چکیده

با افزایش شتاب تغییرات اقلیمی، گسترش استفاده از تجهیزات برقی و رشد روزافزون تقاضای انرژی، شبکه‌های برق در سراسر جهان با چالش‌های جدی در زمینه مدیریت بار، کاهش پیک مصرف و حفظ پایداری شبکه مواجه شده‌اند. بخش ساختمان، به‌ویژه ساختمان‌های مسکونی، سهم قابل توجهی از مصرف انرژی الکتریکی را به خود اختصاص می‌دهد و بخش عمده‌ای از این مصرف نیز به سامانه‌های گرمایش، سرمایش و تهویه مطبوع (HVAC) مربوط است. افزایش دمای زمین، فراگیر شدن استفاده از سیستم‌های سرمایشی و حرکت به سمت الکتریکی‌سازی تجهیزات گرمایشی باعث شده است که بار مصرفی ساختمان‌ها در ساعات اوج مصرف به شدت افزایش یابد. این موضوع علاوه بر تحمیل هزینه‌های اقتصادی بر مصرف‌کنندگان، شرکت‌های توزیع و تولید برق را نیز ناچار به سرمایه‌گذاری‌های سنگین برای توسعه ظرفیت تولید و انتقال انرژی می‌کند. در چنین شرایطی، استفاده از راهکارهای مدیریت سمت تقاضا به عنوان یکی از مهم‌ترین ابزارهای افزایش بهره‌وری شبکه برق مورد توجه محققان، سیاست‌گذاران و شرکت‌های برق قرار گرفته است.

در سال‌های گذشته، روش‌های متعددی برای کاهش بار اوج مصرف پیشنهاد شده‌اند که از جمله مهم‌ترین آن‌ها می‌توان به تعرفه‌های زمان‌مند برق، برنامه‌های پاسخگویی بار، کنترل مستقیم تجهیزات توسط شرکت‌های برق و استفاده از تجهیزات ذخیره‌سازی انرژی اشاره کرد. هرچند این روش‌ها در بسیاری از موارد نتایج قابل قبولی ارائه کرده‌اند، اما اغلب با محدودیت‌هایی مانند وابستگی زیاد به مشارکت فعال کاربران، هزینه بالای تجهیزات، کاهش رضایت مصرف‌کنندگان یا عدم قابلیت پیش‌بینی رفتار مشترکان مواجه هستند. در مقابل، گسترش استفاده از ترموستات‌های هوشمند فرصت مناسبی برای کنترل خودکار مصرف انرژی بدون نیاز به دخالت مداوم کاربران فراهم کرده است. این تجهیزات قادرند شرایط محیطی، الگوهای رفتاری کاربران و قیمت انرژی را به صورت هم‌زمان تحلیل کرده و تنظیمات دمایی ساختمان را به گونه‌ای تغییر دهند که ضمن حفظ آسایش حرارتی، مصرف انرژی نیز بهینه شود.

هدف اصلی این پایان‌نامه بررسی تأثیر اتوماسیون ترموستات‌های هوشمند و طراحی تعرفه‌های مختلف برق بر میزان انعطاف‌پذیری بار سرمایشی و گرمایشی ساختمان‌های مسکونی است. پژوهش تلاش می‌کند راهکاری ارائه دهد که بتواند میان سه عامل مهم یعنی آسایش حرارتی کاربران، کاهش هزینه برق و افزایش بهره‌وری شبکه تعادل برقرار کند. برای دستیابی به این هدف، یک چارچوب شبیه‌سازی جامع طراحی شده است که رفتار تعداد زیادی از ساختمان‌های مسکونی را در شرایط مختلف تعرفه‌ای و کنترلی مدل‌سازی می‌کند و امکان ارزیابی عملکرد سیاست‌های مختلف مدیریت مصرف را فراهم می‌آورد.

