پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 43 |
| تعداد شماره‌ها | 1,647 |
| تعداد مقالات | 13,387 |
| تعداد مشاهده مقاله | 30,131,002 |
| تعداد دریافت فایل اصل مقاله | 12,066,585 |
بهینه‌سازی انرژی الکتریکی مصرفی براساس الگوهای رفتاری ساکنان در خانه هوشمند با استفاده از الگوریتم داده‌کاوی با به‌کارگیری سیستم شبکه هوشمند و منابع انرژی تجدیدپذیر | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| هوش محاسباتی در مهندسی برق | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| مقاله 2، دوره 12، شماره 2، تیر 1400، صفحه 1-14 اصل مقاله (1.67 M) | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| نوع مقاله: مقاله پژوهشی فارسی | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| شناسه دیجیتال (DOI): 10.22108/isee.2020.119108.1278 | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| نویسندگان | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| علیرضا رضائی* 1؛ بهنام مرادی2 | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| 1استادیار، گروه مهندسی مکاترونیک و ممز دانشکده علوم و فنون نوین دانشگاه تهران - تهران – ایران | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| 2کارشناس ارشد برق سیستم‌های قدرت دانشگاه تهران – تهران- ایران | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| چکیده | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| این پژوهش به بهینه‌سازی مصرف انرژی الکتریکی با نظارت بر توان مصرفی ناشی از فعالیت‌های ساکنان در بازه‌های زمانی مختلف در طول شبانه‌روز و ذخیرة توان الکتریکی مصرفی آنها در یک پایگاه داده‌ای برای ایجاد مدل‌های پیش‌بینی‌شده براساس روش‌های یادگیری ماشین به مدل‌سازی مصرف انرژی ساختمان‌های هوشمند می‌پردازد. سپس با ارائه یک الگوریتم برای یادگیری ماشین مبتنی بر سیستم مدیریت بهره‌وری انرژی برای عملکرد اتوماتیک تجهیزات خانگی براساس رفتار پیشین ساکنان به شکل‌گیری ساختمان هوشمند اتوماتیک بدون دخالت ساکنان منجر می‌شود. مدیریت و نظارت بر فرایند عرضه و تقاضا انرژی و ادغام پنل‌های خورشیدی خانگی در ساختمان برای تأمین بخشی از انرژی مصرفی، مزیت اصلی اجرای فناوری شبکههای هوشمند در ساختمان مطالعه‌شده بود. این تحقیق نشان داد روزانه 9 kwh انرژی الکتریکی از پنل‌های خورشیدی خانگی تولید می‌شود. درنهایت، با مقایسة هر بخش ساختمان با یک ساختمان عادی مشابه در سناریوی حضور که ساکنان بالاترین مصرف انرژی را دارند، نتایج بهینه‌سازی نمایش داده شد؛ به‌طوری‌که در سیستم روشنایی 25%، سیستم پریز 15% و سیستم سرمایش و گرمایش حدود 40% انرژی مصرفی بدون کاهش سطح آسایش ساکنان صرفه‌جویی شد. | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| کلیدواژه‌ها | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| الگوریتم رفتاری ساکنان ساختمان؛ خانه هوشمند اتوماتیک؛ شبکههای هوشمند؛ منابع انرژی تجدیدپذیر | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| اصل مقاله | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|
1- مقدمه[1] منظور از بهینه‌سازی مصرف انرژی انتخاب الگوها، اتخاذ و به‌کارگیری روش‌ها و سیاست‌هایی در مصرف انرژی الکتریکی است. ساختمان‌های مسکونی بخش مهمی از مصرف‌کنندگان انرژی الکتریکی به شمار می‌آیند. ورود تکنولوژی سیستم مدیریت هوشمند به ساختمان‌های مسکونی، تا حدودی مصرف انرژی الکتریکی را بهینه کرده است.
