دانلود ترجمه مقاله سیستم معنایی هوشمند برای مدیریت پاسخ به تقاضا در شبکه حرارتی

1. مقدمه 2. کارهای مرتبط 3. روش تحقیق 4. مدلسازی سیستم 5. نتایج 6. بحث و بررسی 7. نتیجه گیری و کارهای آتی

چکیده – مدیریت انرژی در شبکه های حرارتی، در زمینه پاسخ به تقاضا، نیاز به ملاحظه بازه گسترده ای از فاکتورها، در سطح ساختمانی و منطقه ای و پشتیبانی توسط مدل های شبیه سازی ای که به طور مداوم کالیبره می شوند و شرایط عملیاتی حقیقی را منعکس می کنند، دارد. علاوه بر آن، درون یابی داده به طور میان دامنه ای، میان مفاهیم مورد استفاده توسط نرم افزار و سخت افزارهای فراوان، از لحاظ فرهنگ واژگان، معنا، متاداده و منطق الزامی است. این مقاله از هستی شناسی دامنه برای نگاشت و همسویی منابع معنایی که تاکید بر مدیریت انرژی ساختمانی و منطقه ای دارند، با تمرکز بر بهینه سازی یک شبکه حرارتی و آگاهی گرفتن توسط تقاضای انرژی بیدرنگ استفاده می نماید. هوش سیستم، با دریافت اطلاعات از مدل های حرارتی کالیبره شده که تقاضای انرژی شبکه را پیش بینی می کنند، برای آگاهی بخشی به تولید بیدرنگ (نزدیک به) از بهینه سازی مبتنی بر شبیه سازی به دست می آید. این مقاله نشان می دهد که استفاده از معناشناسی می تواند به کاهش شکاف، در عملکرد انرژی همه گیر کمک نماید که نتایج آن در شبکه گرمایش منطقه ای حقیقی اعتبارسنجی شده است. در این شبکه، 36% کاهش هزینه عملیاتی و 43% کاهش آلودگی Co2 را در مقایسه با داده های عملیاتی پایه داشتیم. مقدمه: توجه روزافزون به شبکه های حرارتی، نیاز به پلت فرم های فناوری و کسب و کار جدید دارد تا بتوان میزان فزاینده داده های چند جنبه ای و سطح پیچیدگی و تنوع زمینه انرژی شهری را مدیریت کرد (هاول، رزگی، هیپولایت، جایان و لی 2017، رینوز، رحمتی، هیپولایت 2019). علاوه بر آن، نوسان نمایه بار هم از تقاضای گرمایش و هم از تولید گرمایش، برای بررسی بازه گسترده ای از گزینه های پیکربندی که می تواند در کاهش تقاضای انرژی گرمایشی و تولید کربن نقش داشته باشد، نیاز به تصمیم گیری آگاهانه دارد (کاستر، رزگویی و مرشد 2017، لی، رزگویی 2017، رینولد و رزگویی 2017). بنابراین کنترل هوشمندانه یک شبکه حرارتی که تغییرات پیش بینی شده را لحاظ کند، برای تضمین پاسخ به تقاضای اثربخش و بیدرنگ الزامی است. در نقطه مقابل، استفاده از یادگیری ماشین، راه را به سمت مسیرهای جدید پرداختن به شکاف در عملکرد انرژی همه گیر، هموار کرده است (وانگ و همکاران 2019، وو و شهیدپور و خدایار 2013) و در کنار آن، مقیاس پذیری و انعطاف پذیری تولید سیستم های کلی انرژی غیرمتمرکز و چندبرداری را توسعه داده است (لی و همکاران 2017، پتریسوس ،یوآن و رزگویی 2018).

“Demand Response” energy management of thermal grids requires consideration of a wide range of factors at building and district level, supported by continuously calibrated simulation models that reflect real operation conditions. Moreover, cross-domain data interoperability between concepts used by the numerous hardware and software is essential, in terms of Terminology, Metadata, Meaning and Logic. This paper leverages domain ontology to map and align the semantic resources that underpin building and district energy management, with a focus on the optimization of a thermal grid informed by real-time energy demand. The intelligence of the system is derived from simulation-based optimization, informed by calibrated thermal models that predict the network’s energy demand to inform (near) real-time generation. The paper demonstrates that the use of semantics helps alleviate the endemic energy performance gap, as validated in a real district heating network where 36% reduction on operation cost and 43% reduction on CO2 emission were observed compared to baseline operational data. Introduction: The growing interest in thermal grids requires new business and technology platforms to handle the increasing amount of multi-aspects data and the level of complexity and diversity of the urban energy landscape (Howell, Rezgui, Hippolyte, Jayan, & Li, 2017; Reynolds, Ahmad, Rezgui, & Hippolyte, 2019). Moreover, the load profile fluctuation, from both heat demand and heat generation, requires informed decision-making to explore a wide range of configuration options that contribute to reduce heat energy demand and carbon emissions (Kuster, Rezgui, & Mourshed, 2017; Li, Rezgui, & Zhu, 2017; Reynolds, Rezgui, & Hippolyte, 2017). Therefore, the smart control of a thermal grid that factors in predicted changes is crucial to ensure effective real-time demand response. Conversely, the use of machine learning has paved the way to new ways of addressing the endemic energy performance gap (Wang et al., 2019; Wu, Shahidehpour, & Khodayar, 2013), while promoting flexibility and scalability of current generation of decentralized and multi-vector energy systems (Li et al., 2017; Petri, Yuce, Kwan, & Rezgui, 2018).