دانلود ترجمه مقاله مروری بر نقش هوش مصنوعی در سیستم های مدیریت انرژی خانه

1. مقدمه 2. روش های مرسوم 3. تکنیک های بهینه سازی 4. تکنیک های ریاضی – ابتکاری 5. تکنیک های فراابتکاری 6. تکنیک های یادگیری ماشین (ML) 7. یادگیری عمیق (DL) 8. نتیجه گیری

چکیده – پیشرفت های اخیر در سیستم های قدرت، مسیر را برای ورود شبکه هوشمند (SG) هموار کرده اند. یک شبکه هوشمند برای مصرف کنندگان مفید است زیرا جریان دو طرفه اطلاعات بین شرکت برق و مشتری را ممکن می سازد. فنون مدیریت طرف تقاضا (DSM) به عنوان روش های مدیریت طرف بار برای دستیابی به پایداری بهتر شبکه، بسیار مهم هستند. «سیستم مدیریت انرژی خانه» (HEMS)، نقشی اجتناب ناپذیر در DSM دارد. بی نهایت روش بهینه سازی سنتی برای پیاده سازی HEMS بکار گرفته شده اند، اما محدودیت های روش های ابتکاری ریاضیاتی سنتی باعث بوجود آمدن روش های بهینه سازی مبتنی بر مفهوم به نام روش های فرا ابتکاری شده اند. پیشرفت های اخیر، باعث معرفی روش های بهینه سازی هوشمند تقویت شده بوسیله هوش مصنوعی (AI) شده اند. این مقاله، به بررسی کاربردهای روش های بهینه سازی مبتنی بر AI و مزایایشان نسبت به روش های دیگر، می پردازد. الگوریتم های یادگیری ماشین (ML) و یادگیری عمیق (DL) مختلف و کاربردشان برای HEMS در این مقاله به اختصار به بحث گذاشته شده اند.

Present advancements in the power systems paved way for introducing the smart grid (SG). A smart grid is beneficial to consumers which enables the bi-directional flow of information between the utility and customer. Demand-side management (DSM) techniques are crucial as load-side management techniques to attain the better stability of the grid. Home energy management systems (HEMS) play a indispensable part in the DSM. Countless traditional optimization techniques are utilized to implement HEMS, but the limitations of traditional Math heuristic methods gave rise to a concept-based optimization techniques called the Meta heuristic methods. Recent advancements introduced smart optimization techniques powered by Artificial Intelligence (AI). This article elucidates the applications of AI-based optimization techniques and their advantages over other methods. Various Machine learning (ML) and Deep Learning (DL) algorithms and their utilization for HEMS are discussed in brief.