2- پیشینة تحقیقات سیستم مدیریت هوشمند ساختمان (BEMS)[1] سیستم یکپارچه‌ای است که از تکنولوژی‌هایی مانند رایانه‌ها، ارتباطات شبکه و سیم‌کشی برای اتصال تمام زیرسیستم‌های داخلی استفاده می‌کند که به لوازم خانگی و دیگر وسایل خانگی متصل می‌شود [1]. این سیستم دربارة نقش فزایندة هوش مصنوعی مرتبط با ظهور فناوری‌های Big Data و قدرت محاسباتی فوق‌العاده صحبت می‌کند. نسل جدید هوش مصنوعی به سرعت درحال گسترش است و دوباره به موضوعی جذاب برای تحقیقات تبدیل شده است. با افزایش حجم داده‌ها و پیچیدگی در مدیریت و محاسبات آنها، بیشتر تحقیقات در این زمینه به نقش اساسی هوش مصنوعی در قدرت تجزیه و تحلیل داده‌های ساختمان هوشمند تأکید کردند [2]. به این ترتیب، تکنولوژی خانه‌های هوشمند، به‌طور مؤثر بر مدیریت مصرف و بهینه‌سازی آن در خانه تمرکز می‌کنند و علاوه بر افزایش سطح راحتی و آسایش ساکنان، به تنظیم مجدد برنامة روزانه و ایجاد کیفیت بالایی از شرایط زندگی کمک می‌کنند. سیستم مدیریت هوشمند خانگی که ابتدا در ایالات متحده آغاز شد، یکی از بنیادی‌ترین فناوری‌های طراحی سیستم خانه‌های هوشمند است. این میکروکنترلرها برای نظارت‌کردن بر لوازم خانگی، سیستم روشنایی و تجهیزات تهویة مطبوع (گرمایش / سرمایش) با توجه به شرایط تعریف‌شده استفاده می‌شود و مطابق با نیازهای ساکنان عمل می‌کند [3]. سیستم مدیریت هوشمند ساختمان برای فراهم‌آوردن محیط مطلوب برای ساکنان، به یادگیری رفتار و منافع ساکنان آن نیازمند است [4]. روش‌های مدل‌سازی با روش‌های یادگیری ماشینی به مرحله‌ای از پردازش داده‌ها ازجمله دسته‌بندی و اولویت‌بندی با استفاده از الگوریتم‌های پیشنهادی نیاز دارد. داده‌ها همچنین با فاصله بین حداقل و حداکثر مقادیر هر ویژگی معمول شدند [5]. برای تشخیص نواقص یا خطا در داده‌های به‌دست‌آمده و تصحیح آنها به تعریف الگوریتم مشخص برای منسجم‌کردن مشخصات ساختاری اطلاعات و ذخیره در پایگاه داده برای ساختمان‌های عمومی در مقیاس بزرگ نیاز است [6]. در تحقیقات به‌دلیل غیرخطی‌بودن و توانایی یادگیری اطلاعات تاریخی روش‌های یادگیری ماشین انتخاب شد که نتیجة آن نشان داد مصرف انرژی در ساختمان‌های عمومی، فرضیات خطی را برآورده نمی کند [7]. در پژوهش دیگری با تمرکز بر تهیة برنامه‌ای از اقدامات روزانه و هفتگی برای کاربران نهایی در ساختمان، فقط روش‌های خطی برای پیش‌بینی مصرف انرژی ساختمان‌های عمومی، پیشنهاد و از آنها استفاده شده است؛ اما صحت پیش‌بینی برای آن ارائه نشده است [8]. منابع اصلی مصرف انرژی در ساختمان عمدتاً لوازم خانگی الکتریکی، تجهیزات سیستم گرمایش و خنک‌کننده، وسایل آشپزخانه و همچنین سیستم‌های روشنایی است. در میان آنها، عملیات گرمایش و خنک‌کننده بیش از 56% کل مصرف برق مسکونی را تشکیل می‌دهد [9]. حتی بدتر از همه، میزان چشمگیری از انرژی را به‌طور کامل ساکنان استفاده نمی‌کنند و اتلاف انرژی در تمام طول روز اتفاق می‌افتد. به‌طور کلی بهترین راه‌حل برای تکمیل مزایای خانة هوشمند برای کاهش تعرفه‌های خرید انرژی الکتریکی، افزایش سطح آسایش و بالابردن قابلیت اطمینان در توزیع انرژی به مصرف‌کنندگان، مدیریت سمت تقاضا، پاسخ به تقاضا، تولید توزیع‌شدة بهینه، نیازمند تمرکز بر تکنولوژی به نام شبکه هوشمند[2] است. تجهیزات شبکة هوشمند در کنار مدیریت عرضه، انرژی درخواستی مصرف‌کننده‌ها را کنترل و نظارت می‌کند که با توجه به اطلاعات مصرفی در صورت کمبود عرضه، انرژی بار مصرفی را قطع یا جابه‌جا کند و به‌طور هدفمند کمبود عرضه را از منابع دیگر جبران کند. با اجرای شبکه هوشمند در سیستم مدیریت ساختمان هوشمند می‌توان