بهینه یابی سبد مصرف انرژی و خوشه بندی ساختمان های مسکونی با بهبود شبکه عصبی فازی با اوزان و معماریAHP

منابع فارسی

1-آمار سازمان بهینه سازی مصرف سوخت کشور، 1387.

2-خادمی زارع ، حسن و اخوان آخرین ، ارائه یک مدل تلفیقی به منظور پیش بینی پیک بار و برقراری تعادل عرضه و تقاضای انرژی الکتریکی با اهداف چند گانه ، بیست و چهارمین کنفرانس بین المللی برق، ایران ، تهران ، 2009.

3-داداش زاده، علیرضا، حسینی، سید موسی و فارسی، میر پیمان1390، نقش مصالح سازه ای در طراحی ساختمان ها با تاکید بر بهینه سازی مصرف سوخت و انرژی، اولین همایش منطقه­ای عمران و معماری، آمل، آموزشکده فنی و حرفه ای سما واحد آیت ا.. آملی.   

4-ریاضی، منصوره و حسینی، سید مهدی1390، نگاهی به سیاست های بهینه سازی تولید و مصرف انرژی در بخش ساختمانی ایران، اولین کنفرانس بین المللی رویکردهای نوین در نگهداشت انرژی، تهران، دانشگاه صنعتی امیرکبیر.              

5-سوقشقایی ، علی (1389)، پایان نامه کارشناسی ارشد ، دانشکده مهندسی صنایع دانشگاه یزد.

6-شاه حسینی، محمدعلی؛ طراحی مدل سیاستگذاری انرژی در افق چشم انداز با رویکرد سیستم­های پویا؛ پایان نامه دکتری تخصصی؛ دانشگاه تهران . دانشکده مدیریت 1388.

7-طلوعیان، اکبر؛ مدیریت مصرف انرژی و رابطه آن با توسعه پایدار و آلودگی محیط زیست؛ پنجمین همایش بهینه سازی مصرف سوخت در ساختمان؛ 1385.

8-کیخاونی ، قوان ، ممیزی انرژی در ساختمان ، هفتمین همایش ملی انرژی ، ایران ، تهران ، 2009.

9-گیتی فروز، آناهیتا؛ برآورد مصرف ماهانه انرژی الکتریکی با استفاده از منطق فازی و شبیه سازی؛ دانشگاه تهران . دانشکده فنی . گروه مهندسی صنایع؛ 1385.

10-نصراللهی، فرشاد(1389)، بهره­وری انرژی در بخش ساختمان و مسکن، کنفرانس بهینه سازی مصرف انرژی، تهران، موسسه همایش صنعت.

منابع انگلیسی 

1-Aydinalp M, Ugursal VI, Fung A. Modeling of the appliance, lighting, and spacecooling energy consumptions in the residential sector using neural networks. Applied Energy 2002, 72(2):87–110.

2-Azadeh, A., Ghaderi, S.F., Sohrabkhani, S., Forcasting electrical consumption by integration of NN, time series and ANOVA, Applied mathematics and computation 2007(186): 1753-1761.

3-Azadeh, A., Saberi, M., Seraj, O. An integrated fuzzy regression algorithm for energy consumption estimation with non-stationary data: Acase study of Iran, Energy, 2010(35): 2351- 2366.

4-Chinese, D., Nardin, G., Saro,G. Multi-criteria analysis for the selection of space heating systems in an industrialbuilding, Energy 36 (2011) 556-565.

5-Galvani, V., Plourde, A., Portfolio diversification in energy markets, Energy Economics, 2010, 32(2): 257-268.

6-Plessis, G.E.D., Liebenberg, L., Mathews, E.H., Plessis, J.N.D. A versatile energy management system for large integrated cooling systems, Energy Conversion and Management, 2013, 66: 312-325.

7-Ho, W. Integrated analytic hierarchy process and its applications - a literature review, European Journal of Operational Research 2008, 186: 211–228.

8-Jaber JO, Jaber QM, Sawalha SA, Mohsen MS. Evaluation of conventional and renewable energy sources for space heating in the household sector. Renewable and Sustainable Energy Reviews 2008;12(1):278-89.

9-Lee, J., Je, H., Byun, J. Well-Being index of super tall residential buildings in Korea, Building and Environment, 2011, 46(5): 1184-1194.

10-Kalogirou SA, Bojic M. Artificial neural networks for the prediction of the energy consumption of a passive solar building. Energy 2000; 25:479–91.

11-Mohandes, M., Rehman, S., Rahman, S.M., (2011), Estimation of wind speed profile using adaptive neuro-fuzzy inference system (ANFIS), Applied Energy, 88(11), 4024-4032.

12-Pahlavan, R., Omid, M., Akram, A. Energy input–output analysis and application of artificial neural networks for predicting greenhouse basil production, Energy, 37(1), 2012, 171-176.

13-Pohekar SD, Ramachandran M. Application of multi-criteria decision making to sustainable energy planning e a review. Renewable and Sustainable Energy Reviews 2004; 8(4):365-81.

14-Ramanathan R, Ganesh LS. Energy alternatives for lighting in households: an evaluation using an integrated goal programming-AHP model. Energy 1995; 20(1):63-72.

15-Ren, H., Gao, W., Zhou, W., Nakagami, K. Multi-criteria evaluation for the optimal adoption of distributed residential energy systems in Japan, Energy Policy, 2009, 37, 12, 2009: 5484-5493.

16-Saaty, T.L. The Analytic Hierarchy Process. McGraw-Hill, New York, 1980.

17-Saaty TL. Fundamentals of decision making and priority theory with the Analytic Hierarchy Process. Pittsburgh: RWS Publications; 2001.

18-Swan, L.G., Ugursal, V. I., Modeling of end- use energy consumption in the residential sector: A review of modeling techniques, Renewable and sustainable energy reviews, 2009(13): 1819–1835.

19-Tso, GKF, Kelvin K., Yau,W., Predicting electricity energy consumption: A comparison of regression analysis, decision tree and neural networks, Energy 2007(32): 1761–1768.

20-Tso, GKF, Yau, KKW, A study of domestic energy usage pattern in Hong Kong. Energy 2003(28):1671–82.

21-Wong, J.K.W., Li, H., Wang, S.W. Intelligent building research: a review, Automation in Construction, 2005, 14, 1: 143-159.

22-Wong, J.K.W., Li, H., Application of the analytic hierarchy process (AHP) in multi-criteria analysis of the selection of intelligent building systems , Building and Environment, 2008,43, 1: 108-125.

23-Yulan Yang, Baizhan Li, Runming Yao, A method of identifying and weighting indicators of energy efficiency assessment in Chinese residential buildings, Energy Policy, 2010, 38, 12: 7687-7697.

24-Yang J, Rivard H, Zmeureanu R. Building energy prediction with adaptive artificial neural networks. IBPSA, ninth international conference, Montreal, Canada; 2005:1401–8.

25-Zhang, J.,  He Z.Y., Lin, S., Zhang, Y.B, Qian, Q.Q., An ANFIS-based fault classification approach in power distribution system, International Journal of Electrical Power & Energy Systems, 2013, 49, 243-252.

26-Zhang .G , Pattuwo .E.B , forecasting with Artificial Neural network :the state of the Art, International journal of forecasting , 1998, 14: 35-62.

27-Zhang.G, Qi M, Neural network forecasting for seasonal and time series ,European journal of operational Research , 2005, 140: 501-514.