ارائهکننده: اشکان رضائی استاد راهنما: دکتر احساناله کبیر استاد ناظر داخلی اول: دکتر مریم ایمانی آرانی استاد ناظر خارجی اول: دکتر هدیه ساجدی (دانشگاه تهران) تاریخ: 1402/11/28 ساعت: 11:30 jh 13 مکان: اتاق 412 (اتاق شورا)
چکیده: افزایش مصرف انرژی، گاز کربندی اکسید و دیگر آلایندهها منجر به تغییرات آبوهوایی در جهان شده و به همین دلیل توجه به صرفهجویی در مصرف انرژی و کاهش آلایندهها در حال افزایش است. ساختمانها بخش قابل توجهی از مصرف انرژی جهانی را شامل میشوند. پیشبینی دقیق و سریع انرژی مصرفی ساختمانها علاوه بر اینکه در تصمیمگیری سیستمهای توزیع انرژی و مدیریت شبکههای هوشمند مفید هستند بلکه میتواند صرفهجویی انرژی مصرفی ساختمانها و فواید اقتصادی ناشی از آن را منجر شود. (ساختمانها حدود 40% از مصرف انرژی جهان و 30% از گازهای گلخانهای آن را شامل میشوند. ( یکی از کاربردهای پیشبینی انرژی مصرفی در سیستمهای مدیریت انرژی ساختمان است. مصرف زیاد انرژی، هزینههای اقتصادی، تأثیر بر محیط زیست و موارد دیگر را به دنبال دارد. با تکامل تکنولوژی و اختراع سیستمهای هوشمند مدیریت انرژی (SEMS)، بدون از بین بردن راحتی مصرف کنندگان، انرژی به صورت کارامد ذخیره میشود. این سیستمها با توجه به شرایط اقتصادی و محیطی، باعث مصرف بهینه انرژی شده و با پیشبینی مصرف، شناسایی ناهنجاریها در مصرف و موارد دیگر، آن را مدیریت میکنند. به دلیل فواید شبکه عصبی LSTM، این شبکه به طور گسترده در پیشبینی سریهای زمانی استفاده شده است. از جمله فواید آن میتوان به حافظهی طولانیمدت در پیشبینی سریهای زمانی اشاره کرد. (این شبکه عصبی عمیق در سال 1997 پیشنهاد شده است.) در این پروژه انرژی مصرفی برق نرمالایزشده ساختمان(مقدار انرژی مصرفی برق ساختمان در هر feet مربع و برحسب واتساعت)، با استفاده از یک مدل بر مبنای شبکه عصبی LSTM، برای یک ساعت آینده و برای کاربرد سیستمهای هوشمند مدیریت انرژی (SEMS)،پیشبینی میشود.(ساختمانها مربوط به یکدسته آبوهوایی و از 5 کاربرد مختلف هستند.) پیشبینی مصرف برق به دلیل داده سریزمانی غیرخطی، ناپایدار و همبسته با تغییرات اقلیم، چالشبرانگیز است. مجموعهداده مورداستفاده، مجموعهداده مسابقه GEPIII میباشد. این مسابقه در جهت بررسی محدودیتها و ظرفیتهای بهبود یادگیری ماشین برای پیشبینی انرژی مصرفی ساختمان، در سال 2019 در پلتفرم Kaggle ایجاد شده بود. همچنین، بزرگترین مسابقه یادگیری ماشین در کاربرد انرژی ساختمان تا ماه فوریه سال 2022 میباشد که 4,370 نفر شرکتکننده داشتهاست. |