محمدحسن مرادی

بارهای حرارتی بخش بزرگی از انرژی مصرفی ساختمان‌های مسکونی را به خود اختصاص می‌دهند. با افزایش جمعیت، تقاضای انرژی در این بخش روز به روز در حال افزایش بوده و به یک چالش جدی برای بهره‌بردارن شبکه توزیع تبدیل شده‌است. یکی از روش‌های مناسب برای مدیریت انرژی بارهای حرارتی و کاهش اثرات منفی آن بر شبکه توزیع، استفاده از برنامه‌های پاسخ‌گویی تقاضا (DRP) می‌باشد که علاوه بر افزایش پایداری شبکه توزیع، صورتحساب انرژی مصرفی مشترکین را نیز کاهش می‌دهد. به دلیل عدم قطعیت در رفتار ساکنین ساختمان و همچنین شرایط آب و هوایی، منحنی تقاضای بارهای حرارتی ساختمان‌های مسکونی بسیار متفاوت بوده و از تنوع بسیار بالایی برخوردار است. این ویژگی سبب شده که پیاده‌سازی یک برنامه پاسخ‌گویی تقاضای یکسان برای بارهای حرارتی تمام ساختمان‌های مسکونی، کارآیی مناسبی نداشته‌باشد. یکی از روش‌های مناسب برای حل این مشکل، استفاده از خوشه‌بندی بارهای حرارتی است که الگوهای مصرفی مشابه را شناسایی کرده و بر اساس ویژگی‌های هر یک از این الگوها، می‌توان برنامه پاسخ‌گویی تقاضای مناسب برای آنها پیاده‌سازی کرد. استفاده از خوشه‌بندی ضمن اینکه امکان مشارکت تعداد بیشتری از ساختمان‌های مسکونی در برنامه‌های پاسخ‌گویی تقاضا را فراهم می‌سازد، راندمان و کارآیی انرژی را نیز بهبود می‌دهد. یکی از چالش‌های اساسی در زمینه خوشه‌بندی بارهای حرارتی، حجم بسیار بالای داده‌های مربوط به آن و همچنین تنوع زیاد این داده‌ها می‌باشد که سبب می‌شود روش‌های مرسوم نظیر K-means قادر به خوشه‌بندی دقیق و مناسب این داده‌ها نباشند. در این پایان‌نامه بر روی این مشکل تمرکز شده و برای حل آن از یادگیری عمیق مبتنی بر شبکه عصبی کانولوشن (CNN) استفاده شده‌است. در روش پیشنهادی، در ابتدا از CNN برای استخراج ویژگی‌های مهم داده‌های مربوط به بارهای حرارتی و همچنین کاهش حجم داده‌ها استفاده می‌شود. در ادامه از ویژگی‌های بدست آمده برای خوشه‌بندی بارهای حرارتی توسط الگوریتم K-means استفاده شده‌است. این روش با استفاده از شبیه‌سازی عددی برای خوشه‌بندی بارهای حرارتی 1200 ساختمان مسکونی اعمال شده و نتایج آن با الگوریتم‌های شناخته شده‌ی K-means و DBSCAN مورد مقایسه قرار گرفته‌است. نتایج بدست آمده نشان داده که روش پیشنهادی قادر به خوشه‌بندی دقیق بارهای حرارتی تعداد زیادی ساختمان‌ مسکونی بوده و با در نظر گرفتن سه معیار ارزیابی مختلف، عملکرد بهتری در مقایسه با الگوریتم‌های K-means و DBSCAN ارائه می‌دهد. بر اساس نتایج شبیه‌سازی، استفاده از روش پیشنهادی امکان استخراج الگوهای مصرفی مشابه در بین بارهای حرارتی تعداد زیادی از ساختمان‌های مسکونی را با دقت بالا فراهم ساخته و کارآیی روش‌های پاسخ‌گویی تقاضا را بهبود می‌دهد.