Optimizing the electrical energy consumed based on the behavior patterns of residents at the smart home using the data mining algorithm using the intelligent grid and renewable energy sources for the formation of an automatic intelligent residential building

Document Type : Research Article

Authors

1 Assistant Professor, Department of Mechatronics, Faculty of New Sciences and Technologies, University of Tehran, Tehran, Iran

2 Master of Science in Power Systems, Tehran, Iran

Abstract

This study optimizes the consumption of electrical energy by monitoring the power consumption caused by the activities of residents at different time intervals during the day and night and stores their electricity consumption in a database to create predicted models based on machine learning methods. Modeling the energy consumption of smart buildings, and then by presenting an algorithm for machine learning based on energy efficiency management system for automatic operation of home appliances based on the previous behavior of residents, leads to the formation of automatic smart building without resident intervention. Managing and monitoring of energy supply and demand process and integration of home solar panels in the building to supply part of the energy consumption was the main advantage of implementing smart grid technology in the building under study. This study showed that 9 kWh of electricity is generated daily from home solar panels. Finally, by comparing each part of the building with a similar normal building in the presence scenario where residents have the highest energy consumption, optimization results were displayed. So that in the lighting system to 25%, the outlet system to 15%, and the cooling and heating system about 40% of energy consumption was saved without reducing the comfort level of residents.

Keywords


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

مقدار توان مصرفی

طول استفاده

زمان استفاده

نوع کاربرد

نام خطوط برق‌رسانی

kwh

00:00

00:00

-

-

 

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

محل

کمینه (lux)

پیشنهادی (lux)

اتاق نشیمن و پذیرایی

70

200

اتاق مطالعه

150

500

آشپزخانه

100

200

اتاق خواب

50

100

سرویس بهداشتی و حمام

50

100

روشویی و آیینه

200

500

پلکان

100

150

راهرو و آسانسور

50

150

 

جدول (3): استاندارد دمای ارائه‌شده توسط مؤسسة استاندارد و تحقیقات

محل

بهار و تابستان (ϲ̊)

پاییز و زمستان (ϲ̊)

کمینه

بیشینه

کمینه

بیشینه

پذیرایی

23

26

20

23

سایر اتاق‌‌ها

25

28

18

21

 

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

توان مصرفی

مدت زمان استفاده

شمارة خط برق‌رسانی

نام دستگاه

2/016 kwh

24h

1

سیستم اعلام و اطفاء حریق

2/808 kwh

24h

2

سیستم مخابراتی

10/800 kwh

24h

3

یخچال و فریزر

0/000000735kwh

1h

4

سیستم آبیاری

 

 

جدول (4): توان ثابت مصرف‌شده در ساختمان هوشمند اتوماتیک

توان مصرفی

مدت زمان استفاده

شمارة خط برق‌رسانی

نام دستگاه

2/016 kwh

24h

1

سیستم اعلام و اطفاء حریق

2/808 kwh

24h

2

سیستم مخابراتی

10/800 kwh

24h

3

یخچال و فریزر

0/000000735kwh

1h

4

سیستم آبیاری

 

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

برنامة استفاده از سیستم پریزها

زمان خاتمة استفاده

زمان شروع استفاده

توان مصرفی

مدت زمان استفاده

نوع کاربرد

شمارة خط برق‌رسانی

7:30

7:00

2/0895 kwh

30 دقیقه

قهوه‌ساز، صبحانه‌ساز

5

9:05

8:00

1/166 kwh

35 دقیقه

ماشین ظرفشویی

6

7:20

7:00

0/25 kwh

20 دقیقه

پریز آشپزخانه

7

7:30

7:00

1/5 kwh

30 دقیقه

پریز اتاق

8

14:00

11:00

1/806 kwh

180 دقیقه

سیستم سرگرمی

9

13:00

11:00

3/1 kwh

120 دقیقه

اجاق گاز و هود

10

14:00

13:15

1/333 kwh

40 دقیقه

ماشین ظرفشویی

11

17:30

16:30

2/0 kwh

60دقیقه

لباسشویی

13

23:00

17:00

3/612 kwh

360 دقیقه

سیستم سرگرمی

12

20:05

18:00

3/229 kwh

125دقیقه

اجاق گاز و هود

14

19:00

18:15

0/45 kwh

45 دقیقه

پریز آشپزخانه

15

19:30

18:25

0/8125 kwh

65دقیقه

پریز آشپزخانه

16

21:00

20:30

1 kwh

30 دقیقه

ماشین ظرفشویی

17

22:20

22:00

0/6 kwh

20دقیقه

پریز اتاق خواب

18

23:00

21:00

0/01 kwh

120 دقیقه

پریز پذیرایی

19

7:00

23:00

0/048 kwh

480 دقیقه

پریز اتاق خواب

20

 

 

23/006 kwh

توان مصرفی روزانه کل در حالت اتوماتیک

 

 

27/718 kwh

توان مصرفی روزانة کل در حالت عادی

 

 

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

توان مصرفی ساختمان اتوماتیک هوشمند

توان مصرفی ساختمان عادی

محل سیستم روشنایی

1/068 kwh

1/498 kwh

روشنایی آشپزخانه در فصل (پاییز، زمستان و بهار)

0/816 kwh

0/972 kwh

روشنایی آشپزخانه در فصل تابستان

1/398 kwh

1/876 kwh

روشنایی آشپزخانه در وضعیت جوی ابری

1/257 kwh

1/687 kwh

روشنایی آشپزخانه در وضعیت جوی نیمه‌ابری

2/317 kwh

3/058 kwh

روشنایی پذیرایی در فصل (پاییز، زمستان و بهار)

2/259 kwh

3/170 kwh

روشنایی پذیرایی در فصل تابستان

3/274 kwh

4/322 kwh

روشنایی پذیرایی در وضعیت جوی ابری

3/018 kwh

4/064 kwh

روشنایی پذیرایی در وضعیت نیمه‌ابری

0/070 kwh

0/093 kwh

روشنایی اتاق خواب در فصل (پاییز، زمستان و بهار)

0/066 kwh

0/083 kwh

روشنایی اتاق خواب در فصل تابستان

0/080 kwh

0/107 kwh

روشنایی اتاق خواب در وضعیت جوی ابری

0/075 kwh

0/099 kwh

روشنایی اتاق خواب در وضعیت جوی نیمه‌ابری

0/079 kwh

0/087 kwh

روشنایی عمومی ساختمان

 

 

 

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-پیشنهادها

در 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



[1] Building Energy Management System (BEMS)

[2] Smart grid

[3] Advanced Metering Infrastructure

[4] Home Energy Management System

[5] GEO

[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,