اپلیکیشن پلت فرم منبع باز برای ساختمان های هوشمند و کنترل های شبکه هوشمند

Open source platform application for smart building and smart grid controls

چکیده
1- مقدمه
2- پژوهش‌های مرتبط و مقاله‌های کمکی
3- معماری نصب
4- یوزکیس ها
5- نتایج و بحث
6- نتیجه گیری و چشم انداز
تامین مالی
اعلام منافع رقابت
قابلیت دسترسی داده
قدردانی
منابع

چکیده
در این پژوهش، یک دستگاه عامل منبع باز بر اساس چارچوب نرم افزاری FIWARE و دیگر مولفه های منبع باز استفاده می شود تا کنترل آزمایشی ابری روی دو یوزکیس از دامنه‌های ساختمان هوشمند و شبکه هوشمند صورت گیرد. تمامی ارتباطات میان دستگاه عامل و لایه میدانی از طریق اینترنت عمومی برقرار می شود و بنابراین اقداماتی نظیر رمزنگاری، تأیید هویت و مجوزدهی نصب می‌شوند. در یوزکیس اول، دمای تأمین یک مدار حرارتی معمولی کنترل می شود زیرا وظیفه‌ای مرسوم در دستگاه های انرژی ساختمان می‌باشد. در یوزکیس دوم، توازن توان یک شبکه کوچک شبیه‌سازی شده توسط دستگاه های اندازه‌گیری فازور با بهره گیری از یک کنترلگر، مورد بررسی قرار می‌گیرد تا استحکام شبکه نیز حفظ شود. مناسبیت دستگاه عامل با بهره گیری از مقرراتی که از منابع ادبی بدست آمده، اعتبارسنجی می شود. این دستگاه عامل قابل استفاده در هر دو مورد ذکر شده است. اگرچه محدودیت ها و زمینه‌های بالقوه جهت بهبود اظهار شده است.

2- پژوهش‌های مرتبط و مقاله‌های کمکی
در این قسمت، مفهوم حقیقی FIWARE توصیف شده و سپس پژوهش‌های کنونی که از راه‌حل‌هایی بر مبنای FIWARE استفاده می‌کنند بیان می شود. نهایتا، طبق نواحی ضعف شناسایی شده، مقالات کمکی مرتبط با این زمینه بیان می شود.

2-1 FIWARE
FIWARE بعنوان یک روش منبع آزادی است که از طریق اتحادیه اروپا به جهت «سرعت بخشیدن برای بهبود راه‌حل‌های هوشمند» برای زمینه‌های مختلف، فراهم می شود [۱۹]. نرم افزار FIWARE، با بهره‌گیری از ساختار نرم افزاری پیمانهار انعطاف‌پذیری زیادی را داراست، به همین دلیل می‌توان آن را برای یوزکیس‌ها سفارشی‌سازی کرد. FIWARE از پروتکل‌های معاوضه اطلاعات NGSI v2 [۱۲] و NEGSI-LD [۱۷] بهره می‌گیرد و واسطه‌های استانداردی از قبیل REST API را برای معاوضه اطلاعات با دستگاه های هوشمند و مؤلفه‌های نرم افزار یوزکیس قرار می‌دهد. ترکیبات نرم افزاری پیشنهادی در این نرم افزار «توانمند‌کننده‌های عمومی» نامگذاری می شود و می‌توان آنها را در لایه‌های مختلفی از جمله «مدیریت بافت هسته»، «پردازش متن، موفضای خالیی و مصورسازی»، «تعامل با سیستم‌های اینترنت اشیاء، رباتیک و شبکه‌های شخص ثالث» و نهایتا «مدیریت اطلاعات/رابط برنامه نویسی» تقسیم‌بندی کرد. می‌توان یک یا چند مؤلفه را از توانمندکننده‌های عمومی ارائه شده انتخاب و آن‌ها را به اقسام شخص ثالث یا خود نوشته مرتبط ساخت. نمای کلی از توانمندکننده‌های عمومی موجود و کد منبع در گیت‌هاب [۱۸] قابل استفاده است.

۲-۲ تحقیقات و برنامه های کارآمد بر مبنای FIWARE
در سال‌های اخیر، ثابت شد که چنین برنامه هایی و برنامه های کارآمد بر اساس نرم افزار‌های FIWARE، چارچوب مناسبی برای زمینه‌های مختلف نظیر کاربردهای کنترل کشاورزی [۳۲]، راهبری کشتی [۶۰]، کنترل سیستم انرژی‌های تجدیدپذیر [۶۱]، کنترل بر ماشین [۱۳] و کنترل ساختمان هوشمند هستند [۲۰،۳۳،۵۷،۵۹]. پوزو و همکاران [۴۳] بر روی موضوعات کنترل دسترسی و تاثیرش بر کارکرد معماری طبق FIWARE که از روش فناوری کانتینرسازی داکر1 مشتق شده‌، کار کردند. نویسندگان، شاخص‌های کارکرد امنیت و محافظت داده‌ای نرم افزار FIWARE را مورد برآورد قرار داده‌اند. بعلاوه، آنها پهنای باند، میزان استفاده از CPU و حافظه و مدت زمان تاخیر آن‌ها را برای این شاخص‌ها مورد بررسی قرار دادند. نتایج نشان می‌دهد که لایه‌های امن با بهره گیری از فریم ورک احزار هویتOAuth 2.0، تاثیری بر کارکرد سیستم ندارد.

یک طرح مجوز امنیتی برای اینترنت اشیا (IoT) دستگاه های خانه هوشمند

A security authorization scheme for smart home Internet of Things devices

چکیده

1 مقدمه

2 کارهای مربوطه

3 معماری سیستم

4 طراحی سیستم و اجرای آن

5 نتایج آزمایشی

6 جمع بندی

منابع

چکیده

     اینترنت اشیا (IoT) یکی از مهم ترین عوامل در بسیاری از زمینه های جامعه ما می باشد. IoT باعث می شود که ابعاد بسیار مهمی از زندگی ما مانند حمل و نقل، پرداخت، صنعت، حوزه های درمانی و حوزه های دیگر، هوشمند شوند. تعامل بین دستگاه ها و سیستم های ابری یکی از سناریو های رایج در استفاده از سیستم های IoT می باشد. از نقطه نظر امنیتی، هم کاربر و هم سیستم های هوشمند باید باعث شکل گیری یک کانال ارتباطات امن شود و توانایی شناسایی هویت دیجیتال را داشته باشد. در بیشتر موارد، استفاده از دستگاه های IoT نیازمند یک زیر ساختار موجود می باشد که مالک دستگاه نمی تواند آن را کنترل کند، مثلا در خانه های هوشمند. این سناریو نیازمند یک برنامه امنیتی مناسب برای می باشد که دستگاه های مختلف بتوانند از آن استفاده کنند و به صورتی باشد که بتوان آن را در سیستم های عامل و یا چارچوب های IoT موجود، یکپارچه سازی کرد. این مقاله یک برنامه تایید اعتبار سبک را برای کاربرد های IoT در خانه های هوشمند ارائه می کند که در آن دستگاه های مرتبط با سیستم ابری دستورهای ورودی را به تلفن هوشمند کاربر ارسال می کنند تا کاربر بتواند آن ها را تایید اعتبار کند. این معماری مبتنی بر دستگاه های کاربری می باشد و مشکلات امنیتی را در زمینه بستر های ابری غیر معتمد، رفع می کند.