برای تأمین بخشی از انرژی تقاضاشده با توجه به موقعیت جغرافیایی ساختمان از منابع تولید تجدیدپذیر (بادی، خورشیدی یا ترکیبی) استفاده کرد. ادغام منابع انرژی تجدیدپذیر باعث کاهش میزان انتشار آلودگی محیط زیست می‌شود. همچنین موجب افزایش رضایت ساکنان و کاهش هزینه‌های خرید انرژی الکتریکی آنها می‌شود. بهینه‌سازی مصرف انرژی و افزایش راحتی ساکنان، موضوع اصلی پژوهش و طرح‌های عملی و تحقیقاتی در زمینة خانه‌های هوشمند شد. پروژة (MavHome) (مدیریت یک خانة سازگار و همه‌جانبه)، پروژة تحقیقاتی چندجانبه در دانشگاه ایالتی واشنگتن و دانشگاه تگزاس است و هدف آن، به حداکثر رساندن راحتی ساکنان و حداقل‌کردن هزینه‌های عملیاتی است [10]. در پژوهش دیگری، شبیه‌سازی یک مدل از مصرف برق خانگی بررسی شد. این مدل شامل قرارگیری استفاده از لوازم خانگی سرمایش، گرمایش، تهویه، تهویة مطبوع، روشنایی و مصرف برق مرتبط با فعالیت‌های ساکنان بود. نتایج مطالعات، الگوهایی از تغییرات تقاضای انرژی، نوسانات بار و تنوع بین پیکربندی موقعیت و اندازة خانوار را ارائه کرد [11]. در پژوهشی دیگر، تکنولوژی شبکة هوشمند برای یک خانة هوشمند شامل AMI[3] (زیرساخت اندازه‌گیری پیشرفته) که درون تأسیسات ساختمان مستقر شده است، برای مدیریت تعرفه‌های پویا در خانه‌ها و برای آگاهی از وضعیت انرژی، منابع تولید انرژی تجدیدپذیر و همچنین HEMS[4] (سیستم مدیریت انرژی خانه) به کار گرفته شده است [12]. در پژوهشی، تکنیک‌های برنامه‌ریزی و کنترل لوازم خانگی برای اجرای مدیریت سمت تقاضا با استفاده از شبکة هوشمند به‌منظور کنترل مصرف برق در خانه‌ها و دفاتر ارائه شده است. تکنیک‌های استفاده‌شده، هزینة مصرف انرژی را کاهش داد و مصرف‌کنندگان تشویق شدند با استفاده از روش‌های بارگذاری بار، دستگاه خود را برنامه‌ریزی کنند [13]. در مطالعه‌ای مصرف انرژی الکتریکی در یک نمونه از ساختمان‌های داخلی بریتانیا بررسی شد تا روند مصرف انرژی استفاده‌شده شناسایی شود. در این مطالعه یک‌سری از تکنیک‌های تجزیه و تحلیل جدید برای بهبود درک مصرف برق داخلی معرفی شد [14]. در فرانسه آزمایشگاه تحقیقاتی (G-SCOP) یک الگو از رفتارهای ساکنان در حالت‌های متفاوت در هر ساعت از شبانه‌روز ایجاد کرده است و سعی در پیش‌بینی حالت ممکن با استفاده از شبکة بیزین دارد. این الگوها با بررسی دیتابیس مربوط به مانیتورینگ مصرف انرژی خانگی اتحادیه اروپا ایجاد شده است [15]. در دانشگاه ویرجینیا جی[5] و همکارانش الگویی برای تنظیم دمای خانه با استفاده از ترموستات‌های هوشمند ساختند. این الگو روی ورود و خروج ساکنان خانه تمرکز داشت و دیتابیس مدنظر از مانیتورینگ یک خانة معمولی به مدت یک ماه شکل گرفت [16]. پژوهشهای انجام‌شده هرکدام تعریفی از خانه‌های هوشمند و صرفه‌جویی در مصرف انرژی و افزایش سطح آسایش ساکنان ساختمان با استفاده از تجهیزاتی می‌کنند که به حس‌کردن حضور داشتن یا نداشتن افراد در محل‌های مشخص‌شده نصب می‌شدند. در این پژوهش در ابتدا تعریف دقیق‌تری از ساختمان هوشمند – اتوماتیک ارائه می‌شود که کاملاً هوشمندانه و براساس رفتار، سلایق و عادات ساکنان مسقر در ساختمان است. در مرحلة بعدی، سناریوهای مختلفی تعریف می‌شوند و بر مبنای آن و با به‌کارگیری تکنولوژی‌های هوشمند در تولید و توزیع انرژی الکتریکی، به افزایش سطح رفاه و رضایت ساکنان این نوع خانة کاملاً هوشمند اتوماتیک و صرفه‌جویی در بخش انرژی و نیز در بخش هزینه‌های ناشی از خرید انرژی ساکنان می‌پردازد. همچنین با تولید انرژی الکتریکی پاک در خود ساختمان علاوه بر ذخیرة هزینه، به کاهش آلاینده‌های زیست محیطی نیز کمک خواهد شد.
