به گزارش ایسنا، مصرف انرژی در ساختمان‌ها یکی از چالش‌های جدی جهان امروز است. بر اساس آمارهای سال ۲۰۲۳، ساختمان‌ها حدود ۳۰ درصد از کل مصرف انرژی و ۲۶ درصد از تولید دی‌اکسیدکربن جهانی را به خود اختصاص داده‌اند. این ارقام نشان می‌دهد که هرگونه بهبود در مدیریت انرژی ساختمان‌ها می‌تواند تأثیر قابل توجهی بر کاهش مصرف جهانی انرژی و همچنین کاهش انتشار گازهای گلخانه‌ای داشته باشد. به همین دلیل، توجه به روش‌هایی که بتوانند مصرف انرژی را کاهش دهند، نه فقط از نظر اقتصادی بلکه از نظر زیست‌محیطی نیز اهمیت زیادی دارد. یکی از پیش‌نیازهای اصلی برای کاهش مصرف، پیش‌بینی دقیق میزان انرژی مورد نیاز در زمان‌های مختلف است.

پیش‌بینی مصرف انرژی می‌تواند در بازه‌های زمانی کوتاه‌مدت، میان‌مدت و بلندمدت انجام شود. برای نمونه، پیش‌بینی کوتاه‌مدت که از یک ساعت تا یک هفته را در بر می‌گیرد، معمولاً برای تنظیم و بهینه‌سازی عملکرد سیستم‌های سرمایش، گرمایش و تهویه مطبوع یا همان HVAC استفاده می‌شود. پیش‌بینی‌های میان‌مدت و بلندمدت نیز در برنامه‌ریزی‌های کلان انرژی کاربرد دارند. روش‌های پیش‌بینی به طور کلی به دو دسته تقسیم می‌شوند: مدل‌های مبتنی بر ساختار فیزیکی ساختمان و مدل‌های مبتنی بر داده. مدل‌های فیزیکی بر اساس قوانین ترمودینامیک و اطلاعات دقیق از ویژگی‌های ساختمان کار می‌کنند، اما به داده‌های زیاد و محاسبات پیچیده نیاز دارند. در مقابل، مدل‌های داده‌محور با استفاده از یادگیری ماشین تلاش می‌کنند از داده‌های گذشته الگو استخراج کنند و معمولاً با پارامترهای کمتر به دقت بالاتری می‌رسند.

در همین زمینه، فریبا جورقانیان از دانشکده مهندسی برق و کامپیوتر دانشگاه تربیت مدرس به همراه یکی از همکاران دانشگاهی خود، پژوهشی در زمینه مدیریت انرژی ساختمان‌های هوشمند با تکیه بر ابزارهایی به نام «شبکه‌های عصبی گرافی» انجام داده‌اند. این پژوهش که بر پیش‌بینی مصرف انرژی در بخش‌های مختلف یک ساختمان تمرکز دارد، تلاش کرده است با در نظر گرفتن ارتباط میان نواحی مختلف، روشی دقیق‌تر نسبت به مدل‌های رایج ارائه دهد.

در این مطالعه، ساختمان به صورت یک گراف مدل‌سازی شده است. در این مدل، هر ناحیه از ساختمان به عنوان یک «گره» در نظر گرفته می‌شود و ارتباط میان نواحی مختلف به شکل «یال» نمایش داده می‌شود. محققان از اطلاعات مصرف انرژی نواحی مختلف یک ساختمان هفت‌طبقه استفاده کردند که شامل مصرف انرژی سیستم تهویه، تجهیزات برقی، دما، رطوبت و نور بوده است. همچنین اختلاف دمای میان نواحی مختلف نیز در قالب ویژگی‌های یال وارد مدل شده است تا اثر انتقال دما بین فضاها در نظر گرفته شود.

نتایج آزمایش‌ها نشان دادند که مدل پیشنهادی توانسته است مصرف انرژی یک طبقه از ساختمان مورد بررسی را که شامل پنج ناحیه بوده، با دقت قابل توجهی پیش‌بینی کند. میزان خطای این روش بسیار پایین بود که بیانگر عملکرد مناسب مدل در مقایسه با روش‌های متداول است.

همچنین بررسی‌های تکمیلی نشان دادند که در نظر گرفتن ویژگی‌های مربوط به ارتباط میان نواحی، به‌ویژه اختلاف دما، نقش مهمی در افزایش دقت پیش‌بینی دارد. زمانی که این ویژگی‌های ارتباطی از مدل حذف شدند، عملکرد آن به طور محسوسی کاهش یافت. این موضوع نشان می‌دهد که مصرف انرژی هر بخش از ساختمان فقط به شرایط همان فضا وابسته نیست، بلکه از فضاهای مجاور نیز تأثیر می‌پذیرد.

اهمیت این یافته‌ها در آن است که با چنین مدلی می‌توان مصرف انرژی را در سطح هر ناحیه به صورت جداگانه پیش‌بینی و مدیریت کرد. این قابلیت به مدیران ساختمان اجازه می‌دهد عملکرد سیستم‌های سرمایش و گرمایش را برای هر بخش به شکل بهینه تنظیم کنند. در نتیجه، هم آسایش ساکنان حفظ می‌شود و هم از اتلاف انرژی جلوگیری می‌شود. همچنین امکان پیش‌بینی همزمان چند ناحیه می‌تواند در ساختمان‌های بزرگ و پیچیده کاربرد گسترده‌ای داشته باشد.

این یافته‌ها در فصلنامه «مهندسی برق» وابسته به دانشگاه تبریز منتشر شده‌اند. این نشریه علمی به انتشار پژوهش‌های تخصصی در حوزه مهندسی برق و فناوری‌های مرتبط می‌پردازد و بستری را برای ارائه دستاوردهای نوین پژوهشگران ایرانی فراهم می‌کند.

انتهای پیام