کارهای مربوطه
     موبایل و دستگاه های تعبیه شده، هر دو نیازمند سیستم های تایید مجوز قوی هستند تا بتوان از آن ها در زمینه هایی که از نظر امنیتی مهم هستند، استفاده کرد. با وجود این که مکانیزم های اعتبار سنجی مختلفی وجود دارد که برای دستگاه هایی که از نظر منابع محدودیت دارند میتوان از آن ها استفاده کرد، اما راه کار های استاندارد مورد قبول توسعه دهنده های نرم افزاری و تولید کننده های سخت افزاری، هنوز کم می باشد [6]. لیندمن و همکارانش یک پروتکل اعتبار سنجی سراسری را ارائه کرده اند که با نام FIDO شناخته می شود و یک مکانیزم تایید اعتبار بدون کلمه عبور را فراهم می کند. این پروتکل به صورت گسترده توسط سازمان های مختلف مورد استفاده قرار می گیرد و سهم بازاری خوبی دارد. این سیستم FIDO به عنوان یک مکانیزم تایید مجوز مرتبه اول مورد استفاده قرار می گیرد و از کلید های رمز نگاری شده به جای کلمه عبور استفاده می کند. این کلید های رمز نگاری FIDO در ماژول تایید اعتبار با نام مجوز دهنده ذخیره سازی می شود و این ماژول توسط کاربر با معیار های زیستی ( مانند اثر انگشت یا …) و یا با مکانیزم های امنیتی دیگر، قفل گشایی می شود.

     با وجود این حقیقت که FIDO برای رفع مشکلات امنیتی در تلفن های هوشمند طراحی شده است، این پروتکل برای دستگاه های IoT نیز مورد استفاده قرار می گیرد. به عنوان مثال هانس شوفینگ در [7] این عقیده را مطرح می کند که یک معماری FIDO را میتوان در شبکه های IOT مورد استفاده قرار داد. در این مقاله ، مهم ترین الگوهای طراحی IoT ارائه شده است: ارتباطات مبتنی بر سیستم های ابری و ارتباطات بر اساس ناحیه محلی. این نویسنده یک معماری امنیتی را ارائه می کند که در آن کاربران می توانند با استفاده از پروتکل های واحد، مجوز استفاده از دستگاه های ابری را تایید کنند. آخرین طرح از OAuth همراه با پروتکل FIDO مورد استفاده قرار می گیرد. در مرجع شماره [8]، یون میون و بایک جونگون یک معماری امنیتی IoT را طراحی کرده است که در آن دستگاه های IoT نقطه نهایی با استفاده از پروتکل های FIDO ، تایید اعتبار درگاه های IoT را انجام میدهد. این کار همچنین بر اهمیت امنیت توسط اصول طراحی در توسعه یک نرم افزار IoT تاکید دارد.

پژوهش پروتکل های استاندارد شده برای اینترنت اشیا (IOT)

Survey of Standardized Protocols for the Internet of Things

چکیده

1. مقدمه

2. پروتکل های لایه برنامه

3. پروتکل های کشف سرویس

4. پروتکل های زیرساخت

5. ادغام بین پروتکل های برنامه

6. مورد استفاده: خانه هوشمند

7. نتیجه گیری ها

منابع

چکیده

     اینترنت اشیا یک فناوری در حال رشد است که در حوزه های متعددی از جمله خانه های هوشمند تا سلامت و صنایع در حال توسعه است. از دیدگاه فناورانه، اینترنت اشیا توسعه پروتکل ها و سناریوهای جدید را امکان پذیر می سازد چرا که مجموعه پروتکل های استاندارد شبکه نمی تواند با تعداد رو به رشد دستگاه های متصل و داده های ارسالی مواجه شود. هدف این مقاله ارائه پروتکل های استاندارد متعدد در سطوح مختلف شبکه است که به طور ویژه برای دستگاه های تعبیه شده با حافظه کم، توان پردازشی پایین و نرخ داده پایین توسعه داده شده است. ما همچنین سناریو خانه هوشمند را پیشنهاد می دهیم که تنها از پروتکل های استاندارد شده اینترنت اشیا استفاده می کند.

پروتکل های لایه برنامه

     لایه برنامه سرویس هایی را ارائه می کند که کاربران به آن ها نیاز دارند. این پروتکل ها اطلاعات بین دروازه ها در شبکه های محلی و اینترنت را مدیریت می کنند، کاربران را با آخرین داده های به دست آمده به روز می کنند و دستورات را از برنامه ها به دستگاه های انتهایی منتقل می کنند.

پروتکل CoAP

     امروزه ها برنامه ها مبتنی بر معماری Web هستند و از HTTP برای دستیابی به اطلاعات یا آپدیت ها استفاده می کنند. این مبتنی بر سبک معماری انتقال وضعیت نمایشی (REST) است که از منابع در دسترس از طریق URIها استفاده می کند. HTTP برای دستگاه های IoT کوچک نسبتاً پیچیده است، بنابراین پروتکل جدیدی مبتنی بر REST توسط کارگروه IETF CoRE مشخص شده است. این پروتکل، پروتکل محدود برنامه (CoAP) نامیده می شود که یک پروتکل انتقال وب است که داده ها را بین سرورها و کلاینت ها مبادله می کند [1].

     این پروتکل از UDP به جای TCP در لایه انتقال استفاده می کند و یک “لایه پیام” را برای کار با ارسال های مجدد تعریف می کند. شکل 1 هدر CoAP را نشان می دهد که دارای طولی است که از 4 تا حداکثر 16 بایت متغیر است [2]. دو بیت اول یعنی “Ver” نشان دهنده نسخه CoAP است که در حال حاضر برابر 1 تعیین می شود؛ این بیت ها نسخه فعلی را تعریف می کند و مقادیر دیگر برای آینده رزرو می شوند. فیلد بعدی یعنی T نوع تبادل است که یک اینتجر دو بیتی است و مقادیر ممکن آن به این صورت است: صفر برای پیام قابل تایید، 1 برای غیر قابل تایید، 2 برای تصدیق و 3 برای پکت های ریست. OC، Option Count است که به تعداد گزینه های تعیین شده در یک پکت اشاره دارد. Code یک اینتجر 8 بیتی است که به یک کلاس سه بیتی و یک بخش 5 بیتی تقسیم می شود. این کلاس می تواند یک درخواست (صفر)، یک پاسخ موفق (2)، یک پاسخ خطای کلاینت (4) یا یک پاسخ خطای سرور (5) را نشان دهد. کد 0.00 به معنای یک پیام تهی است. همچنین Message ID برای شناسایی تکراری ها و تطبیق پکت ها از نوع Acknowledgement/Reset با پکت هایی از نوع Confirmable / Non-Confirmable مورد استفاده قرار می گیرد. مقادیر Token برای الصاق درخواست ها به پاسخ ها مورد استفاده قرار می گیرند. این با یک صفر یک بیش از یک Option همراه است. اگر یک Payload وجود داشته باشد، آنگاه یک نشانگر پیشوند (oxFF) برای تفکیک دو فیلد آخر وجود دارد [3].