3- جمع‌آوری داده‌هایی از انرژی مصرف‌شده براساس رفتار ساکنان برای شکل‌گیری خانة هوشمند اتوماتیک در ابتدا مانیتورینگ رفتار ساکنان براساس برنامة فعالیت‌های روزانه، سلیقة اعضای خانه، عادات ساکنان و علایق آنها در سناریوهای مختلفی مانند (حضور - عدم حضور - ساکنان به خانه می‌آیند - مهمانی) بررسی شد. برای یادگیری رفتار ساکنان و شکل‌گیری الگوی رفتاری آنها در مواجهه با مصرف انرژی و مقدار توان الکتریکی مصرف‌شده در ساعات شبانه‌روز، اقدامات ساکنان در سیستم مدیریت خانة هوشمند در مرحلة نخست جمع‌آوری و ثبت شده‌اند. این کار با استفاده از اندازه‌گیرهای هوشمندی انجام شده است که روی خطوط توزیع‌شدة برق در قسمت‌های مختلف ساختمان نصب شده‌اند و نوع دستگاه مصرفی، زمان مصرف، مقدار توان مصرفی اندازه‌گیری و ثبت شدند. داده‌های ثبت‌شده با اندازه‌گیرهای هوشمند توان الکتریکی مصرفی را به دو بخش تقسیم می‌کند؛ داده‌های توان الکتریکی مصرفی ثابت و توان مصرفی متغییر. داده‌های توان مصرفی ثابت اطلاعاتی از تجهیزات الکتریکی‌اند که در طول شبانه‌روز مقدار ثابتی انرژی الکتریکی را مصرف می‌کنند. این دستگاه‌ها در خانه باید همیشه به برق متصل باشند؛ مانند یخچال‌ها، سیستم اعلام واطفاء حریق و غیره. داده‌های توان الکتریکی مصرفی متغییر شامل اطلاعاتی از مصرف سیستم‌های الکتریکی خانگی است که براساس رفتار ساکنان در استفاده از آنها توان الکتریکی مصرف می‌کنند؛ مانند سیستم‌های روشنایی و سرگرمی، پخت‌وپز، سیستم‌های سرمایش و گرمایش و غیره. البته شرایط محیطی نیز بر مقدار توان مصرفی متغییر تأثیرگذار است؛ مانند میزان روشنایی، دما، اکسیژن و غیره؛ ازاین‌رو توان کل مصرفی در خانة هوشمند اتوماتیک برابر توان مصرفی (متغیر و ثابت) محاسبه می‌شود. بعد از مدل‌سازی مشخصات بارهای مصرفی و توزیع خطوط برق‌رسانی به بخش‌های مختلف ساختمان، با نصب توان متر‌های هوشمند روی این خطوط، اطلاعات نهایی از مصرف به‌صورت جدول زیر تعریف می‌شوند:
جدول (1): فرم تکمیلی برای جمع‌آوری داده‌ها
4- تحلیل داده‌های ثبت‌شده با توجه به اینکه بیشترین انرژی الکتریکی در سناریوی حضور یعنی در زمان‌هایی مصرف می‌شود که ساکنان بیشترین وقت خود را در خانه حضور دارند، در این پژوهش توان الکتریکی مصرف‌شده در سناریوی حضور بررسی می‌شود. جمع‌آوری داده‌های متغییر با توجه به نوع سیستم الکتریکی خانگی انجام می‌شود. سیستم‌های الکتریکی خانگی به بخش‌های سیستم پریزها، سیستم روشنایی، سیستم سرمایش و گرمایش تقسیم می‌شوند. سیستم پریزها تنها با توجه اقدامات ساکنان در استفاده از تجهیزات الکتریکی توان مصرفی آنها در ساعات شبانه‌روز ثبت می‌شود؛ اما در سیستم‌های روشنایی و سرمایش و گرمایش علاوه بر اقدامات ساکنان، شرایط محیطی نیز بر مقدار توان مصرفی