یکی از مهم‌ترین نوآوری‌های این پژوهش استفاده از الگوریتم‌های یادگیری تقویتی (Reinforcement Learning) برای کنترل هوشمند ترموستات‌ها است. برخلاف روش‌های سنتی که قوانین کنترلی از پیش تعیین‌شده‌ای دارند یا نیازمند مدل‌های دقیق ریاضی از ساختمان هستند، در این پژوهش عامل یادگیرنده به مرور زمان و از طریق تعامل با محیط، بهترین تصمیم را برای تنظیم دمای ساختمان فرا می‌گیرد. عامل هوشمند در هر گام زمانی با در نظر گرفتن قیمت برق، شرایط محیطی، وضعیت ساختمان و میزان آسایش ساکنان، مناسب‌ترین نقطه تنظیم دما را انتخاب می‌کند تا ضمن کاهش هزینه انرژی، آسایش کاربران نیز حفظ شود. این ویژگی باعث می‌شود کنترل سیستم برای هر ساختمان متناسب با ویژگی‌ها و ترجیحات واقعی ساکنان شخصی‌سازی شود.

برای ارزیابی عملکرد این روش، پژوهش از یک مدل پایین‌به‌بالا (Bottom-up Energy Modeling) جهت شبیه‌سازی مصرف انرژی ساختمان‌ها استفاده کرده است. این مدل قادر است ویژگی‌های فیزیکی ساختمان، شرایط اقلیمی، تجهیزات گرمایشی و سرمایشی، رفتار ساکنان و الگوهای مصرف انرژی را با دقت بالایی شبیه‌سازی کند. همچنین اطلاعات واقعی استخراج‌شده از ترموستات‌های هوشمند ecobee جهت استخراج الگوهای آسایش حرارتی کاربران مورد استفاده قرار گرفته است. به جای استفاده از محدوده‌های ثابت دمای آسایش، این پژوهش از توزیع‌های احتمالی برای مدل‌سازی ترجیحات حرارتی افراد بهره می‌گیرد تا تفاوت‌های رفتاری میان خانوارهای مختلف نیز در فرآیند کنترل لحاظ شود.

در ادامه، چارچوب پیشنهادی روی بیش از هشتاد الگوی مختلف ساختمان مسکونی در یک منطقه جغرافیایی اجرا شده است. ساختمان‌ها از نظر سال ساخت، متراژ، نوع تجهیزات، شرایط اقلیمی و ویژگی‌های مصرف‌کنندگان با یکدیگر تفاوت دارند تا نتایج حاصل قابلیت تعمیم بیشتری داشته باشند. علاوه بر این، چندین نوع تعرفه برق شامل تعرفه ثابت، تعرفه زمان استفاده (TOU)، تعرفه‌های پویا و ساختارهای مختلف قیمت‌گذاری مورد ارزیابی قرار گرفته‌اند تا مشخص شود هر یک از این سیاست‌ها چه تأثیری بر میزان مصرف انرژی، هزینه برق، کاهش بار اوج و حفظ آسایش کاربران دارند.

نتایج این پژوهش نشان می‌دهد که استفاده هم‌زمان از ترموستات‌های هوشمند و تعرفه‌های مناسب برق می‌تواند انعطاف‌پذیری مصرف انرژی را به میزان قابل توجهی افزایش دهد. تعرفه‌های زمان استفاده با تغییرات قیمتی متعادل توانسته‌اند بدون ایجاد پیک‌های جدید، مصرف انرژی را در ساعات اوج کاهش دهند. در مقابل، تعرفه‌هایی که اختلاف قیمت بسیار زیادی میان ساعات مختلف ایجاد می‌کنند، اگرچه مصرف را از ساعات اوج منتقل می‌کنند، اما در برخی موارد باعث پیش‌سرمایش یا پیش‌گرمایش بیش از حد ساختمان شده و در نتیجه پیک‌های مصرف جدیدی در ساعات قبل از اوج ایجاد می‌کنند. بنابراین صرف افزایش اختلاف قیمت میان ساعات مختلف الزاماً به معنای عملکرد بهتر تعرفه نخواهد بود و طراحی مناسب ساختار تعرفه اهمیت بسیار زیادی دارد.

