دانلود ترجمه مقاله مدیریت هوشمند انرژی ساختمان: چارچوب مبتنی بر هوش مصنوعی (AI)

1. مقدمه 2. مروری بر مقالات 3. چارچوب پیشنهادی 4. نتایج تجربی 5. نتیجه گیری و جهت گیری های آتی

چکیده – بخاطر گرمایش جهانی و تغییرات آب و هوایی، ساختمان ها که شامل ساختمان های مسکونی و تجاری می شوند، سهم قابل توجهی در مصرف انرژی دارند. همچنین، «ساختمان انرژی خالص صفر» (NZEB)، به یک مفهوم بیش از پیش پرطرفدار تبدیل شده که براساس آن حاصلجمع سالانه تولید و مصرف توان صفر است. با این حال، گاهی، عدم تناسب بین تامین و تقاضا در NZEB وجود دارد که این بخاطر رفتار مصرف کننده و شرایط آب و هوایی مختل کننده مدیریت کلی شبکه هوشمند است. برای رفع چنین موانعی، پیش بینی دقیق مصرف انرژی، یکی از استراتژی های کلیدی می باشد. بنابراین، در این مطالعه، یک چارچوب ترکیبی کارآمد برپایه AI برای پیش بینی دقیق تولید و مصرف توان پیشنهاد می شود که عمدتاً از سه مرحله تشکیل شده است. در ابتدا، روش پیش پردازش بهینه برای پالایش داده ها استفاده می شود. سپس، برای ویژگی های فضایی-زمانی، یک حافظه کوتاه مدت طولانی کانوالی (ConvLSTM) مورد استفاده قرار می گیرد که الگوهای تبعیضی را از دانش قبلی در مورد انرژی، می آموزد و پس از آن یک واحد مکرر گیت دار دو طرفه (BDGRU) استفاده می شود که جنبه های زمانی را استخراج می کند. در نهایت، توصیف کننده های ویژگی به لایه های پرسپترون چندلایه منتقل می شوند تا پیش بینی را انجام دهند. پس از آزمایش های تجربی گسترده برروی داده های انرژی خانوار و فتوولتائیک، نتیجه گیری کردیم که مدل پیشنهادی ما به میزان قابل توجهی خطاهای 0.012 و 0.045 را برحسب میانگین مربعات خطا (MSE) برروی داده های ساعتی در مقایسه با فنون نوین جدید (SOTA)، کاهش داده است.

Due to global warming and climate changes, buildings including residential and commercial are significant contributors to energy consumption. To this end, net zero energy building (NZEB) has become a progressively popular concept where the annual sum of power generation and consumption is zero. However, occasionally, there exists a mismatching between demand and supply in NZEB due to consumer behaviour and weather conditions disturbing the overall management of the smart grid. To overcome such hurdles, precise prediction of energy usage is a key strategy among others. Therefore, in this study, an efficient hybrid AI-based framework is proposed for accurate forecasting of power consumption and generation that is mainly composed of three steps. Initially, the optimal pre-processing procedure is applied for data refinement. Next, for the spatiotemporal features, a convolutional long short-term memory (ConvLSTM) is used that learns discriminative patterns from the past power knowledge, followed by a bidirectional gated recurrent unit (BDGRU) that extracts on temporal aspects. Eventually, feature descriptors are then passed to multilayer perceptron layers to perform the forecasting. After extensive experiments over the household and photovoltaic energy data, we concluded that our model substantially reduced the errors of 0.012 and 0.045 in terms of mean square error (MSE) on hourly data as compared to the recent state-of-the-art techniques (SOTA).