آنها تأثیرگذار است و در این حالت توان مصرفی متفاوتی دارند. به همین دلیل، حسگرهای روشنایی و دما مطابق با استانداردهای مؤسسة استاندارد و تحقیقات برای تمامی قسمت‌های ساختمان در جداول شمارة 2 و 3 به‌صورت زیر ارائه شده‌اند. پس از جمع‌آوری داده‌ها، تجزیه و تحلیل و فرم‌دادن آنها براساس تکنیک‌ها، الگوریتم معدنی داده‌ها به دو گروه داده‌های مکرر و داده‌های دوره‌ای در سیستم پایگاه داده‌ها به شکل کلی و جامع از توان الکتریکی مصرفی هریک از سیستم‌ها در ساعات مختلف از شبانه‌روز ذخیره می‌شوند. این مقدار توان الکتریکی ثبت‌شده در اختیار سیستم شبکة هوشمند خانگی با نظارت و کنترل بر مقدار انرژی درخواستی در زمان‌های مختلف اقدام به تأمین آنها با توجه به مقدار تولید منابع انرژی تجدیدپذیر خانگی می‌کند.
جدول (2): استاندارد شدت روشنایی توسط مؤسسة استاندارد و تحقیقات
جدول (3): استاندارد دمای ارائه‌شده توسط مؤسسة استاندارد و تحقیقات
5- الگوریتم داده‌کاوی برای یادگیری ماشین بعد از جمع‌آوری داده‌ها و تجزیه و تحلیل آنها با استفاده از درخت تصمیم‌گیری براساس الگوریتم داده‌کاوی به فرم نهایی برای ذخیرة داده در پایگاه داده‌ای و اجرای آن برای شکل‌گیری خانة هوشمند اتوماتیک اقدام شد. استفاده از درختان تصمیم‌گیری به‌عنوان روش رگرسیون، چندین مزیت دارد که یکی از آنها قوانین تقسیم یک روش گرافیکی بصری و ساده برای تجسم نتایج است و در عین حال، توانایی پردازش داده‌ها را نیز دارد. آنها همچنین نسبت به محیط‌های داخلی مقاوم‌اند و می‌توانند داده‌های از دست رفته را در فضای پارامتر ورودی به‌طور مؤثر اداره کنند. الگوریتم‌های درخت تصمیم با مقادیر زیادی از داده‌ها به راحتی اجرا و محاسبه می‌شوند. در مرحلة اول، داده‌های جمع‌آوری‌شده مربوط به مدت زمان استفاده و در مرحلة بعد، مقدار توان مصرفی در این مدت زمان‌ها به‌طور مشخص به‌صورت درخت تصمیم‌گیری برای شکل الگوریتم مرتب شدند.
شکل (1): الگوریتم داده‌کاوی مدت زمان استفاده از دستگاه‌ها
شکل (2): الگوریتم داده‌کاوی مقدار توان مصرفی استفاده از دستگاه‌ها
6-نتایج در این پژوهش توان‌های مصرفی ثبت‌شده از اقدامات ساکنان در استفاده از سیستم‌های الکتریکی مختلف ساختمان تحلیل و تفسیر می‌شود. بعد از جمع‌آوری داده‌ها و دسته‌بندی آنها براساس زمان و مقدار توان مصرف‌شدة هریک از سیستم‌ها در سناریوی حضور در خانة هوشمند برای اتوماتیک‌شدن ساختمان این اطلاعات وارد سیستم مدیریت خانه شدند و در پایان با یک خانة عادی کاملاً مشابه با تمام جزئیات برای مشاهدة میزان انرژی بهینه‌سازی‌شده مقایسه می‌شود.
6-1 -سیستم‌های الکتریکی با توان مصرفی روزانۀ ثابت این دستگاه‌ها باید در طول شبانه‌روز در حالت آماده‌به‌کار باشند؛ بنابراین، توان مصرفی ثابتی دارند.