برنامه ریزی اقتصادی و زیست محیطی خانه های هوشمند با میکروگرید: عملکرد DER و وظایف الکتریکی

Economic and environmental scheduling of smart homes with microgrid: DER operation and electrical tasks

چکیده

۱. مقدمه

۲. توصیف مشکل

۳. فرمول بندی ریاضی

۳.۱ محدودیت های ظرفیت

۳.۲ محدودیت های ذخیره ی انرژی

۳.۳ تعادل انرژی

۳.۴ زمان شروع و زمان پایان

۳.۵ شارژ پیک تقاضا

۳.۶ شارژ تقاضا

۳.۷ اهداف

۳.۸ روش محدودیت- با دو هدف

۴. مطالعه ی موردی

۵. نتایج محاسباتی

۵.۱ محیط محاسباتی

۵.۲ منحنی های پاراتو

۵.۳ تعادل انرژی

۵.۴ تقاضاهای کل و تقاضاهای پیک در طرح های قیمت مختلف

۶. نتیجه گیری

چکیده

ریزشبکه ها در مقایسه با سیستم های تولید انرژی مرکزی شده ی فعلی، تکنولوژی نوید دهنده ای در کاهش مصرف انرژی و انتشار کربن هستند. خانه های هوشمند به خاطر هزینه ی پایین تر انرژی و فراهم کردن آلودگی در حال محبوب شدن هستند. وظایف خانوار با مصرف انرژی انعطاف پذیر می تواند به صورت هماهنگ در میان چندین خانه ی هوشمند به منطور کاهش هزینه های اقتصادی و CO2 برنامه ریزی شود. با این حال، تعرفه ی برق همیشه به صورت مثبت با شدت CO2 در ارتباط نیست. در این کار، مدل برنامه ریزی خطی یکپارچه ی ترکیبی (MILP) برای برنامه ریزی مصرف انرژی در خانه های هوشمند با استفاده از یک سیستم ریزشبکه پیشنهاد شده است. وضایف مصرف انرزي روزانه با استفاده از جفت کردن قابلیت تحمل زیست محیطی و اقتصادی در بهینه سازی چند منظوره با روش محدودیت- برنامه ریزی شده است. دو موضوع ناسازگار عبارتند از به حداقل رساندن هزینه ی انرژی روزانه و انتشار CO2. عملیات منابع انرژی توزیع شده (DER) و وظایف خانوار برق-مصرف بر اساس تعرفه ی برق، شدت CO2 و پنجره ی زمان وظایف برقی برنامه ریزی شده اند. مدل پیشنهادی در ساختمان های هوشمند ۳۰ خانه در سه طرح قیمت مختلف اجرا شده است. تعرفه ی برق و مشخصات انتشار CO2 انگلستان برای مطالعه ی موردی به کار گرفته شده است. منحنی های پراتو برای هزینه و انتشار CO2 تبادل بین دو موضوع ناسازگار را نشان می دهد. 

۱- مقدمه

به دلیل کاهش منابع طبیعی سوخت های فسیلی و گرم شدن جهانی، کاهش هزینه ی انرژی و الودگی دو مساله ی محبوب جهانی هستند. هدف برنامه ریزی تغییر اقلیم انگلستان، کاهش ۸۰٪ انتشار کربن تا سال ۲۰۵۰ بر اساس قرارداد تغییر اقلیم سال ۲۰۰۸ است. به طور خاص، در بریتانیا بخش انرژی مسئول بیشترین میزان انتشار گازهای گلخانه های در اتمسفر است (برای مثال ۳۰٪). در حال حاضر، سیستم های تامین برق عموما مبتنی بر چند کارخانه ی نسبتا بزرگ هستند که از سوخت های فسیلی استفاده می کنند و در محل های مرکزی کار می کنند. سپس برق از طریق شبکه های توزیع و انتقال به کاربران نهایی می رسد. سیستم های متمرکز تلفات انرژی کلی ۶۵٪ یا بیشتر را نشان می دهند که شامل تلفات در طول تولید انرژی، انتقال و توزیع است. 

۶- نتیجه گیری

یک مدل MILP برای برنامه ریزی مصرف انرژی خانه های هوشمند دریون یک ریزشبکه پیشنهاد شده است. حداقل سازی های زیست محیطی و اقتصادی در یک بهینه سازی چند منظوره با روش محدودیت- پرداخته شده اند. مدل در یک مطالعه ی موردی از ۳۰ خانه ی هوشمند با عادات زندگی مشابه تحت سه طرح قیمت اجرا شده است. ۱۲ کار خانگی برقی با یکدیگر با عملیات DER در یک ریز شبکه ی اشتراکی برنامه ریزی شده اند. فرض شده است که تعرفه ی برق و شدت انتشار CO2 برای برنامه ریزی بهینه ی خانه های هوشمند موجد باشد. مشخصات داده برای یم روز تابستانی معمول در بریتانیا استفاده شده است. نتایج بهینه با تبادلات بین هزینه ی اقتصادی و انتشارات زیست محیطی به دست امده است. 

Abstract

Microgrids are promising in reducing energy consumption and carbon emissions, compared with the current centralised energy generation systems. Smart homes are becoming popular for their lower energy cost and provision of comfort. Flexible energy-consuming household tasks can be scheduled co-ordinately among multiple smart homes to reduce economic cost and CO2. However, the electricity tariff is not always positively correlated with CO2 intensity. In this work, a mixed integer linear programming (MILP) model is proposed to schedule the energy consumption within smart homes using a microgrid system. The daily power consumption tasks are scheduled by coupling environmental and economic sustainability in a multi-objective optimisation with ε-constraint method. The two conflicting objectives are to minimise the daily energy cost and CO2 emissions. Distributed energy resources (DER) operation and electricity-consumption household tasks are scheduled based on electricity tariff, CO2 intensity and electricity task time window. The proposed model is implemented on a smart building of 30 homes under three different price schemes. Electricity tariff and CO2 intensity profiles of the UK are employed for the case study. The Pareto curves for cost and CO2 emissions present the trade-off between the two conflicting objectives.

1- Introduction

Due to fossil fuels depletion and global warming, energy cost and pollution reduction are two worldwide popular issues [1]. The UK Climate Change Programming, for example, aims to cut down 80% of carbon emissions by 2050 based on Climate Change Act 2008 [2]. In particular, in UK the energy sector is responsible of the highest amount of greenhouse gases to the atmosphere (i.e. 30%) [3]. At present, electrical supply systems are mainly based on relatively few large plants using conventional fossil fuels and operating in central locations. The power is then distributed to the final user via distribution and transmission networks. Centralised systems show overall energy losses of 65% or more, including losses during electricity generation, transmission and distribution [4].

6- Concluding remarks

An MILP model has been proposed to schedule the energy consumption of smart homes within a microgrid. Both environmental and economic minimisations are addressed in a multi-objective optimisation with e-constraint method. The model has been implemented on a case study of 30 smart homes with the same living habits under three price schemes. Twelve domestic electrical tasks are scheduled together with DER operation in the shared microgrid. Electricity tariff and CO2 emission intensity are assumed to be available for the optimal scheduling of the smart homes. Data profiles for a typical summer day in the UK are applied. Optimal results with trade-off between economic cost and environmental emissions are obtained.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

برنامه ریزی اقتصادی و زیست محیطی خانه های هوشمند با میکروگرید: عملکرد DER و وظایف الکتریکی

Economic and environmental scheduling of smart homes with microgrid: DER operation and electrical tasks

سیستم مبتنی بر قانون برای تشخیص ناهنجاری های بهره وری انرژی در ساختمان های هوشمند، یک رویکرد داده کاوی

Rule-based system to detect energy efficiency anomalies in smart buildings, a data mining approach

چکیده
1- مقدمه
2- توضیحات ساختمان هوشمند و جمع کننده داده
2-1 شرح منابع داده ها
3- سیستم پشتیبانی تصمیم گیری مبتنی بر داده کاوی
3-1 پیش پردازش داده
الف- تغییرات عملیاتی شاخص کمپرسور HVAC OCC
ب- تعداد تغییرات رژیم عملیاتی کمپرسور هواکشی (ORCC):
3-3 سیستم مبتنی بر قاعده برای تشخیص ناهنجاری در مصرف انرژی
4-نتیجه و بحث
5-نتیجه گیری

