سیستم های انرژی: فناوری و مدیریت

چکیده گسترش منابع انرژی تجدیدپذیر در بخش مسکونی، در حالی که گامی مهم به سوی چشم‌انداز انرژی پایدارتر است، چالش‌های منحصر به فردی را برای اپراتورهای سیستم قدرت ایجاد می‌کند. ماهیت متناوب تولید انرژی‌های تجدیدپذیر، عمدتاً خورشیدی و بادی، می‌تواند تغییرپذیری و عدم قطعیت قابل توجهی را به شبکه وارد کند. علاوه بر این، نوسانات سریع در تولید انرژی‌های تجدیدپذیر می‌تواند زیرساخت شبکه را تحت فشار قرار دهد و نیاز به سرمایه‌گذاری در سیستم‌های پیشرفته مدیریت شبکه و راه‌حل‌های ذخیره‌سازی انرژی برای حفظ پایداری و قابلیت اطمینان سیستم را ایجاد کند. این مقاله یک چارچوب برای پیش بینی روز آینده بار خالص ارائه می دهد. در آن با استفاده از تکنیک‌های پیش‌بینی پیشرفته بار خالص روز آینده را پیش‌بینی می‌کند. الگوریتم پیشنهادی VMD-MIIG-CNN-GRU-BiLSTM به میانگین خطای مطلق درصد (MAPE) تقریباً 8٪ برای پیش‌بینی بار خالص دست می‌یابد که اثربخشی آن را در در نظر گرفتن پیچیدگی‌های ذاتی این متغیرها نشان می‌دهد.

چکیده این مطالعه به توسعه یک مدل حرارتی یک‌بعدی برای تحلیل عملکرد آب‌شیرین‌کن خورشیدی شیب‌دار بهبودیافته مجهز به فن و ماده تغییر فاز (PCM) پرداخته است. مدل‌سازی بر اساس معادلات بقای جرم و انرژی برای اجزای مختلف سیستم انجام شده و تمامی مکانیزم‌های انتقال حرارت و فرآیندهای تبخیر و تقطیر در آن لحاظ شده‌اند. مدل ارائه‌شده قادر است دمای قسمت‌های مختلف آب‌شیرین‌کن و همچنین نرخ آب شیرین تولیدی ساعتی و روزانه را برآورد نماید. حل عددی مدل با گام زمانی 1/0 ثانیه در MATLAB انجام شد. در این تحقیق، اعتبارسنجی مدل در سه روز انجام‌شده است. نتایج حاکی از دقت بالای مدل حرارتی است و مدل قادر است دمای اجزای آب‌شیرین‌کن و مقدار آب شیرین تولیدی در روزهای مختلف را با دقت خوبی پیش‌بینی کند. دقت مدل در تخمین دمای آب‌شور و صفحه جاذب دقت مدل بسیار خوب بوده است (ریشه میانگین مربعات خطا کمتر از 2/2 درجه سانتی‌گراد). در تخمین میزان آب شیرین تولیدی، بیشترین اختلاف بین نتایج مدل با داده‌های تجربی در بدترین حالت کمتر از 9 درصد بوده است. بررسی پارامترهای طراحی نشان داد که انتخاب دمای ذوب مناسب برای PCM می‌تواند تولید آب شیرین را تا ۵ درصد افزایش دهد اما میزان جرم PCM تأثیر معناداری بر عملکرد آب‌شیرین‌کن نداشت.

چکیده سیستم‌های اطلاعات انرژی برای بهینه‌سازی عملیاتی ساختمان‌های هوشمند بسیار حیاتی هستند. این سیستم‌ها می‌توانند مزایایی مانند پتانسیل بالای صرفه‌جویی در انرژی، کارایی و خدمات هوشمند را فراهم کنند. بنابراین، پیش‌بینی دقیق مصرف برق نیازمند یک استراتژی تخمین هوشمند است که پارامترهای مؤثر بر الگوهای مصرف برق را در نظر بگیرد. این مقاله یک مدل پیش‌بینی هوشمند را پیشنهاد می‌دهد که به طور دقیق مصرف برق ساختمان‌ها را پیش‌بینی و تحلیل می‌کند. مدل پیشنهادی شامل موارد زیر است: یک مدل انتخاب ویژگی بر اساس اطلاعات متقابل برای انتخاب ویژگی‌ها به عنوان متغیرهای ورودی؛ و یک مدل پیش‌بینی سری زمانی یادگیری عمیق بر اساس شبکه‌های عصبی حافظه بلند مدت کوتاه (LSTM) برای پیش‌بینی مقدار هدف. عملکرد مدل با استفاده از مجموعه داده‌های واقعی یک خانه هوشمند دو طبقه واقع در هیوستون، تگزاس، ایالات متحده ارزیابی شد. همچنین تحلیل مقایسه‌ای با مدل‌های معیار دیگر انجام شد. مقایسه جامع نشان داد که مدل ترکیبی دقیق‌تر از مدل‌های تکی است و مدل هوشمند پیشنهادی از سایر مدل‌های ترکیبی و تکی معیار بهتر عمل می‌کند، همانطور که عملکرد پیش‌بینی به دست آمده نشان می‌دهد