جدول (4): توان ثابت مصرف‌شده در ساختمان هوشمند اتوماتیک
جدول (4): توان ثابت مصرف‌شده در ساختمان هوشمند اتوماتیک
6-2-سیستم‌های الکتریکی با توان‌های مصرفی متغییر در خانة هوشمند الف) فعالیت‌های ساکنان در استفاده از سیستم پریز در سناریوی حضور در خانة هوشمند و عادی در یک شبانه‌روز مقدار توان الکتریکی مصرف‌شده همراه با زمان و مدت زمان استفاده در سناریوی حضور براساس داده‌های جمع‌آوری‌شده از فعالیت‌های ساکنان در استفاده از سیستم‌های پریز دسته‌بندی به‌صورت فرم نهایی مطابق با جدول شمارة 5 شکل گرفت. این اطلاعات نشان می‌دهند ساکنان بعد از یک دورة آزمایش در استفاده از سیستم پریز بعد از تکرارها و منسجم‌کردن داده‌ها در زمان‌های ثبت‌شده از انرژی الکتریکی استفاده می‌کنند. ب) مقایسة داده‌های توان مصرفی سیستم روشنایی در ساختمان عادی و هوشمند اتوماتیک سیستم روشنایی ساختمان، مطابق با جداول شمارة 2 و 3، برای بخش‌های مختلف ساختمان، استاندارهای تعریف‌شده دارند؛ بنابراین، در این پژوهش مطابق با این استانداردها و استاندارهای انتخاب تجهیزات روشنایی و دستورالعمل‌هایی برای ورود نور طبیعی به‌جای سیستم روشنایی شکل نهایی اطلاعات ساختمان به‌صورت جدول شمارة 6 جمع‌آوری شدند.
جدول (5): سیستم پریز یک شبانه‌روز در خانة عادی و هوشمند اتوماتیک
شکل (3): نمودار تجمعی انرژی مصرفی روشنایی در خانة عادی و هوشمند اتوماتیک در یک شبانه‌روز
جدول (6): سیستم روشنایی یک شبانه‌روز در خانة عادی و هوشمند اتوماتیک
ج) داده‌های سیستم سرمایش و گرمایش در حالت اول سناریوی حضور دمای مطلوب محیط خانگی مطابق با مؤسسة استاندارد و تحقیقات ارائه شده که در جدول (3-2) نشان داده شده است. اندازه‌گیری مقدار مصرف انرژی الکتریکی در این بخش بر مبنای تعداد ساعات روشن‌بودن دستگاه است. این سیستم فقط به حضور داشتن یا نداشتن افراد در خانه وابسته است. در سناریوی حضور، ساکنان در خانه‌اند؛ اما ممکن است همه افراد خانواده در یک قسمت ساختمان نباشند، در دیگر بخش‌های ساختمان حضور داشته باشند یا در ساعات دیگر به آن قسمت خانه رفت‌وآمد کنند؛ بنابراین، ساعات شبانه‌روز به دوره‌های مختلف تقسیم می‌شود. از این رو مطابق با رفتار ساکنان در دوره‌های زمانی مختلف، افراد خانواده در هر قسمت ساختمان حضور داشته باشند سیستم اقدام به فراهم‌کردن دمای مطلوب محیطی برای افراد ساکن در آن مکان می‌کند که این روش دو مزیت عمده دارد: ü سیستم دیگر لازم نیست برای فراهم‌کردن دمای ایدئال محیط با قدرت بالا شروع به کار کند. ü سطح آسایش و رضایت ساکنان بیشتر می‌شود.