یکی دیگر از یافته‌های مهم پژوهش آن است که تفاوت ترجیحات حرارتی افراد نقش بسیار مهمی در میزان انعطاف‌پذیری مصرف انرژی ایفا می‌کند. خانوارهایی که دامنه آسایش حرارتی گسترده‌تری دارند، امکان جابه‌جایی بار بیشتری را بدون کاهش محسوس آسایش فراهم می‌کنند، در حالی که خانوارهای حساس‌تر نسبت به تغییرات دما، انعطاف‌پذیری کمتری از خود نشان می‌دهند. استفاده از یادگیری تقویتی موجب شده است که این تفاوت‌های فردی به طور خودکار شناسایی شده و سیاست کنترلی مناسب برای هر ساختمان اتخاذ شود. در نتیجه، سامانه کنترل هوشمند می‌تواند برای هر کاربر تصمیم متفاوتی اتخاذ کند و از اعمال سیاست‌های یکسان برای همه مشترکان جلوگیری نماید.

از دیگر دستاوردهای این پایان‌نامه می‌توان به ارائه یک چارچوب جامع برای تحلیل هم‌زمان رفتار مصرف‌کنندگان، طراحی تعرفه‌های برق و کنترل هوشمند تجهیزات سرمایشی و گرمایشی اشاره کرد. این چارچوب نه تنها امکان ارزیابی عملکرد سیاست‌های مختلف مدیریت مصرف را فراهم می‌کند، بلکه می‌تواند به عنوان ابزاری برای تصمیم‌گیری شرکت‌های برق، سیاست‌گذاران و طراحان بازار برق نیز مورد استفاده قرار گیرد. نتایج نشان می‌دهد که بهبود طراحی تعرفه‌ها در کنار استفاده از کنترل هوشمند می‌تواند بدون نیاز به سرمایه‌گذاری‌های سنگین در توسعه نیروگاه‌ها یا تجهیزات ذخیره‌سازی، بخش قابل توجهی از مشکلات مربوط به مدیریت بار شبکه را برطرف کند.

این پژوهش همچنین نشان می‌دهد که ترکیب داده‌های واقعی ترموستات‌های هوشمند با مدل‌های یادگیری ماشین، نسبت به روش‌های سنتی مبتنی بر قوانین ثابت یا مدل‌های ریاضی از انعطاف‌پذیری و دقت بیشتری برخوردار است. این موضوع به ویژه در مقیاس منطقه‌ای و برای جمعیت بزرگی از مشترکان اهمیت فراوانی دارد؛ زیرا رفتار کاربران در دنیای واقعی بسیار متنوع‌تر از آن است که بتوان با مدل‌های ساده آن را توصیف کرد. استفاده از داده‌های واقعی سبب شده است که نتایج شبیه‌سازی به شرایط عملیاتی شبکه نزدیک‌تر باشد و قابلیت استفاده در برنامه‌ریزی‌های آینده را افزایش دهد.

در مجموع، این پایان‌نامه نشان می‌دهد که توسعه سامانه‌های کنترل هوشمند مبتنی بر یادگیری تقویتی در کنار طراحی علمی تعرفه‌های برق، می‌تواند نقش مؤثری در کاهش مصرف انرژی، کاهش هزینه مشترکان، کاهش بار اوج شبکه، افزایش بهره‌وری زیرساخت‌های برق، حفظ آسایش حرارتی کاربران و کاهش انتشار گازهای گلخانه‌ای ایفا کند. چارچوب پیشنهادی ضمن ارائه رویکردی نوین برای مدیریت هوشمند انرژی ساختمان‌های مسکونی، زمینه مناسبی برای تحقیقات آینده در حوزه شبکه‌های هوشمند، پاسخگویی بار، بهینه‌سازی مصرف انرژی و توسعه سیاست‌های پایدار مدیریت انرژی فراهم می‌سازد و می‌تواند مبنای طراحی نسل جدید سامانه‌های مدیریت هوشمند انرژی در ساختمان‌ها و شبکه‌های برق آینده قرار گیرد.
“`html

فهرست مطالب

“`

چگونه هوش مصنوعی می‌تواند قبض برق را کاهش دهد؟ نگاهی به آینده ترموستات‌های هوشمند و شبکه‌های برق

