ПІДХОДИ НА ОСНОВІ ГЕНЕРАТИВНИХ НЕЙРОННИХ МЕРЕЖ ДЛЯ АДАПТИВНОГО ПРОГНОЗУВАННЯ ЕНЕРГОСПОЖИВАННЯ БУДІВЕЛЬ І КЕРУВАННЯ: ОГЛЯД МЕТОДІВ ТА МІКРОСЕРВІСНИХ АРХІТЕКТУР

Анотація

Стаття представляє всебічний огляд переходу від статичних заснованих на правилах систем керування
будівлями до керованого даними штучного інтелекту для оптимізації енергоспоживання в забудованому
середовищі. Хоча дискримінативні нейронні мережі покращили прогнозування енергоспоживання, їх
практичному розгортанню часто перешкоджає перенавчання регресійних моделей на обмежених та зашумлених
наборах даних із датчиків. Метою цього дослідження є аналіз інтеграції генеративних нейронних мереж в
адаптивне прогнозування та керування енергоспоживанням будівель для подолання інформаційних та
експлуатаційних обмежень традиційного машинного навчання. Для досягнення цієї мети було виконано такі
завдання: синтез методологічного переходу від класичного моделювання послідовностей до генеративного
розширення даних, оцінювання модельних фреймворків глибокого навчання з підкріпленням для автономного
управління системами HVAC, а також дослідження децентралізованих мікросервісних архітектур, необхідних для периферійно-хмарного розгортання. Аналіз показує, що генеративні моделі, такі як TimeGAN, синтезують
навчальні дані для подолання емпіричної нестачі інформації, тим самим покращуючи ефективність вибірки DRLагентів і запобігаючи збоям обладнання під час дослідницького навчання. Крім того, гібридні фреймворки
керування, такі як SACEM та генеративне модельне прогнозувальне керування, забезпечують досягнення цілей
зі зниження енергоспоживання разом із підтримкою теплового комфорту людини в нестаціонарних середовищах.
Зрештою, перенесення цих обчислювальних досягнень у фізичну експлуатацію будівель вимагає структурного
переходу до контейнеризованих мікросервісів. Зокрема, впровадження часового розділення доменів є важливим
для ізоляції затримки інференсу генеративних алгоритмів від детермінованих обмежень безпеки фізичного
обладнання HVAC, що гарантує безпечне та адаптивне керування.
Ключові слова: генеративні нейронні мережі, керування енергоспоживанням будівель, розумні будівлі,
глибоке навчання з підкріпленням, HVAC, мікросервісні архітектури, LSTM, трансформери.

