Vorhersage des Energieverbrauchs von Haushaltsgeräten – EDA und erweiterte Regressionsmodellierung mit Pandas, Seaborn und Scikit-learn | von Hanish Paturi | Juni 2023

0
28


Interne vs. externe RH und Temperatur mit Energieverbrauchstrends: Schlussfolgerungen

  1. Die innere Luftfeuchtigkeit ist weitgehend konstant, im Gegensatz zur äußeren Luftfeuchtigkeit, was darauf hindeutet Klimaanlage/Entfeuchtung ist ein fester Bestandteil dieses Gebäudes.
  2. Der tatsächliche Energieverbrauch folgt bis Woche 12 stark den Traits der mittleren Innenfeuchtigkeit. Wenn der Sommer näher rückt, sinkt die äußere relative Luftfeuchtigkeit.
  3. Dieser Standort weist im Januar und Februar einen extrem hohen Grad an gesättigter Luft auf (über 80 %). Da die Außentemperaturen im Januar niedriger sind als im Mai, können wir davon ausgehen, dass dies auch im Gebäude der Fall ist liegt auf der Nordhalbkugel und erlebt wahrscheinlich Winterregenoder zumindest, Niederschlag in Type von Schneefall/Graupel, Dies führt auch zu höheren Sättigungsniveaus.
  4. Wenn sich unser Gebäude in der Nähe eines Gewässers befindet, folgt daraus, dass die relative Luftfeuchtigkeit der Umgebungsluft bei einer bestimmten Temperatur im Gleichgewicht gehalten wird. Folglich sollte RH_6 mit der Temperatur ansteigen, da die Feuchtigkeitsspeicherkapazität der Luft zunimmt. RH_6 nimmt mit t6 ab, Tatsächlich gibt es in der Nähe keine Gewässer, und Die einzige Ursache für eine hohe relative Luftfeuchtigkeit im Winter sind Niederschläge (Regen/Schnee/Nebel), und wenn der Sommer naht, wird die Luft trocken.
  5. Die Innenheizung ist ein wesentlicher Faktor für den Energieverbrauch im Haushalt, mehr noch als die Entfeuchtung, die den Energieverbrauch nur bis zur 12. Woche steigert.
  6. Zur einfacheren visuellen Analyse haben wir die Windgeschwindigkeit um den Faktor 6 erhöht. Aus den vorliegenden Daten geht jedoch hervor, dass die Windgeschwindigkeit im gesamten Beobachtungszeitraum nicht über 14 m/s steigt. Die ruhigeren Winde deuten darauf hin, dass der Druckgradient mit der Umgebung in diesen Monaten nicht zu hoch ist.

Wir haben eine gründliche Analyse des Energieverbrauchs anhand der bereitgestellten Daten durchgeführt. Nachfolgend sind einige wichtige Erkenntnisse aufgeführt.

  1. Heizung ist ein wesentlicher Treiber des Energieverbrauchs
  2. Erhöhter Energieverbrauch an Wochenenden
  3. Einige Zimmer wie das Küche, Waschküche und Bügelraum verfügen über unnötige Heizung und Klimaanlage.
  4. Leckage und Leitung zur Außenseite des Gebäudes, was zu einem erhöhten Energieverbrauch führt.
Quelle: ColiN00B

Wir haben eine Reihe von Empfehlungen gegeben, die darauf abzielen, den Verbrauch zu senken und die Effizienz bestehender Systeme sowie die Set up neuer Systeme zu steigern, basierend auf soliden Architekturprinzipien und thermodynamischem Systemdesign.

A.Nachrüstmaßnahmen: Einmalige Set up, langfristige Lösungen zur Energieeinsparung

  1. Fußbodenheizung, Dadurch entstehen vertikale Luftströme zur Raumheizung.
  2. Wintergarten auf der nach Westen ausgerichteten Seite, um Sonnenwärme einzufangen.
  3. Doppelverglastes Glas Wände/Fenster, für eine bessere Isolierung.
  4. Vertikale Lamellen, entlang der Südwestwände.

B. Optimierungsmaßnahmen: Reduzierung des Energieverbrauchs

  1. Teilweise Umstellung auf Solarenergie oder andere sinnvolle erneuerbare Energien. An den Wochenenden im Januar, Februar und März kommt es zu einem Anstieg des Verbrauchs, was die Stromversorgung außerhalb der Hauptverkehrszeiten an Wochentagen ermöglicht.
  2. Luftbefeuchter für Gemeinschaftsräume, wie das Wohnzimmer und das Jugendzimmer. Diese beiden Räume weisen höhere Temperaturen auf, was mit einem höheren Energieverbrauch einhergeht.
  3. Leckagen und Lücken beheben in Fenstern, Türen usw.
  4. Schließen Sie die Türen und die Küche und das Badezimmer. und alle anderen Räume, wenn sie nicht genutzt werden, vorausgesetzt, das Gebäude ist mit einer zentralen Klimaanlage ausgestattet. Schalten Sie die Belüftung in den Räumen aus, wenn diese nicht belegt sind.
  5. Führen Sie die Wartung des Heizungs- und Luftentfeuchtersystems durch und die Energieeffizienz überwachen.
  6. Überwachen Sie die Isolierung des Gebäudes.

C. Natürliche Verbesserung der Innenfeuchtigkeit im Sommer:

1. Zimmerpflanzen: Transpiration kann die Luftfeuchtigkeit in der Umgebungsluft erhöhen.

2. Wasserspiele: Springbrunnen oder Indoor-Wasserfälle. Wenn das Wasser verdunstet, gibt es Feuchtigkeit an die Luft ab.

3. Badezimmer- und Küchentüren öffnen: Entstehende Feuchtigkeit kann sich im gesamten Gebäude ausbreiten.

4. Schüsseln mit Wasser: Die strategische Positionierung von mit Wasser gefüllten Schalen oder Behältern an Orten, beispielsweise in der Nähe von Wärmequellen oder an sonnigen Orten, kann die Verdunstung fördern und die Luftfeuchtigkeit erhöhen.

