دانلود ترجمه مقاله یک سیستم منطق فازی تطبیقی برای مدیریت انرژی بخش مسکونی

1. مقدمه 2. شرح مسأله 3. مدل منطق فازی تطبیقی 4. تصمیم گیری منطق فازی برای سازگاری 5. نتایج شبیه سازی و عملکرد الگوریتم توسعه یافته 6. نتیجه گیری

چکیده – سیستم های گرمایشی و تهویه مطبوع (HVAC) بخش مهمی از مصرف انرژی بخش خانگی در آمریکای شمالی را به خود اختصاص داده اند. ترموستات های قابل برنامه ریزی به طور گسترده ای برای کنترل اتوماتیک سیستم های HVAC خانگی مورد استفاده قرار می گیرند در حالی که کاربران نیز ترجیحات و زمان بندی های روزانه خود را بر طبق آن اولویت بندی می کنند. هدف اصلی شبکه های هوشمند مشخص کردن قیمت های متغیر با زمان برای تشویق مشتریان به کاهش مصرف در طول تقاضای بالای برق می باشد. با این حال، این موضوع برای مشتریان بخش خانگی مشکل است تا به طور دستی ترموستات های شان را در پاسخ به قیمت های دینامیک برق یا شرایط محیطی که متغیر با زمان هستند برنامه ریزی کنند. علاوه بر این، فقدان سیستم های مدیریت انرژی مانند ترموستات هایی که قادر به یادگیری مستقل و سازگار با برنامه ها و اولویت های کاربران باشند، مانع اصلی استفاده از ترموستات ها به منظور ذخیره سازی انرژی و بهره مندی بهینه از نوآوری های شبکه های هوشمند می باشد. به منظور حال این مشکل، در این مقاله، یک راه حل مدیریت انرزی مستقل تطبیقی برای سیستم های HVAC خانگی ارائه شده است. در ابتدا، یک ترموستات مستقل با استفاده از سیستم یادگیری فازی تطبیقی نظارتی (SFLL)، قابلیت های سنسورهای بی سیم، و قیمت گذاری دینامیک برق ارائه شده است. در مواردی که کاربر می تواند تصمیمات اتخاذ شده توسط سیستم مستقل را نادیده بگیرد، یک مدل منطق فازی تطبیقی (AFLM) به منظور تشخیص، یادگیری و اتخاذ با اولویت های جدید کاربران ارائه شده است. علاوه بر این، به منظور شبیه سازی یک ساختمان مسکونی انعطاف پذیر، یک شبیه ساز انرژی خانگی مجهز به سیستم HVAC، ترموستات و اندازه گیر هوشمند در محیط Matlab-GUI توسعه یافته است. نتایج نشان می دهند که ترموستات مستقل توسعه یافته می تواند دمای تنظیمی روز بدون هیچ گونه تعامل با کاربران را تنظیم کرده و به موازات آن انرژی و هزینه را بدون آسیب رسیدن به آسایش کاربران صرفه جویی کند. علاوه بر این، نتایج نشان می دهند که اگر هرگونه تغییری در برنامه و اولویت های کاربران رخ دهد، AFLM با تغییرات جدید وفق یافته و جنبه های حفاظتی انرژی را نادیده می گیرد.

Heating, Ventilation and Air Conditioning (HVAC) systems represent a significant portion of total residential energy consumption in North America. Programmable thermostats are being used broadly for automatic control of residential HVAC systems while users initialize their everyday schedules and preferences. The main aim of smart grid initiatives such as time-varying prices is to encourage consumers to reduce their consumption during high electricity demand. However, it is usually a hassle to residential customers to manually re-programme their thermostats in response to dynamic electricity prices or environmental conditions that vary over time. In addition, the lack of energy management systems such as thermostats capable of learning autonomously and adapting to users’ schedule and preference changes are major obstacles of existing thermostats in order to save energy and optimally benefit from smart grid initiatives. To address these problems, in this paper an adaptable autonomous energy management solution for residential HVAC systems is presented. Firstly, an autonomous thermostat utilizing a synergy of Supervised Fuzzy Logic Learning (SFLL), wireless sensors capabilities, and dynamic electricity pricing is developed. In the cases that the user may override the decision made by autonomous system, an Adaptive Fuzzy Logic Model (AFLM) is developed in order to detect, learn, and adapt to new user’s preferences. Moreover, to emulate a flexible residential building, a ‘house energy simulator’ equipped with HVAC system, thermostat and smart meter is developed in Matlab-GUI. The results show that the developed autonomous thermostat can adjust the set point temperatures of the day without any interaction from its user while saving energy and cost without jeopardizing user’s thermal comfort. In addition, the results demonstrate that if any change(s) occurs to user’s schedules and preferences, the developed AFLM learns and adapts to new modifications while not ignoring energy conservation aspects.