چکیده : برنامه‌ریزی سیستم‌های انرژی با سهم بالای انرژی‌های تجدیدپذیر به دلیل نگرانی‌های زیست‌محیطی و چالش‌های امنیت انرژی، به طور فزاینده‌ای اهمیت پیدا کرده است. با این حال، ادغام گسترده انرژی‌های تجدیدپذیر در شبکه نیازمند استراتژی‌های مؤثر برای تضمین پایداری و قابلیت اطمینان است. یکی از رویکردهای پیشنهادی برای مقابله با این چالش‌ها، تنوع‌بخشی به فناوری‌های انرژی تجدیدپذیر، اعم از قابل برنامه‌ریزی و غیرقابل برنامه‌ریزی، همراه با استفاده از انواع مختلف ذخیره‌سازی انرژی، از جمله ذخیره‌سازی روزانه و فصلی است. در این مطالعه، یک ابزار متن‌باز مدل‌سازی انرژی به نام PyPSA برای بهینه‌سازی بهره‌برداری و برنامه‌ریزی یک سیستم انرژی ترکیبی مورد استفاده قرار گرفته است. مورد مطالعه، سیستم انرژی جزیره فاوینیانا در جنوب ایتالیا است. با استفاده از مدل‌سازی انرژی در PyPSA، استراتژی‌های بهینه برای استقرار سامانه‌های فتوولتائیک (PV) و ذخیره‌ساز باتری بررسی شده‌اند تا اهداف اقلیمی این جزیره محقق شوند. این اهداف شامل کاهش ۲۵٪، ۵۰٪ و ۱۰۰٪ انتشار CO₂ تا سال‌های ۲۰۳۰، ۲۰۴۰ و ۲۰۵۰ هستند. نتایج این پژوهش بینش‌های ارزشمندی در مورد مسیرهای مقرون‌به‌صرفه و پایدار برای ادغام انرژی‌های تجدیدپذیر در سیستم‌های انرژی ایزوله ارائه می‌دهد و به استراتژی‌های گذار بلندمدت انرژی کمک می‌کند.

چکیده ازجمله بحران‌های زندگی در دوره حاضر بحران کمبود آب و مدیریت به‌هم‌پیوسته و یکپارچه آن است. عواملی مانند افزایش جمعیت و تنوع و تعدد نیازهای جمعیتی، شیوه کشاورزی سنتی و غیره به افزایش دامنه این بحران کمک می‌کنند. پیچیدگی سیستم منابع و مصارف آب موجب دشوار شدن فرایند مدیریت منابع آن و همچنین دشواری تصمیم‌گیری درباره آن شده است. هدف این پژوهش بررسی عوامل مؤثر در سیستم مدیریت منابع و مصارف آب شهر رفسنجان و همچنین ساخت مدلی شبیه‌سازی شده از کمبود آب و علل آن بر پایه رویکرد پویایی‌های سیستم است. در این پژوهش ابتدا سیستم مدیریت منابع مصارف آب شهر رفسنجان شبیه‌سازی شد. سپس متغیرهای دخیل در کمبود آب در شهر رفسنجان مورد آزمایش قرار گرفتند و همچنین به تنظیم متغیرهای حساس درون این سیستم پرداخته شد. در نهایت سناریوهایی بر اساس مقادیر به دست آمده از روش مذکور برای مقابله با بحران کمبود آب در این شهرستان ارائه شد.

چکیده چکیده: پیش‌ بینی کوتاه مدت بار (STLF) به طور دقیق، برای برنامه‌ریزی، بهره‌برداری و کنترل سیستم قدرت مورد نیاز است. این روش پیش بینی توسط تاسیسات برق، اپراتورهای سیستم، ژنراتورها و بازاریاب‌های انرژی استفاده می‌شود. در این مقاله با اعمال تکنیک انتخاب ویژگی (FS) بر مبنای معیار اطلاعات متقابل (MI) بر روی داده های بار الکتریکی ورودی، موثرترین این داده ها انتخاب می شوند. روش پیشنهادی در این مقاله استفاده از شبکه عصبی ترکیبی (CNN) که متشکل از سه شبکه عصبی پیش خور از نوع پرسپترون چند لایه (MLP) که به صورت سری به یکدیگر متصل شده اند ، می باشد. همچنین از روش بهینه سازی ازدحام ذرات (PSO) به منظور دستیابی به مقادیر بهینه پارامترهای تاثیر گذار در روند پیش بینی، که این پارامترها در قسمت انتخاب ویژگی و شبکه عصبی پیشنهادی قراردارند ، استفاده می شود. این روش پیشنهادی بر روی داده های بار سال ۹۷ شهرستان کرمان اعمال شده و نتایج آن تاکیدی بر کارایی این روش در پیش بینی بار الکتریکی می باشد.