طراحی و بهینه سازی سیستم های مدیریت انرژی در ساختمان های مسکونی به کمک هوش مصنوعی

این مطالعه به بررسی تاثیر الگوریتم های شبکه های عصبی مصنوعی (ANN) و الگوریتم بهینه سازی ازدحام ذرات (PSO) در بهینه سازی سیستم های انرژی تجدیدپذیر و کاهش هزینه های مصرف انرژی در ساختمان های مسکونی پرداخته است. هدف اصلی این تحقیق، ارزیابی کارایی این الگوریتم ها در بهبود بهره وری منابع انرژی، کاهش هزینه ها، و کاهش انتشار گاز CO۲ به ویژه در سیستم های گرمایش، سرمایش و تهویه است. نتایج نشان داد که هر دو الگوریتم توانسته اند مصرف انرژی را به میزان قابل توجهی کاهش دهند، اما PSO در مقایسه با ANN عملکرد بهتری داشته است. به ویژه در بخش کاهش هزینه ها، PSO توانست هزینه ها را به میزان بیشتری کاهش دهد و بهره وری سیستم های انرژی تجدیدپذیر را بهبود بخشد. همچنین، در تحلیل کاهش CO۲، الگوریتم PSO توانست ۳۰ تن CO۲ در سال کاهش دهد، در حالی که ANN تنها ۲۵ تن کاهش داشت. این نتایج نشان دهنده توانمندی الگوریتم PSO در بهینه سازی مصرف انرژی، کاهش هزینه ها و اثرات زیست محیطی در سیستم های انرژی تجدیدپذیر و ساختمان های مسکونی است. بنابراین، PSO به عنوان یک روش بهینه سازی موثر در این حوزه پیشنهاد می شود.

کلیدواژه ها:

مدیریت انرژی ، شبکه های عصبی مصنوعی (ANN) ، بهینه سازی ازدحام ذرات (PSO) ، انرژی تجدیدپذیر