همه ما تجربه پرداخت قبض برق در فصل‌های گرم یا سرد سال را داشته‌ایم؛ زمانی که استفاده مداوم از سیستم‌های سرمایشی و گرمایشی هزینه‌ها را به شکل قابل توجهی افزایش می‌دهد. اما اگر خانه شما خودش یاد بگیرد چه زمانی دما را کمی تغییر دهد تا هم آسایش شما حفظ شود و هم هزینه برق کاهش پیدا کند چه؟

پژوهشی که در این مقاله بررسی می‌کنیم دقیقاً به دنبال پاسخ همین سؤال است. این تحقیق نشان می‌دهد که ترکیب ترموستات‌های هوشمند، یادگیری تقویتی (Reinforcement Learning) و تعرفه‌های هوشمند برق می‌تواند آینده مدیریت انرژی را متحول کند.

هوش مصنوعی به جای شما تصمیم می‌گیرد

در اغلب خانه‌ها ترموستات تنها زمانی روشن یا خاموش می‌شود که کاربر دما را تغییر دهد یا یک برنامه زمانی ساده برای آن تعریف شده باشد. اما این روش همیشه بهترین تصمیم را نمی‌گیرد.

پژوهش حاضر از الگوریتم‌های یادگیری تقویتی استفاده می‌کند؛ نوعی هوش مصنوعی که با آزمون و خطا یاد می‌گیرد بهترین تصمیم را در هر شرایط اتخاذ کند. این سیستم به مرور زمان متوجه می‌شود:

• قیمت برق در هر ساعت چقدر است.
• وضعیت آب‌وهوا چگونه است.
• ساختمان با چه سرعتی گرم یا سرد می‌شود.
• ساکنان چه دمایی را ترجیح می‌دهند.

در نهایت، بدون آنکه آسایش افراد به خطر بیفتد، بهترین زمان برای کاهش یا افزایش مصرف انرژی را انتخاب می‌کند.

همه انسان‌ها دمای یکسانی را دوست ندارند

یکی از جالب‌ترین یافته‌های این پژوهش این است که مفهوم «دمای آسایش» برای همه افراد یکسان نیست.

برخلاف بسیاری از مطالعات گذشته که یک محدوده دمای ثابت برای تمام افراد در نظر می‌گرفتند، این تحقیق از داده‌های واقعی ترموستات‌های هوشمند استفاده کرده است. به همین دلیل سیستم متوجه می‌شود که هر خانواده الگوی متفاوتی از آسایش حرارتی دارد.

این یعنی هوش مصنوعی به جای اعمال یک قانون مشترک برای همه خانه‌ها، رفتار هر خانه را به صورت جداگانه یاد می‌گیرد.

چنین شخصی‌سازی‌ای نه تنها رضایت کاربران را افزایش می‌دهد، بلکه امکان جابه‌جایی هوشمند مصرف انرژی را نیز بیشتر می‌کند.

ارزان‌ترین تعرفه همیشه بهترین تعرفه نیست

بسیاری تصور می‌کنند هرچه اختلاف قیمت برق بین ساعات اوج و غیر اوج بیشتر باشد، نتیجه بهتر خواهد بود.

اما نتایج این پایان‌نامه خلاف این تصور را نشان می‌دهد.

وقتی اختلاف قیمت بسیار زیاد باشد، سیستم‌های هوشمند قبل از شروع ساعات گران، ساختمان را بیش از اندازه سرد یا گرم می‌کنند تا در ساعات اوج کمتر انرژی مصرف شود. این رفتار گاهی باعث ایجاد «پیک مصرف جدید» درست قبل از ساعات اوج می‌شود.

در واقع طراحی تعرفه اهمیت بیشتری از صرف افزایش اختلاف قیمت‌ها دارد.

این نتیجه می‌تواند برای شرکت‌های برق و سیاست‌گذاران بسیار ارزشمند باشد؛ زیرا نشان می‌دهد طراحی هوشمند تعرفه‌ها از افزایش شدید قیمت‌ها مؤثرتر است.

