASHP na matumizi madogo ya jumla ya nishati ya mfumo ikilinganishwa na udhibiti wa kawaida unaotegemea mahitaji yasiyobadilika.

Thamani za COP na COPsys za uigaji za Mpango II ni kubwa kuliko za Mpango I.

Hali ya kelele ya Gaussian katika chanzo inaonyesha kwamba udhibiti unaweza kuweka halijoto ya tanki la maji moto ndani ya masafa finyu chini ya baadhi ya usumbufu wa modeli.

Matokeo yasiyoungwa mkono na utafiti

Utafiti hauonyeshi kwamba uokoaji wa nishati wa %43,85 ulipimwa katika mfumo halisi wa maji moto wa chuo kikuu. Thamani hii inatokana na uigaji wa POLYSUN.

Utafiti hauonyeshi kwamba ANN-LSTM-STA itatoa thamani zilezile za makosa katika kampasi, maeneo ya hali ya hewa au wasifu tofauti wa watumiaji.

Inaweza kudhaniwa kwamba kupungua kwa matumizi ya nishati kunaweza kupunguza utoaji wa kaboni; hata hivyo, utafiti haukupima moja kwa moja utoaji halisi wa CO₂.

Licha ya kauli “statistically significant” katika chanzo, kiwango cha umuhimu wa kitakwimu hakiwezi kuthibitishwa kwa sababu hakuna jaribio huru la inferensia lililoripotiwa kwa tofauti za nishati kati ya Mpango I–II.

Kwa sababu ya mgongano katika itifaki ya kugawa data, haiwezi kuthibitishwa kwa uhakika kutoka maandishi ya chanzo kama vipimo vya Jedwali 2 vinawakilisha kweli utendaji kwenye seti huru ya majaribio ambayo haikuonekana hapo awali.

Kikomo Kikuu cha Uthibitishaji wa Utafiti ni Kipi?

Kikomo muhimu zaidi cha uthibitishaji wa utafiti ni kwamba, ingawa matumizi ya maji moto yalipimwa katika jengo halisi la chuo kikuu, utendaji wa nishati na faida za udhibiti wa S-ASHP zilitathminiwa katika uigaji wa POLYSUN badala ya mfumo halisi; utekelezaji wa uwanjani na ujanibishaji kwa majengo na hali tofauti za hewa bado haujafanywa.

Mapendekezo ya kazi za baadaye

Waandishi wanapendekeza kuongeza saa, siku ya wiki, vipindi vya mitihani, likizo na vigezo vya hali ya hewa kwenye modeli ya utabiri. Modeli ya sasa ya kigezo kimoja haitumii taarifa hizi moja kwa moja.

Inapendekezwa kupanua ulinganisho wa benchmark kwa modeli zinazotegemea Transformer na mbinu za miti kama XGBoost na Random Forest zinazotumia sifa zilizocheleweshwa.

Moja ya hatua muhimu zaidi za baadaye ni utekelezaji wa uwanjani kwa wakati halisi katika mfumo halisi wa maji moto. Waandishi pia wanataka kuthibitisha modeli katika majengo mengi na maeneo tofauti ya hali ya hewa.

Uchambuzi wa unyeti wa athari ya uwezo wa buffer tank kwenye utendaji wa udhibiti na uchunguzi wa lahaja za cosine-similarity au multi-head attention za utaratibu wa STA pia ni miongoni mwa malengo ya utafiti wa baadaye.

Maelezo ya Chanzo na Mbinu

Kichwa asili: 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.

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

Corresponding author: Xin Meng.

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

Jarida: Energies.

Mchapishaji: MDPI, Basel, Switzerland.

Taarifa ya uchapishaji: Energies 2026, 19, 4173.

DOI: 10.3390/en19174173.

Historia ya makala: Ilipokelewa 17 Julai 2026; ikafanyiwa marekebisho 27 Agosti 2026; ikakubaliwa 31 Agosti 2026; ikachapishwa 3 Septemba 2026.

Aina ya chanzo: Makala asili ya uhandisi wa nishati/uundaji wa modeli iliyopitiwa na wataalamu na yenye ufikiaji wazi; utabiri wa ujifunzaji wa mashine unaotegemea data halisi za matumizi ya DHW + uigaji wa mfumo wa nishati wa POLYSUN.

Leseni: Creative Commons Attribution (CC BY).