چکیده
مصرف انرژی رو به رشد سریعِ جهان در حال حاضر نگرانیهایی را نسبت به فرسودگی منابع انرژی و اثرات زیست محیطی سنگین ایجاد کرده است. در نتیجه این نگرانی ها، گرایش و تمایلاتی نسبت به شهر های سبز و هوشمند افزایش یافته است. برای پاسخ دادن به این گرایشات افزایش شهرک های هوشمند با ساختمان ها هر بار پیچیده تر میشود، در این مقاله روش جدیدی برای حل مشکل تشخیص ناکارآمدی انرژی در ساختمان های هوشمند پیشنهاد شده است. این راه حل، یک سیستم مبتنی بر قاعده است که از طریق تکنیک های داده کاوی و استفاده از دانش کارشناسان بهره وری انرژی مورد استفاده قرار می گیرد. مجموعه ای از شاخص های کارآیی انرژی مفید نیز برای تشخیص ناهنجاری ها پیشنهاد شده است. سیستم استخراج داده ها از طریق دانش استخراج شده توسط یک مجموعه کامل از سنسورهای ساختمان طراحی شده است. بنابراین، نتایج این فرایند مجموعه ای از قوانینی است که به عنوان بخشی از سیستم پشتیبانی تصمیم برای بهینه سازی مصرف انرژی و تشخیص ناهنجاری ها در ساختمان های هوشمند استفاده می شود.

