طراحی و پیاده سازی یک سیستم هوشمند مدیریت انرژی مبتنی بر یادگیری ماشین برای بهینه سازی مصرف انرژی و کاهش انتشار گازهای گلخانه ای در سیستم های برق راه آهن شهری

امروزه بهره وری انرژی و مدیریت مصرف آن در سیستم های پیچیده نظیر سیستم های برق راه آهن شهری از اهمیت فراوانی برخوردار است. رشد روزافزون جمعیت شهرنشین و گسترش زیرساخت های حمل و نقل، فشار بیشتری بر شبکه های برق شهری وارد کرده و نیاز به راهکارهای هوشمند و نوآورانه برای کاهش مصرف انرژی و هزینه های عملیاتی بیش از پیش احساس می شود. این پژوهش با هدف طراحی و پیاده سازی یک سیستم هوشمند مدیریت انرژی مبتنی بر الگوریتم های یادگیری ماشین، تالش دارد تا با بهینه سازی مصرف انرژی، بهره وری سیستم های برق راه آهن شهری را افزایش داده و اثرات زیست محیطی ناشی از انتشار گازهای گلخانه ای را کاهش دهد. در این تحقیق، داده های مربوط به مصرف انرژی، پارامترهای عملکردی سیستم و شرایط محیطی از ایستگاه های مختلف راه آهن شهری جمع آوری شده و فرآیند پیش پردازش داده ها با هدف بهبود کیفیت و افزایش دقت مدل های یادگیری ماشین انجام شده است. پیش پردازش شامل حذف نویز، تکمیل داده های مفقوده و نرمال سازی داده ها بود. سپس با استفاده از الگوریتم های یادگیری ماشین، به ویژه مدل های شبکه عصبی بازگشتی (RNN) با معماری حافظه طوالنی مدت-کوتاه مدت (LSTM)، مدل سازی پیشرفته ای برای پیش بینی الگوهای مصرف انرژی و بهینه سازی تخصیص منابع انجام شد. نتایج شبیه سازی ها نشان داد که سیستم هوشمند مدیریت انرژی توانست مصرف انرژی را در دوره های زمانی مختلف بین ۱۷ تا ۱۹ درصد کاهش دهد. این کاهش قابل توجه ناشی از توانایی سیستم در تحلیل دقیق داده های زمانی و اعمال تنظیمات بهینه در تخصیص انرژی بود. علاوه بر کاهش مصرف انرژی، بهره وری سیستم نیز به میزان ۲۳ تا ۲۵ درصد افزایش یافت که نشاندهنده کارایی باالی این سیستم در بهینه سازی فرآیندها و کاهش هدررفت انرژی است. همچنین، هزینه های عملیاتی با کاهش میانگین ۱۸ درصد مواجه شد که بهبود اقتصادی قابل توجهی را برای سیستم های برق راه آهن شهری به همراه داشت. یکی از دستاوردهای مهم این پژوهش، کاهش انتشار گازهای گلخانه ای از جمله CO۲ بود. این کاهش به دلیل بهینه سازی مصرف انرژی و کاهش نیاز به منابع فسیلی حاصل شد و نشاندهنده نقش سیستم های هوشمند در بهبود پایداری زیست محیطی است. نتایج همچنین حاکی از دقت باالی مدل LSTM در پیش بینی مصرف انرژی بود، به طوریکه درصد خطای پیش بینی در تمامی دوره های زمانی زیر ۲ درصد بود. این دقت بالا امکان مدیریت بهتر و کاهش هدررفت انرژی را فراهم کرد.

کلیدواژه ها:

سیستم هوشمند مدیریت انرژی ، یادگیری ماشین ، بهینه سازی مصرف انرژی ، کاهش انتشار گازهای گلخانه ای ، سیستم برق راه آهن شهری