استفاده از هوش مصنوعی در بهینه‌سازی عملکرد سیستم‌های انرژییک
سیستم‌های انرژییک از جمله مهمترین عامل‌ها در زمینه تولید و مصرف انرژی هستند و از طریق بهینه‌سازی عملکرد آنها می‌توان به استفاده بهینه از منابع انرژی و کاهش هدررفت انرژی رسید. با گسترش هوش مصنوعی و الگوریتم‌های یادگیری ماشین، امکان بهینه‌سازی عملکرد سیستم‌های انرژییک با استفاده از این تکنولوژی‌ها فراهم شده است.
یکی از استفاده‌های مهم هوش مصنوعی در بهینه‌سازی عملکرد سیستم‌های انرژییک، استفاده از الگوریتم‌های ژنتیک است. با استفاده از این الگوریتم‌ها، می‌توان قوانین بهینه‌سازی برای عملکرد سیستم‌های انرژییک تعریف کرد و این سیستم‌ها را بهبود داد. الگوریتم ژنتیک با الهام از فرآیند تکامل و تکثیر در طبیعت، جهت‌یابی به بهینه‌ترین راه حل را در مسائل بهینه‌سازی بر پایه کاراکتر استفاده می‌کند.
برای استفاده از الگوریتم‌های ژنتیک در بهینه‌سازی سیستم‌های انرژییک، ابتدا باید مسئله بهینه‌سازی تعریف شود و سپس یک تابع هدف تعریف می‌شود که براساس آن کمیت‌های تعیین کننده عملکرد سیستم مورد بررسی سنجیده می‌شوند. سپس وراثت ژنتیکی ایجاد می‌شود و با استفاده از عملگرهای چندگانه مانند جهش و ترکیب، نسل‌های جدید تولید می‌شوند تا بهبود‌های در عملکرد سیستم حاصل شود.
استفاده از هوش مصنوعی در بهینه‌سازی عملکرد سیستم‌های انرژییک، عملکرد سیستم را بهبود می‌بخشد و به صورت خودکار فرآیند بهینه‌سازی را انجام می‌دهد. با توجه به تغییرات پیچیده و غیرقابل پیش‌بینی در تولید و مصرف انرژی، استفاده از هوش مصنوعی و الگوریتم‌های یادگیری ماشین جهت بهینه‌سازی و کاهش هزینه‌ها و هدررفت انرژی، امری ضروری به نظر می‌رسد.
از دیگر الگوریتم‌های هوش مصنوعی که به منظور بهینه‌سازی عملکرد سیستم‌های انرژییک مورد استفاده قرار می‌گیرند، می‌توان به شبکه‌های عصبی مصنوعی و الگوریتم‌های تکاملی اشاره کرد. استفاده از شبکه‌های عصبی مصنوعی به‌عنوان یکی از مدل‌های یادگیری ماشین به منظور تخمین و پیش‌بینی مقادیر انرژی‌های تجدید پذیر استفاده می‌شود.
به طور کلی، استفاده از هوش مصنوعی و الگوریتم‌های یادگیری ماشین در بهینه‌سازی عملکرد سیستم‌های انرژییک از اهمیت بالایی برخوردار است. با استفاده از این تکنولوژی‌ها می‌توان هزینه‌ها را کاهش داده و کارایی سیستم‌های انرژییک را افزایش داد.
منابع:
1. Tang, B. and Huang, G.H., 2019. Optimal energy management of a microgrid based on multi-objective artificial immune algorithm considering demand response programs. Energies, 12(19), p.3622.
2. Wang, Q., Zhang, Y., Hu, X. and Xie, W., 2019. Meta-heuristic algorithms for economic load dispatch with power system constraints. IET Generation, Transmission & Distribution, 13(22), pp.4981-4989.
3. Zheng, H.T., Wang, Z.H., Ma, R.F., Jiang, J.S., Liu, C.P. and Cao, J., 2018. A novel energy management strategy of combined heat, power, and electric refrigeration and storage system integrating demand response for commercial building. Energy, 143, pp.610-621.
4. Li, R., Guo, Y., Liu, H., Wang, Y. and Wei, H., 2018. A multi-objective optimization approach for HVAC system coordination and operation planning in buildings. Energy, 155, pp.985-996.
5. Zeng, Z., Wang, K., Xia, Q. and Xue, L., 2020. A unified robust optimization model of energy and reserve daily scheduling for integrated energy systems with management constraints. Energy, 205, p.118019.
6. Li, Z., Deng, W. and Wang, J., 2020. A comprehensive model for predicting the life cycle energy consumption and environmental impacts of commercial buildings. Energy and Buildings, 211, p.109823.
7. Kazzaz, M.A., Al-Dabbas, M.A., Gupta, V.V., Mansoor, A.B., Prabaharan, N., Alkayem, M., Vlachopoulou, M., Kantarci, B. and Elmirghani, J., 2021. A survey on machine learning in smart grid: methods, applications, data, and challenges. Future Generation Computer Systems, 115, pp.1-22.
8. Behrangrad, M., Daraeepour, A., Mazinan, A.H., Mohseni-Bonab, M. and Akbari-Zadeh, M.R., 2012. Solving optimal reactive power dispatch problem using cultural-based algorithm