22214

طراحي سامانه‌ي هوشمندسازي ساختمان به وسيله‌ي فن‌آوري‌هاي IoT با هدف كاهش مصرف انرژي

كارشناسي ارشد

الكترونيك - ديجيتال

1398-1399

1399/2/11

دكتر علي صدر

برق

در دنياي امروز، با توجه به تقاضاي بالاي انرژي، اصلاح الگوي مصرف بحث بسيار مهمي است. در كشور ما به دليل آب و هواي نسبتا گرم در اكثر مناطق، فصل تابستان چالش‌هاي زيادي براي توليد برق به همراه دارد. هدف از اين پروژه، طراحي سامانه‌اي است كه الگوي مصرف كاربر را اصلاح كرده و در نتيجه ميزان هدررفت انرژي و فاصله‌ي پيك از مقدار متوسط مصرف را كاهش دهد. اين امر باعث كاهش هزينه‌هاي كاربر و همچنين كم شدن فشار بار بر روي شبكه‌هاي برق مي‌شود. طراحي اين سامانه با زبان Python و درمحيط PyCharm انجام مي‌شود. در اين پروژه چارچوبي سازگار براي پياده‌سازي بر روي برد Raspberry Pi طراحي شده است. با استفاده از شبكه‌هاي LSTM و داشتن 3 سال داده‌ي مصرف انرژي براي آموزش همچنين يك سال داده براي آزمودن شبكه، الگوي مصرف كاربر پيش‌بيني مي‌شود. براي عملكرد بهتر شبكه‌ي مورد نظر، داده‌هاي مجموعه داده‌ي مورد نظر بايد از پيش آماده‌سازي شوند و داده‌هاي از دست رفته بازيابي شوند. پس از دريافت ساعات پيك مصرف از شبكه‌ي توزيع نيرو و حذف آن از برنامه‌ي روزانه، سامانه بسته به نوع دستگاه متصل (قابل كنترل يا غير قابل كنترل بودن) دو روش (TLM و TM) را در پي مي‌گيرد. اساس كار سامانه در روش TM پيش‌بيني انجام شده توسط شبكه عصبي و اعلام نياز كاربر به دستگاه در ساعت مشخص است. در روش TLM از ارتباط سامانه با حسگرها و اجراي فرمان توسط فعال‌كننده‌ها استفاده شده است. در نهايت براي ارزيابي سامانه از الگوي مصرف موجود در مجموعه داده مربوط يك ساختمان در ايالات متحده و همچنين الگوي مصرف برق در اين كشور در تاريخ‌هاي تصادفي صورت گرفته است.

1399/02/27

Designing an Intelligent Building System by Using IoT Technologies to Reduce Energy Consumption

4/30/2020 12:00:00 AM

Nowadays, due to the high energy demand, modifying the consumption pattern is a very important debate. In our country, due to the relatively warm climate in most areas, the summer season presents many challenges for electricity generation. The purpose of this project is to design a system that modifies the user's consumption pattern and thus reduces the consumption curve amount. This reduces user costs and reduces the load on power grids. The design of this system is done in Python language and in the PyCharm environment and also deep learning models were trained in Google Colab cloud service. In this project, a compatible framework is designed to be implemented on the Raspberry Pi board. Using deep learning networks and having 3 years of consumption data for network training, user consumption patterns are predicted. For the best performance of the target network, the data set of the target dataset must be prepared and the missing data would be recovered. After receiving peak power consumption from the power distribution network and removing it from the daily schedule, the system follows two methods (TLM and TM) depending on the type of device (controllable or uncontrollable). The user will notify the system when his interact with device will be finished and may reject the device propose after it has been offered and the service would suggest another device. The TLM method uses the system to network with sensors and execute commands on connected objects.