1- مقدمه
امروزه مصرف روز افزون انرژی در جهان منجر به بروز برخی مشکلات در زمینه عرضه، تخلیه منابع انرژی و اثرات زیست محیطی سنگین و نامطلوب شده است. در سرتاسر دنیا تغییرات در مصرف انرژِی در بخش های مسکونی، خدمات دولتی و تجاری با مصرف کل 56.9 درصد می باشد که 24 درصد انتشار دی اکسید کربن در جهان را شامل می شود. این تغییرات بر بهبود کارایی انرژی و بر مبنای استفاده از انرژی تجدید پذیر می باشد که در نهایت منجر به حداقل سازی مصرف انرژی می شود.
در حال حاضر تغییرات در زمینه EE بر حوزه های مختلفی متمرکز بوده است. در دهه اخیر، تحقیقات زیادی در خصوص بهینه سازی کارایی مصرف انرژی در ساختمان ها صورت گرفته است. پارامترهای به روز شده در زمینه تکنولوژی و هزینه ها به کاهش مصرف برق کمک می کنند. به همین دلیل، EE به دلیل کمبود منابع انرژی و اثرات زیست محیطی سنگین در انرژی جهانی به سرعت در حال افزایش است. فرصت های بزرگ برای بهبود بهره وری انرژی توسط آژانس بین المللی انرژی (DOE/EIA-0383, 2013) بیان شده است.
افزایش شهر های هوشمند در کنار ساختمان هوشمند و سبز روز به روز تشدید می شود. این منجر به به آغاز روند ساخت و ساز در آینده است (غفاریان حسینی و همکاران، 2013) مزایای این ساختمان ها شامل سطح بالایی از آسایش، راندمان بالا قدرت و محیط زیست است علاوه بر این، منابع انرژی تجدیدپذیر به عنوان منبع تغذیه اصلی ساختمان های هوشمند به منظور دستیابی به سازگاری با محیط زیست، آسایش و رفاه انرژی در ساختمان ها این الزامات مورد استفاده در مدیریت یک کنترل موثر در ساختمان به دست می آیند.
در حال حاضر، روند تحقیق در حال حاضر در EE در زمینه های مختلف تمرکز دارد. در دهه گذشته تحقیقات قابل توجهی در مورد بهینه سازی EE در ساختمان ها صورت گرفت برخی از روند از تصمیم گیری در مورد سرمایه گذاری به طراحی ساختمان اما روند اصلی متمرکز بر فن آوری های جدید مورد استفاده برای ساختمان های هوشمند است. در یک مقاله تاثیر فناوری نوآوری زیست محیطی برای بهبود EE در ساختمان های عمومی مورد مطالعه قرار گرفته است، یکی از روند های EE بر اساس بهینه سازی مصرف انرژی، حفظ سطح بالایی از سلامتی برای ساکنان است. در مقاله زو 2012 کاهش تقاضا براساس انحراف اقتصادی پیشنهاد شده است. همچنین، در مطالعه ادیسون 2012، مطالعات در بخش سوم و در ساختمان های بزرگ از طریق سیستم شبیه سازی متمرکز شده است.
سیستم پیشرفته ساختمان سازی پیشرفته (BAS) تبدیل به سنگ بنای ساختمان های هوشمند مدرن شده است. ادغام عوامل عرضه و تقاضای انرژی، که اغلب به عنوان مدیریت تقاضا (DSM) شناخته می شود، به یک مفهوم مهم سیاست انرژی تبدیل شده است (آزاده، صابری، قادری، گتیفوروز و ابراهیم فور، 2008). بسیاری از این پتانسیل را می توان از طریق سیاست هایی برای پیشرفت اجرای مدیریت انرژی و سیستم های کنترل (EMCS).
در مقاله نمت 2013 یکی از پیچیده ترین مشکلات مدیریت انرژی بهینه بر اساس متغیرهای محیط زیست در زمان واقعی ساختمان است. EMCS بهترین سیاست های انرژی برای ساختن زمان واقعی را با هدف اصلی حفظ راحتی در سطح بالا با حداقل مصرف برق در شرایط مختلف عملیات ارایه کرده است بنابراین، در حال حاضر گروه های تحقیق تلاش می کنند تا این مشکل را از دیدگاه های مختلف و با تکنیک های مختلف حل کنند (نگوین و ایلو، 2013). بعضی از مطالعات از اقدامات اساسی برای بهبود EE در ساختمان های تجاری (ائیسا 2011) به مدیریت پیچیده تر انرژی بر اساس مجموعه ای از قوانین یکپارچه شده در یک SCADA بر اساس کنترل پیش بینی شده از طریق یک سیستم عملکرد هزینه ( کوستا 2012) یک مدل چند هدفه مبتنی بر تصمیم گیرنده برای بهبود EE در ساختمان ها از طریق تکنیک های تصمیم گیری چند معیاره استفاده می شود. پیشنهاد دیگری در الدوارتل و همکاران در نظر گرفته شده است. (2012)، با یک مدل کنترل پیش بینی شده همراه با پیش بینی آب و هوا که به شما توصیه می کند چگونه کنترل سیستم های تهویه مطبوع در ساختمان هوشمند. راه حل های پیچیده تر بر اساس یک سیستم چند عامل (MAS) است. در مقاله پسا 2012 مصرف انرژی و معیارهای بدون محیط زیست، از طریق یک مدل چند هدفه با هدف سرمایه گذاری بهینه سازی شده است. در کلاین و همکاران (2012)، مدل بر اساس مدل تصمیم گیری مارکوف (MDM) است. و در یانگ و وان (2012)، MAS مبتنی بر رفتار رفتار ساکنان برای بهینه سازی مصرف انرژی و حفظ راحتی در سطح بالا مورد استفاده قرار می گیرد.
سایر تحولات تحقیقاتی راه حل های EE را از طریق شناسایی دانش از داده ها پیشنهاد می کنند. تجزیه و تحلیل داده ها و طبقه بندی برای پیش بینی میزان مصرف انرژی ساختمان یک تحلیل جالب از طراحی ساختمان انرژی با استفاده از تکنیک های DM ارائه شده است. همچنین، در یو، حقیقت، فونگ و ژو (2012)، نویسندگان پیشنهاد می کنند دانش را بر مبنای ارتباطات استخراج معادن بین ساختمان داده های عملیاتی، کشف کنند. با این حال، تجزیه و تحلیل مصرف انرژی در مرحله استفاده بسیار مهم است، و واضح است که ویژگی های ساخت و ساز ساختمان ها به طور قابل توجهی در طول عمر ساختمان تاثیر می گذارد. علاوه بر این، نحوه استفاده از امکانات در مرحله استفاده نیز در تعیین کارایی ساختمان بسیار مهم است در جریان تحقیقات فعلی EE، دیگر کارهای مشابه در تشخیص ناهنجاری های EE در ساختمان های هوشمند با استفاده از تکنیک های داده کاوی انجام نشد.
سیستم های مبتنی بر قاعده به طور سنتی در بهره وری انرژی، اجرای مدیریت انرژی و سیستم های کنترل، حتی در سناریوهای جدید ارائه شده توسط شبکه های هوشمند لیو 2012 به کار می رود. منابع متعددی در مورد سیستم مبتنی بر قاعده وجود دارند که از فرایند بهینه سازی بهره وری انرژی در ابعاد مختلف پشتیبانی می کنند و برخی از این منابع معمولا با روش های دیگر برای بهبود دقت و کارایی بهینه سازی ترکیب می شوند. SEMERGY.net یک محیط بهینه سازی مبتنی بر وب را پیشنهاد می کند که از کاربران در تصمیم گیری در مورد طرح های ساخت و ساز انرژی صرفه جویی می کند. این سیستم مبتنی بر یک سیستم مبتنی بر قاعده است که از هستی شناسی اطلاعات مربوط به محصول ساختمان مرتبط استفاده می کند. وانگ 2012 یک الگوریتم مبتنی بر قاعده برای کنترل گروه آسانسور پیشنهاد می کند که بر طراحی قوانین اعطای صرفه جویی در انرژی تمرکز دارد. بروک بارچ 2014 دو روش کنترل گرا برای بهبود کارایی انرژی در ساختمان های تجاری را مورد بررسی قرار دادند: کنترل کننده بازخورد مبتنی بر قاعده، با استفاده از اندازه گیری زمان اشغال در زمان واقعی و کنترل پیش بینی کننده مدل (MPC)، سیستم های چند عامل (MAS) فن آوری مربوط به RBS، چرا که هر عامل یک سیستم مبتنی بر قاعده را اجرا می کند. در این رابطه، ویلر و همکاران (2009) یک کاربرد واقعی MAS را برای هماهنگ کردن بخاری های الکتریکی ساختمان پیشنهاد دادند تا سطح راحتی را بهره وری انرژی در ساختمان در نظر بگیرند هاراتدو و همکاران (2014) پیشنهاد یک استراتژی کنترل عامل برای عملیات ساختمان ها، اجرای استراتژی تصمیم گیری مبتنی بر قاعده فازی برای نظارت و کنترل جریان انرژی در یک ساختمان داده است در نهایت، ری و همکاران 2012 یک مدل قاعدهی را پیشنهاد کرد که در آن قوانین میتوانند با توجه به بازخورد کاربر به صورت پویا به روزرسانی شوند و به موقعیتهای مختلف اعمال شوند تا از کارآیی انرژی و میزان راحتی کاربر پشتیبانی شود.
کار فعلی که در این مقاله شرح داده شده است در Project KnoholEM غوطه ور شده است، که به FP7 FP7-285229 KnoholEM) پیوسته است. محتویات اصلی پروژه KnoHolEM بر اساس یک راه حل مدیریت هوشمندانه انرژی بر پایه سه عنصر اصلی استوار است: تکنیک های مدل سازی دانش و پایگاه دانش، اعتبار سنجی گسترده ای در مورد اشیاء مختلف تظاهرات برای افزایش پایگاه دانش و همچنین اجرای سخت افزار انرژی سیستم مدیریت. بعضی از مهمترین اهداف پروژه KnoHolEM یک مدل ساختاری کارآمد انرژی است، یک مدل رفتار سازمانی خاص که توسط یک هستیشناسی خاص و یک روش داده کاوی برای تجزیه و تحلیل مصرف انرژی دقیق در زمان واقعی تکمیل شده است.
هدف اصلی این مقاله بهینه سازی مصرف انرژی در یک ساختمان هوشمند، کاهش مصرف انرژی، حفظ درجه بالای راحتی و سازگاری با محیط زیست از طریق رویکرد داده کاوی است. برای این منظور یک سیستم شاخصهای کارایی مصرف انرژی و یک سیستم مبتنی بر قاعده ارایه می شود این سیستم ها پس از یک فرایند DM برای استخراج دانش پنهان در داده های تاریخی و متخصصان کارایی مصرف انرژی اجرا می شوند. امروزه در مرحله ازمایشی و به لطف پیشرفت های انجام شده، هدف اصلی تلفیق این چارچوب در یک نرم افزار EE موسوم به یوژن، مالک کمپانی ISOTROL است.
مقاله به شرح زیر است: در بخش 2، توضیحات ساختمان هوشمند و منابع داده ارائه شده است. شرح منابع داده ها به سه بخش تقسیم می شود: سنسورهای داخلی، سنسورهای در فضای باز و در نهایت، آنالیزورهای انرژی. در بخش 3، DSS مبتنی بر داده کاوی برای افزایش بهره وری انرژی در ساختمان پیشنهاد شده است. این به سه بخش تقسیم می شود: پیش پردازش داده ها (تمیز کردن، فیلتر کردن و تبدیل)، توضیحات شاخص های بهره وری انرژی و در نهایت سیستم مبتنی بر قاعده برای تشخیص ناهنجاری ها در ساختمان هوشمند. در بخش 4، نتایج چارچوب به دست آمده از ساختمان هوشمند ارائه شده است. بخش 5، اظهارات نهایی و خطوط پژوهشی آینده پیشنهاد شده است.
در کار مرتبط، یک مورد مطالعه پیشنهاد شده است. هدف اصلی این مطالعه مطالعه نحوه تشخیص ناهنجاریهای EE در ساختمان هوشمند به صورت خودکار و با کارایی بالا است. امروزه اکثر ساختمانها باید توسط کارشناسان EE مورد تجزیه و تحلیل قرار گرفته و رفتار ساختمان EE را تحلیل و درک کنند و از سوی دیگر سعی در تشخیص ناهنجاریهای EE داشته باشند.
در این مورد مطالعه یک سیستم است که قادر به تجزیه و تحلیل رفتار EE در یک ساختمان، شناسایی تمام انواع ناکارآیی EE و بررسی چگونگی اثربخشی را از طریق روش DM ارائه می دهد.

Abstract

The rapidly growing world energy use already has concerns over the exhaustion of energy resources and heavy environmental impacts. As a result of these concerns, a trend of green and smart cities has been increasing. To respond to this increasing trend of smart cities with buildings every time more complex, in this paper we have proposed a new method to solve energy inefficiencies detection problem in smart buildings. This solution is based on a rule-based system developed through data mining techniques and applying the knowledge of energy efficiency experts. A set of useful energy efficiency indicators is also proposed to detect anomalies. The data mining system is developed through the knowledge extracted by a full set of building sensors. So, the results of this process provide a set of rules that are used as a part of a decision support system for the optimisation of energy consumption and the detection of anomalies in smart buildings.

1- Introduction

Nowadays, the growing world energy use has already raised concerns over supply difficulties (Belussi, & Danza, 2012), exhaustion of energy resources and heavy environmental impacts (PérezLombard, Ortiz, & Pout, 2008; Rashid et al., 2011). Worldwide trends in energy consumption in residential, public services and commercial sectors with a total consumption of 56.9% (EIA, 2013), which constitutes 24% of the world’s CO2 emission (Day, Jones, & Turton, 2013), are basically focused on improving the Energy Efficiency (EE), based on renewable energy use and systems that minimises the energy consumption.