شکل (4): نمودار تجمعی سیستم سرمایش در یک شبانه‌روز در ماه‌های سال
شکل (5): نمودار تجمعی سیستم گرمایش در یک شبانه‌روز در ماه‌های سال
7- بحث و نتیجه‌گیری یافته‌های این پژوهش اقدامات مربوط به مصرف واقعی انرژی در خانه‌های هوشمند را براساس اطلاعات رفتاری ساکنان در مواجه با مصرف انرژی انجام داد. با ثبت این اطلاعات و اجرای الگوریتم نهایی آن در سیستم مدیریت هوشمند ساختمان موجب شکل‌گیری خانه‌ای اتوماتیک شده است که به‌طور خودکار انرژی الکتریکی را در اختیار ساکنان قرار می‌دهد. برخلاف پژوهشهای انجام‌شده، در این پروژه در طول آزمایش تمام خطوط برق‌رسانی الکتریکی در ساختمان کنترل و مانیتور شدند تا مقدار توان الکتریکی مصرفی، زمان به‌کارگیری، طول مدت استفاده از تجهیزات با توجه به استانداردهای تعریف‌شده جمع‌آوری و ثبت شود و پس از تجزیه و تحلیل و بررسی به‌صورت فرم کلی برای اجرا وارد سیستم مدیریت خانه هوشمند شد. به همین دلیل تمام جوانب در نظر گرفته شد تا در کنار بهینه‌سازی مصرف انرژی، سطح آسایش ساکنان کاهش نیابد و همچنین سیستم نهایی با قابلیت اطمینان بالایی رفتار ساکنان در زمان‌های مختلف را پیش‌بینی و سیستم الکتریکی لازم را مطابق با عادات و سلایق ساکنان فعال کند. سپس با مقایسة ساختمان هوشمند اتوماتیک و ساختمان عادی که مشخصات مشابه دارند، مقدار انرژی الکتریکی بهینه‌سازی‌شده در همه بخش‌های الکتریکی ساختمان (پریزها، روشنایی، سرمایش و گرمایش و ...) مشاهده شد. در طول شکل‌گیری پروژة خانة هوشمند اتوماتیک، تمامی مراحل جمع‌آوری داده‌ها به ساکنان در هنگام مصرف انرژی و استفاده از تجهیزات هیچ دستورالعملی الزام نشد و ساکنان به‌طور طبیعی در خانه مشغول به انجام کارهای روزمره خود شدند. در این پروژه یک شبکة هوشمند متصل به سیستم مدیریت خانه طراحی شد تا با نظارت و کنترل بر عرضه و تقاضای انرژی، تا حد امکان از تولیدات منابع تجدیدپذیری که در ساختمان طراحی و اجرا شده‌اند برای تأمین تقاضا استفاده شود و انرژی اضافی حاصل از تولیدات منابع تجدیدپذیر یا کمبودها را با شبکة سراسری دادوستد کند.
شکل (6): مقایسة توان مصرفی سیستم پریز خانة عادی و هوشمند اتوماتیک در طول یک سال
شکل (7): مقایسة توان مصرفی سیستم روشنایی خانة عادی و هوشمند اتوماتیک در طول یک سال
شکل (8): مقایسة توان مصرفی سیستم سرمایش و گرمایش خانة عادی و هوشمند اتوماتیک در طول یک سال
در این پژوهش در خانة هوشمند یک منبع تولید انرژی تجدیدپذیری طراحی شد. با توجه به موقعیت جغرافیایی خانة هوشمند و براساس داده‌های جوی از آن منطقه، میزان تابش نور خورشید از وزش باد در شبانه‌روز بیشتربود؛ بنابراین، توانایی منابع تولید انرژی الکتریکی خورشیدی به نسبت بالاتر و اجرای آن منطقی‌تر بود. به همین دلیل، یک منبع تولید انرژی الکتریکی خورشیدی برای پروژه طراحی شد. منابع تولید انرژی تجدیدپذیر برای تولید انرژی به‌طور کامل وابسته به شرایط آب‌وهوایی هستند؛ بنابراین ممکن است تمام انرژی تقاضاشده را پشتیبانی نکنند یا انرژی تولیدشده بیشتر از نیاز مصرف باشد. از این رو در این طراحی یک سیستم تولید انرژی الکتریکی خورشیدی متصل به شبکه در نظر گرفته شد تا عرضه و تقاضای انرژی الکتریکی متعادل باشند. موقعیت پروژة ایران - گرمسار در نظر گرفته شد. به‌طور کلی با توجه به نتایج شبیه‌سازی پنل‌های خورشیدی خانگی مقدار 17044 کیلووات ساعت سالیانه تولید انرژی داریم.