Kitu cha utafiti: Bweni la wanafunzi Na. 7, ghorofa 6, lenye wanafunzi 700 huko Xi'an.

Kipindi cha data: 1 Mart 2023–30 Kasım 2023.

Sampuli: 1 saat.

Rekodi halali: 6600.

Data pungufu: <%0,5; uingiliaji wa mstari.

Usanifishaji: Min–Max [0,1].

Sliding window: 24 saat.

Modeli ya utabiri: ANN-LSTM-STA.

Modeli za ulinganisho: ANN, LSTM, ANN-LSTM-A.

Vipimo vikuu vya utabiri: RMSE na MAE.

LSTM hidden dimension iliyochaguliwa: 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; hakuna dropout; random seed 42.

Programu: 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.

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

Uigaji wa nishati: POLYSUN 2025.12.

Vipengele vikuu vya S-ASHP: Kolekta ya jua ya bamba tambarare, pampu ya joto ya chanzo cha hewa, tanki la kuhifadhi maji moto na vifaa vya udhibiti wa mzunguko/pampu.

Kolekta ya jua: Katika Figure 1 ya chanzo, eneo ghafi ni 324 m².

ASHP: Uwezo wa kupasha joto 40 kW; nguvu ya umeme 10 kW; R-407c; 20,2 kg ya jokofu.

Udhibiti: Utabiri wa saa 24 mbele, masafa ya uendeshaji 45–55 °C, thamani ya set 50 °C, hali za jua-kipaumbele / kusaidiwa na ASHP / kusubiri, pampu ya masafa yanayobadilika na PI feedback.

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

Upatikanaji wa data: Seti ya data na msimbo vinaweza kupatikana kutoka kwa corresponding author Xin Meng kwa ombi.

Mgongano wa maslahi: Waandishi waliripoti kutokuwepo kwa mgongano wa maslahi.

Michango ya waandishi: Uratibu wa data: Xin Zhou, Shaojie Wang na Dong Wang; upatikanaji wa ufadhili, usimamizi wa mradi na ushauri: Xin Meng; rasimu asili: Bo Deng.

Kutolingana kwa ndani ya chanzo katika ugawaji wa data: Sehemu moja ya mbinu inasema Machi–Oktoba ni mafunzo / Novemba ni uthibitishaji na hakuna seti ya majaribio, huku sehemu ya baadaye ikisema modeli ya mwisho ilitathminiwa kwenye held-out test set. Haijaelezwa seti ya majaribio iliundwa na rekodi zipi.

Kutolingana kwa ndani ya chanzo katika matokeo: Table 2 na maandishi ya kina ya matokeo yanatoa upungufu wa RMSE/MAE wa %33,05 / %24,65 kwa ANN-LSTM-STA dhidi ya ANN, huku conclusion ikiandika %27,20 / %22,22. Thamani mbili za mwisho ni za ANN-LSTM-A katika Table 2.

Kutolingana kwa ndani ya chanzo katika usanifu: Ufafanuzi mkuu wa modeli na Figure 3 vinaeleza muundo wa secondary weighted temporal attention (STA), huku sehemu inayofuata ya Equation 4–9 ikitumia istilahi za spatiotemporal attention (STAM) na spatial attention; chanzo hakipatanishi wazi ufafanuzi huu miwili.

Dokezo la kuripoti mlinganyo: Ingawa \(C\) imefafanuliwa chini ya Mlinganyo (1) kama uwezo maalumu wa joto, \(C\) haionekani katika mlinganyo wenyewe. Baadhi ya alama katika Mlinganyo (3) pia hazijafafanuliwa katika maelezo yaliyo mara moja chini yake. Hoja hizi hazikusahihishwa kimyakimya na Verianla.

Kikomo kikuu cha kimetodolojia: Ingawa matumizi halisi ya maji ya jengo yanaingia kwenye modeli, matokeo ya kuokoa nishati, COP na utendaji wa uendeshaji ni ya uigaji wa POLYSUN. Uthibitishaji wa uwanjani kwa wakati halisi haujafanywa.

Dokezo la kutumia tena taswira: Chanzo kina leseni ya CC BY; hata hivyo, kwa Verianla inapendelewa kuunda michoro asili ya mfumo, usanifu wa modeli na mtiririko wa udhibiti badala ya kutumia tena kwa kiwango cha pikseli takwimu za chanzo.