Currently, there are many international organisations sponsoring initiatives to encourage the development of technologies in this area (de Alegría Mancisidor, Díaz de Basurto Uraga, Martínez de Alegría Mancisidor, & Ruiz de Arbulo López, 2009; EEA 225, 2013); International Energy Agency (IEA), U.S. Department of Energy – Energy Information Administration (DOE/EIA), Energy European Commission (EEC), Organism for Economic Co-operation and Development (OECD) have taken steps to facilitate and improve developments in this area with directives like Directive 2012/27/EU on energy efficiency (EU) or Executive Order (E.O.) 13514; Federal Leadership in Environmental, Energy, and Economic Performance; October, 2009(DOE/EIA).

The updated technology and cost parameters have possibly contributed to lower electricity consumption. Therefore, EE is rapidly increasing in world energy due to the exhaustion of energy resources and heavy environmental impacts. Substantial opportunities to improve energy efficiency have been expressed by the International Energy Agency (IEA) (DOE/EIA-0383, 2013). The increase of smart cities (Lazaroiu, & Roscia, 2012; Yamagata, & Seya, 2013), smart and green building (Chou, Chua, Ho, & Ooi, 2004; Djevic, & Dimitrijevic, 2009; Singh, & Tiwari, 2010; GhaffarianHoseini, Dahlan, Berardi, GhaffarianHoseini, Makaremi, et al., 2013; Vadiee, & Martin, 2013) this is becoming the beginning of the future building construction trend (GhaffarianHoseini et al., 2013). The advantages of these buildings include a high level of comfort, high power efficiency, and environmental friendliness (Dounis, & Caraiscos, 2009; Day et al., 2013; Martin, Hernandez, & Valmaseda, 2015). Besides, the renewable energy sources utilised as the main power supply of the smart buildings (Omer, 2008; Xia, Zhu, & Lin, 2008; Tsiamitros et al., 2014; Gul & Patidar, 2015) help to reach an environmental friendliness, highlevel comfort and power efficiency in buildings. These requirements used to be reached managing an effective control in the building.

At the present, current research trends in EE are focused on various scopes. In the last decade, there was considerable research concerning optimisation of EE in buildings (Weng, & Agarwal, 2012). Some trends go from building investment decision (Malatji, Zhang, & Xia, 2013) to building design (Pacheco, Ordóñez, & Martínez, 2012), but the main trend is focused on new technologies applied to smart buildings. In Noailly (2012), the impact of environmental innovation technologies to improve EE in general buildings are studied, and (Andrews, & Krogmann, 2009) specifically for commercial buildings. Another trend in EE is based on optimising the energy consumption keeping a high level of wellbeing for the occupants. In Ma, Qin, Salsbury, and Xu (2012), a demand reduction based on an economic slant is proposed. Also, in Marinakis, Doukas, Karakosta, and Psarras (2013) the studies are focused on tertiary sector and in large buildings through a simulation system (Colmenar-Santos, Terán de Lober, Borge-Diez, & Castro-Gil, 2013).

The increasing sophisticated Building Automation System (BAS) (Marinakis, Karakosta, Doukas, Androulaki, & Psarras, 2013) has become the cornerstone of modern intelligent buildings. Integrating energy supply and demand factors, often known as DemandSide Management (DSM) has become an important energy efficiency policy concept (Azadeh, Saberi, Ghaderi, Gitiforouz, & Ebrahimipour, 2008). Much of this potential can be captured through policies for the advancement of the implementation of energy management and control systems (EMCS).

In EMCS (Haberl, Sparks, & Culp, 1996; Altwies, & Nemet, 2013), one of the most complex problems is the optimal energy management according to real-time environmental variables of the building. The EMCS manages the best energy policies for building in real time with the main goal of keeping the high-level comfort with the minimum power consumption in different operating conditions (Kolokotsa, Kalaitzakis, Antonidakis, & Stavrakakis, 2002; Dounis, & Caraiscos, 2009, Pang, Wetter, Bhattacharya, & Haves, 2012). Thus, at present, research groups works try to solve this problem from different points of view and with different techniques (Nguyen, & Aiello, 2013). Some studies go from basic actions to improve the EE in commercial buildings (Escrivá-Escrivá, 2011) to more sophisticated energy management based on a set of rules integrated in a SCADA based on predictive controller through a cost function system (Figueiredo, & Sá da Costa, 2012). In (Diakaki, Grigoroudis, & Kolokotsa, 2008; Diakaki et al., 2010), a multi-objective model based on a decision maker to improve the EE in buildings through multi-criteria decision analysis techniques are applied. Another proposal is considered in Oldewurtel et al. (2012), with a predictive control model joined with a weather forecast that advise how to control HVAC in the smart building. More complex solutions are based on a multi-agent system (MAS). In Doukas, Nychtis, and Psarras (2009), the energy consumption and the environment friendless criteria have optimised through a multi-objective model with the purpose of the investment. In Klein et al. (2012), the model is based on a Markov Decision Model (MDM). And in Yang, and Wan, (2012), an MAS based on building occupant behaviours is employed for an optimisation of energy consumption and maintaining high-level comfort.

Other research trends propose EE solutions through knowledge discovery from the data. A data analysis and classification to predict the energy consumption of the building is proposed in (Li, Bowers, & Schnier, 2010). In (Kim, Stumpf, & Kim, 2011; Capozzoli, Lauro, & Khan, 2015), an interesting analysis of energy efficient building design through DM techniques is provided. Also, in Yu, Haghighat, Fung, and Zhou (2012), the authors proposed discovering the knowledge based on mining associations between building operational data. However, the analysis of energy consumption at the use stage is very important, and it is obvious that the construction characteristics of the buildings strongly affect consumption during the life cycle of the building. Furthermore, the way in which the facilities are used during the use stage is also very important when determining the efficiency of the building (Yu, Haghighat, Fung, Morofsky, & Yoshino, 2011; Domínguez et al., 2013). Within the current research trends in EE, other similar work done on EE anomalies detection in smart buildings using data mining techniques were not found. Most related papers found were (Li et al., 2010; Figueiredo & Sá da Costa, 2012; Oldewurtel et al., 2012; Yu et al., 2012).

Rule-based systems are traditionally useful in energy efficiency, implementing energy management and control systems, even in the new scenarios provided by smart grids (Liu et al., 2010). There are many references about rule-based system which support the energy efficiency optimisation process in different aspects, and some of these references usually are combined with other techniques to improve the accuracy and efficiency of the optimisation. SEMERGY.net (Fenz et al., 2014) proposed a web-based optimisation environment, which supports users in decision-making regarding energy-efficient building designs; this system is based on a rule-based system which uses an ontology of linked building product data.(Wang et al, (2012) proposed a rule-based algorithm for elevator group control, which focuses on design of dispatching rules for energy saving. Brooks and Barooah (2014) studied two control-oriented methods of improving energy efficiency in commercial buildings: rule-based, feedback controller that uses real-time occupancy measurements, and model predictive control (MPC). Multi-Agent Systems (MAS) are a technology related with RBS, because each agent implements a rule-based system. In this sense, Villar et al. (2009) proposed a real application of an MAS for coordinating the electrical heaters of a building in order to consider the comfort level and the energy efficiency in the building. Hurtado et al. (2014) proposed an agent-based control strategy for the operation of buildings, implementing a fuzzy rule based decision making strategy to monitor and control de energy flows in a building. Finally, Ryu et al. (2012) proposed a rule model where rules could be dynamically updated according to user feedback and applied to various situations, in order to maintain the energy efficiency and user comfort level.

