کنترل تهویه مطبوع خانه هوشمند با پاسخگویی به تقاضا توسط هوش مصنوعی[Persian Thesis]

منصور زاهدی

شناسگر رکورد: ۵۱۸۰۳
رشته تحصیلی: قدرت
عنوان: کنترل تهویه مطبوع خانه هوشمند با پاسخگویی به تقاضا توسط هوش مصنوعی
نويسنده: منصور زاهدی
استاد راهنما : دکتر رضا اله دادی مهرآبادی
مقطع تحصیلی : کارشناسی ارشد
دانشگاه : خاتم
تاریخ دفاع : ۱۴۰۳
چکیده: امروزه با افزایش مصرف انرژی و نگرانی‌های زیست ‌محیطی، بهینه‌سازی مصرف انرژی در ساختمان‌ها و خانه‌ها به یک اولویت مهم تبدیل شده است. یکی از راه‌های مؤثر در کاهش مصرف انرژی و بهبود کارایی سیستم‌های تهویه مطبوع، استفاده از تکنولوژی‌های هوش مصنوعی در خانه‌های هوشمند است.در این پژوهش با توجه به نوع بارهای اولویت دار یا غیر قابل قطع و بقیه اجزای یک ساختمان هوشمند بر مبنای اینترنت اشیا در نظر گرفته شده اند. به طوری که هر یک از این اشیا که شامل مجموعه ای از محرک ها و حسگر ها می باشند که از طریق لایه ی مه و لایه ی ابری با یکدیگر در حال تبادل اطلاعات هستند. روش پیشنهادی بر مبنای یک هوش مصنوعی سه لایه ای شامل:۱) لایه دسترسی یا لایه ای که سنسور ها و محرک ها در آن قرار دارد.۲) لایه ی مه مرکز داده ها که در این لایه انواع سرورها جهت رایانش و ذخیره سازی دیتا قرار دارند و۳) لایه ابری مرکز داده ها در این لایه همانند لایه قبلی است با این تفاوت که در این لایه مراکز داده در مه تحت کنترل و پایش این بواسطه هوش مصنوعی قرار میگیرد. نقاط پایانه مسئول جمع‌آوری داده‌های حسگرهای سیستم ساختمان هوشمند هستند. در این حالت داده ها از طریق Wi-Fi به لایه بعدی (لایه مه) ارسال می شود. سپس هر تجهیز که یک بخش از ساختمان می باشد، می‌تواند پایانه (سوکت) هوشمند را در همان بخش مدیریت کند. این مرتب‌سازی به راحتی می‌تواند همان دسته از لایه ی مه را مدیریت کند و از عملکرد اشتباه آن اجتناب کند و هر داده ی ورودی در مرکز داده ها به طور لحظه ای ذخیره گردد. سپس با استفاده از داده‌های کلی دریافت شده یک بسته از داده ها ساخته شود تا به سرعت بر مبنای داده های ذخیره شده، جهت پاسخ دهی به تجهیز یا تجهیزات هدف، تصمیم و فرامین لازم صادر شود. برای رسیدن به هدف بهینه ‌سازی فرآیند هوش مصنوعی سیستم ساختمان، بسته ی داده ها از بالاترین لایه ارسال می‌شود. لایه سوم، نقاط مه در این لایه دارای ویژگی مهم قابلیت پردازش داده ها نسبت به داده های لایه دوم است از این رو نیازمند داده های بیشتر و اتصال به لایه ی ابر در مدل پیشنهادی ما است. به طوری که با یک نقطه در لایه ی سوم می توانیم بعنوان یک واحد مستقل از یک ساختمان هوشمند رفتار کنیم. لایه سوم، ابری است که داده‌های دریافتی از لایه های مه را بصورت قوی به واسطه هوش مصنوعی تحلیل و آنالیز و توسط روش بهینه سازی GA و شبکه عصبی زمان بندی را برنامه ریزی می‌کند. واژه های کلیدی: برنامه ریزی تصادفی، زمان بندی بار، عدم قطعیت بار، عدم قطعیت تولید، عدم قطعیت قیمت ، قیمت گذاری زمان واقعی ، لایه مه ، لایه ابری ، هوش مصنوعی سه لایه ای
Register Number Version Volume Part Reference Call Number lended Date Back Description
284664 1
Copyright 2025 by Payam Hannan co ltd. PayamLib.com