شکل (7): نتیجة نهایی از شبیه‌سازی پنل‌های خورشیدی خانگی
8-پیشنهادهادر پژوهشهای آتی، واقعی‌سازی توان الکتریکی مصرفی را در مقیاس بالاتر (منطقه، شهر، استان و کشور) و همچنین هوشمندسازی شبکة توزیع منطقه‌ای و سراسری برق و شناسایی موقعیت‌های مختلف جغرافیایی برای احداث نیروگاه‌های تجدیدپذیر را به‌صورت تکی یا ترکیبی می‌توان بررسی کرد. شبکههای هوشمند آینده باید از نفوذ بزرگ‌تری از انرژی‌های باد و خورشیدی متمرکز و توزیع‌شده استفاده کنند. همچنین باید رشد سریع تقاضا را با توجه به پلاگین وسایل نقلیة الکتریکی جایگزین کند و یاد بگیرد چگونه با استفاده از ظرفیت ذخیره‌سازی ذاتی آنها بهینه شود.
[1] تاریخ ارسال مقاله: 29/06/1398 تاریخ پذیرش مقاله: 15/06/1399 نام نویسندۀ مسئول: علیرضا رضائی نشانی نویسندۀ مسئول: ایران- تهران- دانشگاه تهران - دانشکده علوم و فنون نوین - گروه مهندسی مکاترونیک و ممز | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| مراجع | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|
[1] V.Ricquebourg, d.Menga, D.Durand, b.Marhic, L. delahhe, C.loge, "The Smart home concept: our immediate future",1th IEEE International conference on ELearning in Industrial Electronics,pp. 23-28, Dec.2006. [2] Y.Duan, j.Edwards, T.Dwivedi, "Artificial intelligence for decision making in the era of Big Data –evolution challenges band research agenda". International journal of Information Management, Vol.9, No.1,pp. 63-71, 2019. [3] R.Nunes, J.Delgado, "An architecture for a home automation system", IEEE International conference on Electronics, circuits and Systems, Vol.1 , No.3, pp. 259 – 262,Sept. 1998, [4] A.Rezaee, "Intelligent Control of Cooling Heating Systems by Using Emotional Learning", Electronics and electrical engineering, Vol. 18, No.2, pp. 26-30, 2012. [5] M.ZekićSušac, R. Scitovski, A. Has, "Cluster analysis and artificial neural networks in predicting energy efficiency of public buildings as a costsaving approach". Croatian Review of Economic, Business and Social Statics, Vol.4, No.2,pp. 57-66, 2018. [6] H.Krstić, M. Teni, "Algorithm for constructional characteristics data cleansing of large scale public buildings database, High performance and Optimum Design of Structures and Materials", WIT Transactions on the Built Environment, Vol.175, pp.213-224, 2018. [7] M. Zekić-Sušac, M. Knežević, R. Scitovski, "Deep learning in modeling energy cost of buildings in the public sector In F. Martinez Alvarez",Advances in intelligent systems and computing, Vol.950, pp. 101-110, 2019. [8] V.Marinakis, H.Doukas,. "An advanced IoT-based system for intelligent energy management in buildings", Sensors, Vol.18, No.2 ,pp. 1-16, 2018. [9] D.GonzaloHuitrón, "Reducing home power Consumption with Wireless Controllers",Low power,Vol.2 , No. 1, pp. 20-26, 2015. [10] M. Mavhome, "Smart Environments: Technologies, Protocols and Applications", IEEE Pervasiv Computing, Vol. 2, No. 3, 2003. [11] M.Muratori, C.Matthew, R. Roberts, M.Sioshansi, "A highly resolved modeling technique to simulate residential power demand ", Applied Energy, Vol. 107, No. 1, pp. 465-473, July 2013. [12] S. Ontario, "Smart Grid Forum, Enabling Tomorrow Electricity System",Report of the Ontario Smart Grid forum, February 2009. [13] G.trabac, "Demand Side Management: Benefits and Challenges", Energy Policy, Vol. 36, No.12, 2008. [14] S.Firth, K. Lomas, R. Measurements." Smart Building”, Energy and buildings", Vol. 40, No. 5, pp.926_36, 2006. [15] Hawarah, S. Ploix, and M. Jacomino, "User behavior prediction in energy consumption in housing using Bayesian networks," In Artificial Intelligence and Soft Computing, Vol.5, No.6, pp. 372-379, 2010,. [16] G. Gao and K. Whitehouse, "The self- programmi thermostat: optimizing setback schedules based on home occupancy patterns," in Proceedings of the First ACM Workshop on Embedded Sensing Systems for Energy- Efficiency in Buildings, pp. 1-9, 2009, | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|
آمار تعداد مشاهده مقاله: 2,974 تعداد دریافت فایل اصل مقاله: 1,009 |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||