The current work described in this paper is immersed in Project KnoholEM, adhered to FP7 (FP7-285229 KnoholEM). The main contents of Project KnoHolEM are based on an intelligent energy management solution relying on three main elements: knowledge modelling techniques and knowledge base, extended validation on various demonstration objects for the enhancement of the knowledge database, as well as on hardware implementation of the energy management system. Some of the most important objectives of the Project KnoHolEM are a functional energy-oriented building model, a specific building behavioural model completed by a building-specific ontology and a data-mining procedures for realtime detailed energy consumption analysis.

The aim of the present paper is to optimise the EE in a smart building, reducing energy consumption, keeping a high degree of comfort, and being environmentally friendly through a Data Mining (DM) approach. This work is focused on detecting EE anomalies in smart buildings. For this purpose, a system of Energy Efficiency Indicators (EEIs) and a Rule-based System is presented. These systems are carried out after a DM process to extract the knowledge hidden in historical building data and EE experts. This knowledge is used in EEIs and a set of “best policies” that help experts to achieve the primary goal. Subsequently, the anomalies detected are corrected through a set of policies that regulate these anomalous behaviours, as shown in Fig. 1. Nowadays the prototype is in test phase, and thanks to the progress made in this field and the results offered, a future goal is to integrate this framework in commercial an EE software called Eugene, owner of ISOTROL Company.

The paper is organised as follows: in Section 2, the smart building description and data sources are presented. The data sources description is divided into three subsections: indoor sensors, outdoor sensors and finally, energy analysers. In Section 3, a data mining-based DSS to increase the energy efficiency at the building is proposed. It is divided into three subsections: the data pre-processing (cleaning, filtering and transformation), the Energy Efficiency Indicators description, and finally, the Rule-based System to detect anomalies in the smart building. In Section 4, the results of the framework obtained from the smart building are presented. Section 5, has concluding remarks and future research lines are proposed.

In the related work, a case of study is proposed. The main goal of this case of study is how to detect EE anomalies in smart building automatically and with high effectiveness. Nowadays, most of the building needs to be analysed by EE experts to on one hand, analyse and understand the EE building behaviour, and on other hand, try to detect EE anomalies. In this case of study a system which is able to analyse the EE behaviours of a building, detect all types of EE inefficiencies and check how of effective is proposed through a DM approach..

سیستم مبتنی بر قانون برای تشخیص ناهنجاری های بهره وری انرژی در ساختمان های هوشمند، یک رویکرد داده کاوی

Rule-based system to detect energy efficiency anomalies in smart buildings, a data mining approach

مصرف انرژی کارا و مدیریت عملیات در یک ساختمان دارای ریز شبکه

Efficient energy consumption and operation management in a smart building with microgrid

چکیده

1. مقدمه

2. شرح مسئله

3. مدل ریاضی

3.1 محدودیت ظرفیت

3.2 محدودیت های ذخیره سازی انرژی

3.3 خروجی ژنراتور باد

3.4 تعادل انرژی

3.5 زمان شروع و پایان

3.6 شار تقاضای اوج

3.7 تابع هدف

4. مثال های توضیحی

4.1 مثال 1: ساختمان هوشمند با 30 واحد با عادات زندگی مشابه

4.2 مثال 2: ساختمان هوشمند با 90 واحد و عادات زندگی متفاوت

5 . نتایج محاسبات

5.1 مثال 1: رویکرد های قیمت واقعی و تقاضای اوج

5.2 مثال 2: روش های قیمت گذاری تقاضای اوج و قیمت گذاری واقعی

5.3 مقایسه بین مثال 1 و مثال 2

6. نتیجه گیری

چکیده

ریز شبکه به عنوان یک ارائه کننده انرژی محلی برای ساختمان های مسکونی جهت کاهش هزینه های انرژی و انتشار گاز با استفاده از منابع انرژی توزیع شده عمل می کند (DER ها). پیشرفت های سریع در قابلیت های محاسبه و ارتباط موجب شده است تا مفهوم ساختمان های هوشمند قابل اجرا باشند. نیازی به انجام بیشتر عملیات مصرف انرژی خانگی در زمان مشخصی نبوده بلکه می توان آنها را در زمان مورد نظر انجام داد. در صورتی که این گونه وظایف در میان چندین خانه قابل سازمان دهی باشد به طوری که به شکل همزمان رخ نداده و در عین حال نیاز های مشتریان را برآورده سازند، می توان هزینه انرژی و تقاضای بیشینه انرژی را کاهش داد. در این مقاله، زمان بندی بهینه مصرف انرژی خانه های هوشمند با استفاده از یک مدل برنامه ریزی خطی عدد صحیح مختلط (MILP) مطالعه می شود. به منظور حداقل شدن هزینه مصرف انرژی پیش بینی شده 1 روزه، عملیات DER و وظایف مصرف برق خانگی بر اساس قیمت گذاری واقعی برق، پنجره زمان وظیفه برق و خروجی انرژی تجدید پذیر پیش بینی شده زمان بندی می شوند. همچنین هزینه بیشینه تقاضا نیز جهت کاهش بیشینه تقاضا از شبکه در نظر گرفته شده است. دو مثال عددی در مورد ساختمان های هوشمند شامل 30 و 90 خانه با ریز شبکه خود نشان دهنده امکان صرفه جویی هزینه و کاهش بیشینه زمان بندی مصرف برق در طی مصرف انرژی و مدیریت بهتر عملیات DER است. 

1. مقدمه 

با توجه به افزایش تقاضای انرژی و افزایش انتشار گاز های گلخانه ای در سطح جهان، سیستم تولید متمرکز در معرض چالش قرار گرفته است. سیستم توزیع برق آینده به صورت یکپارچه و هوشمند بوده و به عنوان شبکه هوشمند شناخته می شود که شامل کنتور های پیشرفته دیجیتال، اتوماسین توزیع، سیستم های ارتباط و منابع انرژی توزیع شده است. کارکرد های مطلوب شبکه هوشمند شامل خود ترمیمی، بهینه سازی استفاده از سرمایه و کاهش عملیات ها و هزینه های نگهداری است. ریز شبکه به صورت یک شبکه انرژی موضوعی کوچک است که شامل بارها، سیستم کنترل شبکه و مجموعه ای از منابع انرژی توزیع شده (DER ها) مانند ژنراتور ها و دستگاه های ذخیره انرژی است. یک ریز شبکه می تواند در حالت شبکه متصل شده و یا جزیره ای هنگام وجود عیوب خارجی و یا ایجاد مزیت اقتصادی اجرا شود. یک ریز شبکه مجهز به عناصر هوشمند شبکه هوشمند جهت گسترش DER ها و برنامه های پاسخ تقاضا در سیستم های توزیع استفاده شده است که به عنوان شبکه هوشمند آینده در نظر گرفته می شود. ریزشبکه دارای یک رویکرد اقتصادی مقرون به صرف به دلیل عدم نیاز به خرید انرژی در طی دوره های اوج مصرف و کاهش مصرف کربن از طریق تولید کربن کم/ آلاینده کم و تولید انرژی و حرارت است که دارای کارایی انرژی بیشتری است. همچنین این رویکرد موجب ایجاد تقاضای انرژی امن و قابل اطمینان در طی دوره خاموشی به صورت یک سیستم تامین انرژی پشتیبانی است. 