Перелік посилань
1. Rehman, U. u., Faria, P., Gomes, L., & Vale, Z. (2025). Future of Energy Management Models in Smart
Homes: A Systematic Literature Review of Research Trends, Gaps, and Future Directions. Process Integration and
Optimization for Sustainability. https://doi.org/10.1007/s41660-025-00506-x.
2. Alanne, K., & Sierla, S. (2022). An overview of machine learning applications for smart buildings. Sustainable
Cities and Society, 76, 103445. https://doi.org/10.1016/j.scs.2021.103445.
3. Yin, Q., Han, C., Li, A., Liu, X., & Liu, Y. (2024). A review of research on building energy consumption
prediction models based on artificial neural networks. Sustainability, 16(17), 7805. https://doi.org/10.3390/su16177805.
4. Qiu L. Deep learning approaches for building energy consumption prediction. (2024). Frontiers in
Environmental Research, 2(3). https://doi.org/10.61784/fer3012.
5. Alshammari, A., Elhadi, A. A. E., & Ibrahim, A. O. (2026). Environmentally sustainable HVAC management
in smart buildings using a reinforcement learning framework SACEM. Sustainability, 18(2), 1036. https://doi.org
/10.3390/su18021036.
6. González-Potes, A., Martínez-Castro, D., Paredes, C. M., Ochoa-Brust, A., Mena, L. J., Martínez-Peláez, R.,
Félix, V. G., & Félix-Cuadras, R. A. (2026). Hybrid AI and LLM-Enabled Agent-Based Real-Time Decision Support
Architecture for Industrial Batch Processes: A Clean-in-Place Case Study. AI, 7(2), 51. https://doi.org/10.3390/
ai7020051.
7. Runge, J., & Zmeureanu, R. (2019). Forecasting energy use in buildings using artificial neural networks: A
review. Energies, 12(17), 3254. https://doi.org/10.3390/en12173254.
8. El Alaoui M., & Rougui M. (2024). Examining the application of artificial neural networks (ANNs) for
advancing energy efficiency in building: A comprehensive reviews. Journal of Sustainability Research, 6(1). https://doi.
org/10.20900/jsr20240001
9. Liu, H., Liang, J., Liu, Y., & Wu, H. (2023). A review of data-driven building energy prediction. Buildings,
13(2), 532. https://doi.org/10.3390/buildings13020532.
10. Mishra, A., Lone, H. R., & Mishra, A. (2024). DECODE: Data-driven energy consumption prediction
leveraging historical data and environmental factors in buildings. Energy and Buildings, 307, 113950. https://doi.
org/10.1016/j.enbuild.2024.113950.
11. Yang, F., & Mao, Q. (2023). Auto-Evaluation model for the prediction of building energy consumption that
combines modified Kalman filtering and Long Short-Term Memory. Sustainability, 15(22), 15749. https://doi.org/
10.3390/su152215749.
12. Li, Y., Tong, Z., Tong, S., & Westerdahl, D. (2022). A data-driven interval forecasting model for building
energy prediction using attention-based LSTM and fuzzy information granulation. Sustainable Cities and Society, 76,
103481. https://doi.org/10.1016/j.scs.2021.103481.
13. Li, G., Wang, Y., Xu, C., Wang, J., Fang, X., & Xiong, C. (2024). BO-STA-LSTM: Building energy
prediction based on a Bayesian Optimized Spatial-Temporal Attention enhanced LSTM method. Developments in the
Built Environment, 100465. https://doi.org/10.1016/j.dibe.2024.100465.
14. Zheng, P., Zhou, H., Liu, J., & Nakanishi, Y. (2023). Interpretable building energy consumption forecasting
using spectral clustering algorithm and temporal fusion transformers architecture. Applied Energy, 349, 121607. https:
//doi.org/10.1016/j.apenergy.2023.121607.
15. Spencer, R., Ranathunga, S., Boulic, M., van Heerden, A., & Susnjak, T. (2025). Transfer learning on
transformers for building energy consumption forecasting - A comparative study. Energy and Buildings, 336, 115632.
https://doi.org/10.1016/j.enbuild.2025.115632.
16. Bastakoti, B., Parajuli, S., & Regmi, B. (2026). LSTM vs. Transformer models in power forecasting: A
comprehensive survey. Preprints.org. https://doi.org/10.20944/preprints202603.0624.v1.
17. Michailidis, P., Minelli, F., Michailidis, I., Kurucan, M., Coban, H. H., & Kosmatopoulos, E. (2025). Machine
learning for energy management in buildings: A systematic review on real-world applications. Energies, 19(1),
219. https://doi.org/10.3390/en19010219.
18. Demir, S., Mincev, K., Kok, K., & Paterakis, N. G. (2021). Data augmentation for time series regression:
Applying transformations, autoencoders and adversarial networks to electricity price forecasting. Applied Energy, 304,
117695. https://doi.org/10.1016/j.apenergy.2021.117695.
19. Amangeldy, B., Tasmurzayev, N., Imankulov, T., Baigarayeva, Z., Izmailov, N., Riza, T., Abdukarimov, A.,
Mukazhan, M., & Zhumagulov, B. (2025). AI-Powered Building Ecosystems: A Narrative Mapping Review on the
Integration of Digital Twins and LLMs for Proactive Comfort, IEQ, and Energy Management. Sensors, 25(17),
5265. https://doi.org/10.3390/s25175265.
20. Kurte, K., Amasyali, K., Munk, J., & Zandi, H. (2022). Deep reinforcement learning with online data
augmentation to improve sample efficiency for intelligent HVAC control. Proceedings of the 9th ACM International
Conference on Systems for Energy-Efficient Buildings, Cities, and Transportation, 479–483. https://doi.org/10.1145/
3563357.3566168.
21. Michailidis, P., Michailidis, I., Minelli, F., Coban, H. H., & Kosmatopoulos, E. (2025). Model predictive
control for smart buildings: Applications and innovations in energy management. Buildings, 15(18), 3298. https://doi.org/
10.3390/buildings15183298.
22. Tohidi, S. S., Calì, D., & Madsen, H. (2024). Adaptive model predictive controller for building thermal
dynamics. IEEE Control Systems Letters, 8, 1325–1330. https://doi.org/10.1109/LCSYS.2024.3410170.
23. Lee, S. K., Stone, R. F. P., Gao, M., Zhang, W., Sha, Z., & Ko, H. (2025). Generative model predictive control
in manufacturing processes: A review. arXiv. https://doi.org/10.48550/arXiv.2511.17865.
24. Nuñez, I., Rovetto, C., Cruz, E., Smolarz, A., Concepcion, D., & Cano, E. E. (2024). Design of a
microservices-based architecture for residential energy efficiency monitoring. International Journal of Electronics and
Telecommunications, 70, 1089. https://doi.org/10.24425/ijet.2024.152511.
25. Lyu, Z., Wei, H., Bai, X., & Lian, C. (2020). Microservice-based architecture for an energy management
system. IEEE Systems Journal, 14(4), 5061–5072. https://doi.org/10.1109/jsyst.2020.2981095.
26. Pitsun, O., & Shymchuk, M. (2026). Scalable MLOps pipeline with complexity-driven model selection using
microservices. Technologies, 14(1), 45. https://doi.org/10.3390/technologies14010045.
27. Ghosh, S. K. (2023). Energy efficient edge inference systems [Doctoral dissertation, Purdue University].
Purdue University Graduate School. https://doi.org/10.25394/PGS.23737488.