5. Luftbefeuchter: Erwägen Sie den Einsatz tragbarer Luftbefeuchter in bestimmten Bereichen oder Räumen, die eine höhere Luftfeuchtigkeit erfordern.

6. Beatmung überwachen und steuern: Stellen Sie sicher, dass das Lüftungssystem des Gebäudes ordnungsgemäß eingestellt und gesteuert wird. Die Begrenzung des Eindringens von Außenluft kann dazu beitragen, die Feuchtigkeit im Inneren zu bewahren.

7. Eingeschränkter Einsatz von Luftentfeuchtern: Reduzieren Sie die Nutzung oder passen Sie die Einstellungen an, um eine etwas höhere Luftfeuchtigkeit aufrechtzuerhalten.

Es ist wichtig zu beachten, dass die Wirksamkeit dieser Methoden von Faktoren wie der Gebäudegröße, dem Klima und dem Belüftungssystem abhängt. Die Überwachung der Luftfeuchtigkeit und die entsprechende Anpassung der Ansätze tragen dazu bei, ein angenehmes und ausgeglichenes Raumklima aufrechtzuerhalten.

Wow! Haltet eure Pferde, wir sind noch nicht fertig. Nehmen Sie sich eine Minute Zeit, um die bisherige Reise zu genießen. Wir sind vielleicht nicht alle Nostradamus, aber wir müssen einige Vorhersagen treffen!

Da wir uns nun in der letzten Section dieses Projekts befinden, finden Sie hier eine Zusammenfassung dessen, was wir tun werden:

  • Modellauswahl mithilfe einer Reihe von Regressionstechniken
  • Hyperparameter-Optimierung des besten Regressors, um den Schätzer mit der besten Leistung zu erhalten
  • Anpassen des besten Schätzers an unsichtbare Daten, z. B. einen Testdatensatz

Lasst uns die notwendigen Pakete importieren! Innerhalb der Codeblöcke wurden Kommentare hinzugefügt, um zu helfen, zu verstehen, was passiert.

Wir haben unsere endgültigen Funktionen für den Modellbau gruppiert. Wir haben den nächsten Block als Sandbox verwendet, um mit verschiedenen Funktionskombinationen zu experimentieren und die entsprechende Modellleistung zu vergleichen.

Gruppierte Funktionen zur Verwendung für Modelltraining, Validierung und Exams

Aus den Prepare-Validate-Aufteilungen haben wir den Datensatz für Coaching und Validierung aufgeteilt. Der erste Satz, X_train, X_valid, y_train und y_valid werden für die Regressorauswahl verwendet.

Nachdem wir den leistungsstärksten Regressor ausgewählt haben, verwenden wir ihn model_train_X, model_valid_X, model_train_y und model_valid_y zur Optimierung der besten Parameter des Regressors.

Modellleistungsprüfungen:

Eine Liste von Regressionsobjekten, die zum Durchlaufen gespeichert werden
Anpassen der Liste der Regressoren an die Aufteilung der Zugdaten und Ermitteln der R2-Werte
Auswählbarer Regressor mit den besten R2-Werten des Validierungssatzes
  • Durch den Vergleich aller Modelle haben wir herausgefunden ExtraTreeRegressor gab die beste R2-Bewertung im Validierungssatz.
  • Als nächstes werden wir die Hyperparameter-Optimierung implementieren ExtraTreeRegressor
  • Nachfolgend finden Sie den besten Schätzwert nach der Abstimmung und Umrüstung, beobachtet für ExtraTreeRegressor
Beste Parameter des Additional Tree Regressors
Beste R2-Bewertung im Validierungssatz

Wir werden dies als das leistungsstärkste Modell verwenden, um den Energieverbrauch von Geräten anhand unbekannter Datensätze vorherzusagen.

Funktionsauswahl im Testdatensatz zur Generierung von Vorhersagen

Nachdem wir nun alle unsere Aufgaben erfolgreich abgeschlossen haben, speichern wir die Vorhersagen und das Modell (Pickle-Datei) und generieren eine Datei zum Einreichen unserer Vorhersagen.

Generieren von Vorhersagen und der Einreichungsdatei
Format der Einreichungsdatei
  • Es wurden mehrere ML-Algorithmen verwendet auf dem Datensatz, um die beste Vorhersagelösung für den Kunden zu erhalten.
  • Wir haben verglich die Leistung von 7 Schätzern für maschinelles Lernen

Lasso, Ridge, SVM, GradientBoosting, KNN, RandomForest und ExtraTreeRegressor

  • ExtraTreeRegressor Modell liefert die besten Vorhersagen für Energie
    Verbrauch.

Wir haben dieses Modell optimiert, um eine noch höhere Genauigkeit unserer Vorhersagen zu erreichen.

Beste R2-Wertung aus der Bestenliste: 0,7845

Wir haben nun alle Ziele unserer Hackathon-Problemstellung erfolgreich abgeschlossen und unsere Vorhersagen und Empfehlungen abgegeben.

Credit: Ich bin meinen Teammitgliedern Anil, Akansha, Jatinder und Zaid für ihre Beiträge und die Einreichung eines erfolgreichen Beitrags dankbar.

Hinterlassen Sie gerne Suggestions in den Kommentaren unten oder im Kaggle-Notizbuch Hier.



Source link

HINTERLASSEN SIE EINE ANTWORT

Please enter your comment!
Please enter your name here