6. نتیجه گیری

یک مدل MILP برای مصرف انرژی و مدیریت عملیات در ساختمان هوشمند با دو خانه پیشنهاد شده است.  دو مثال از 30 خانه با عادات زندگی مشابه و 90 خانه با عادات زندگی متفاوت برای یک روز زمستانی مطالعه شده اند. دوازده وسیله برقی خانگی و عملیات تجهیزات بر اساس پنجره های زمانی مشخص، قیمت های برق شبکه واقعی نیم ساعتی و شار اضافی تقاضای اوج جهت به دست آوردن حداقل هزینه و تقاضای انرژی زمان بندی شده اند. صرفه جویی قابل توجه در هزینه ها و بیشینه صرفه جویی تقاضا در هر دو مثال به دست آمده است. 

Abstract

Microgrid works as a local energy provider for domestic buildings to reduce energy expenses and gas emissions by utilising distributed energy resources (DERs). The rapid advances in computing and communication capabilities enable the concept smart buildings become possible. Most energy-consuming household tasks do not need to be performed at specific times but rather within a preferred time. If these types of tasks can be coordinated among multiple homes so that they do not all occur at the same time yet still satisfy customers’ requirement, the energy cost and power peak demand could be reduced. In this paper, the optimal scheduling of smart homes’ energy consumption is studied using a mixed integer linear programming (MILP) approach. In order to minimise a 1-day forecasted energy consumption cost, DER operation and electricity-consumption household tasks are scheduled based on real-time electricity pricing, electricity task time window and forecasted renewable energy output. Peak demand charge scheme is also adopted to reduce the peak demand from grid. Two numerical examples on smart buildings of 30 homes and 90 homes with their own microgrid indicate the possibility of cost savings and electricity consumption scheduling peak reduction through the energy consumption and better management of DER operation.

1. Introduction

Due to the increase of energy demand and rising global emissions of greenhouse gases, the current centralised generation system is challenged. The future electricity distribution system will be integrated, intelligent and better known as smart grid, which includes advanced digital metres, distribution automation, communication systems and distributed energy resources. The desired smart grid functionalities include self-healing, optimising asset utilisation and minimising operations and maintenance expenses [1]. Microgrid is a relatively small-scale localised energy network, which includes loads, network control system and a set of distributed energy resources (DERs), such as generators and energy storage devices. A microgrid can operate in either grid connected or islanded mode1 when there are external faults and/or to gain economic advantage. A microgrid equipped with intelligent elements from smart grid has been adopted to enable the widespread of DERs and demand response programs in distribution systems [2], which is considered as future smart grid. Microgrid has an economic incentive due to avoiding energy purchases during peak periods and creation of carbon benefits through low-carbon/low-pollutant generation and co-production of heat and power, which has higher energy efficiency. It also provides secure and reliable energy supply during serious blackout period as a back-up energy supplying system.

6. Concluding remarks

An MILP model has been proposed for energy consumption and operation management in a smart building with multiple smart homes. Two examples of 30 homes with same living habit and 90 with different living habits for a winter day have been studied. Twelve domestic electrical tasks and equipment operations are scheduled based on given time windows, real-time half-hourly grid electricity prices and peak demand extra charge to obtain the minimum cost and energy demand. Significant cost savings and peak demand savings have been achieved in both examples.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

مصرف انرژی کارا و مدیریت عملیات در یک ساختمان دارای ریز شبکه

Efficient energy consumption and operation management in a smart building with microgrid

سیستم PV-باتری برای ساختمان سبز هوشمند با استفاده از مبدل DC-DC همراه ترانسفورماتور

PV-Battery System for Smart Green Building using Transformer Coupled DC-DC Converter

• برای دانلود رایگان مقاله انگلیسی با فرمت pdf بر روی عنوان انگلیسی مقاله کلیک نمایید.
• برای خرید و دانلود ترجمه فارسی آماده با فرمت ورد، روی عنوان فارسی مقاله کلیک کنید.

کنفرانس بین المللی برق، سیستم های هوشمند و سیستم های انرژی – International Conference on Power Electronics, Intelligent Control and Energy Systems

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

سیستم PV-Battery برای ساختمان Smart Green با مبدل DC-DC ترانسفورماتور متصل شده

PV-Battery System for Smart Green Building using Transformer Coupled DC-DC Converter

• برای دانلود رایگان مقاله انگلیسی با فرمت pdf بر روی عنوان انگلیسی مقاله کلیک نمایید.
• برای خرید و دانلود ترجمه فارسی آماده با فرمت ورد، روی عنوان فارسی مقاله کلیک کنید.

روش یكپارچه فرآیند تحلیل سلسله مراتبی فازی – تحلیل پوششی داده های فازی (FAHP-FDEA) برای ارزیابی ساختمان های هوشمند

AN INTEGRATED FUZZY ANALYTIC HIERARCHY PROCESS-FUZZY DATA ENVELOPMENT ANALYSIS (FAHP-FDEA) METHOD FOR INTELLIGENT BUILDING ASSESSMENT

• برای دانلود رایگان مقاله انگلیسی با فرمت pdf بر روی عنوان انگلیسی مقاله کلیک نمایید.
• برای خرید و دانلود ترجمه فارسی آماده با فرمت ورد، روی عنوان فارسی مقاله کلیک کنید.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

روش یكپارچه فرآیند تحلیل سلسله مراتبی فازی – تحلیل پوششی داده های فازی (FAHP-FDEA) برای ارزیابی ساختمان های هوشمند

AN INTEGRATED FUZZY ANALYTIC HIERARCHY PROCESS-FUZZY DATA ENVELOPMENT ANALYSIS (FAHP-FDEA) METHOD FOR INTELLIGENT BUILDING ASSESSMENT

• برای دانلود رایگان مقاله انگلیسی با فرمت pdf بر روی عنوان انگلیسی مقاله کلیک نمایید.
• برای خرید و دانلود ترجمه فارسی آماده با فرمت ورد، روی عنوان فارسی مقاله کلیک کنید.

ساختار شبکه حسگر بی سیم با پیکربندی صفر برای ساختمان های هوشمند

Towards a Zero-Configuration Wireless Sensor Network Architecture for Smart Buildings

• برای دانلود رایگان مقاله انگلیسی با فرمت pdf بر روی عنوان انگلیسی مقاله کلیک نمایید.
• برای خرید و دانلود ترجمه فارسی آماده با فرمت ورد، روی عنوان فارسی مقاله کلیک کنید.

ساختار شبکه حسگر بی سیم با پیکربندی صفر برای ساختمان های هوشمند

Towards a Zero-Configuration Wireless Sensor Network Architecture for Smart Buildings

• برای دانلود رایگان مقاله انگلیسی با فرمت pdf بر روی عنوان انگلیسی مقاله کلیک نمایید.
• برای خرید و دانلود ترجمه فارسی آماده با فرمت ورد، روی عنوان فارسی مقاله کلیک کنید.

بکارگیری پروتکل های اتوماسیون خانگی برای نظارت بر ظرفیت ساختمان های هوشمند

Exploiting Home Automation Protocols for Load Monitoring in Smart Buildings

• برای دانلود رایگان مقاله انگلیسی با فرمت pdf بر روی عنوان انگلیسی مقاله کلیک نمایید.
• برای خرید و دانلود ترجمه فارسی آماده با فرمت ورد، روی عنوان فارسی مقاله کلیک کنید.

بکارگیری پروتکل های اتوماسیون خانگی برای نظارت بر ظرفیت ساختمان های هوشمند

Exploiting Home Automation Protocols for Load Monitoring in Smart Buildings

• برای دانلود رایگان مقاله انگلیسی با فرمت pdf بر روی عنوان انگلیسی مقاله کلیک نمایید.
• برای خرید و دانلود ترجمه فارسی آماده با فرمت ورد، روی عنوان فارسی مقاله کلیک کنید.