شبیه‌سازی صدها رفتار واقعی به جای چند آزمایش ساده

یکی از نقاط قوت این تحقیق، مقیاس بالای شبیه‌سازی آن است.

به جای بررسی تنها یک ساختمان، پژوهش تعداد زیادی ساختمان با ویژگی‌های متفاوت را مدل‌سازی کرده است؛ ساختمان‌هایی که از نظر:

• سال ساخت
• نوع تجهیزات گرمایشی و سرمایشی
• شرایط اقلیمی
• رفتار ساکنان
• الگوی مصرف انرژی

با یکدیگر تفاوت دارند.

این موضوع باعث شده نتایج تحقیق به شرایط واقعی بسیار نزدیک‌تر باشد و قابلیت استفاده در مقیاس شهری یا منطقه‌ای را داشته باشد.

داده‌های واقعی، نه فرضیات ساده

بخش قابل توجهی از تحقیقات گذشته، رفتار کاربران را با فرضیات ساده مدل‌سازی می‌کردند.

اما این پژوهش از داده‌های واقعی ترموستات‌های هوشمند ecobee استفاده کرده است؛ داده‌هایی که میلیون‌ها اندازه‌گیری دما، وضعیت تجهیزات و الگوی حضور کاربران را شامل می‌شوند.

همین موضوع باعث شده مدل رفتاری ایجادشده بسیار طبیعی‌تر باشد و تصمیم‌های هوش مصنوعی نیز به رفتار واقعی کاربران نزدیک‌تر شود.

یادگیری تقویتی؛ انعطاف‌پذیرتر از روش‌های سنتی

روش‌های کلاسیک کنترل ساختمان معمولاً بر پایه قوانین ثابت یا مدل‌های ریاضی پیچیده طراحی می‌شوند.

مشکل این روش‌ها آن است که با تغییر شرایط ساختمان یا تغییر رفتار ساکنان، کارایی آن‌ها کاهش پیدا می‌کند.

در مقابل، یادگیری تقویتی نیازی به مدل دقیق ساختمان ندارد و با تجربه کردن، بهترین سیاست کنترلی را پیدا می‌کند.

این ویژگی باعث می‌شود بتوان آن را برای هزاران ساختمان مختلف بدون نیاز به طراحی مجدد الگوریتم استفاده کرد.

آینده شبکه برق به خانه‌های هوشمند وابسته است

اگر میلیون‌ها خانه بتوانند تنها چند درجه دمای خود را در زمان مناسب تغییر دهند، فشار وارد بر شبکه برق به شکل چشمگیری کاهش پیدا خواهد کرد.

این اتفاق چند مزیت مهم به همراه دارد:

• کاهش بار اوج مصرف
• کاهش هزینه تولید برق
• کاهش نیاز به ساخت نیروگاه‌های جدید
• کاهش انتشار گازهای گلخانه‌ای
• افزایش پایداری شبکه برق

به بیان دیگر، خانه‌های هوشمند می‌توانند به بخشی از راه‌حل مدیریت انرژی در مقیاس ملی تبدیل شوند.

نتیجه‌گیری

این پژوهش نشان می‌دهد آینده مدیریت انرژی تنها به تولید برق بیشتر وابسته نیست؛ بلکه استفاده هوشمندانه‌تر از انرژی موجود اهمیت بسیار بیشتری دارد. ترکیب ترموستات‌های هوشمند، داده‌های واقعی کاربران، یادگیری تقویتی و تعرفه‌های بهینه برق می‌تواند بدون کاهش آسایش ساکنان، هزینه‌ها را کاهش دهد و شبکه برق را پایدارتر کند.

شاید در آینده نه‌چندان دور، خانه‌ها پیش از آنکه ما حتی به قبض برق فکر کنیم، خودشان بهترین تصمیم را برای مصرف انرژی بگیرند. پرسش مهم اینجاست: آیا زیرساخت‌های انرژی و سیاست‌های قیمت‌گذاری برق آماده چنین آینده هوشمندی هستند؟