طراحی سیستم هوشمند کاهش مصرف انرژی الکتریکی در ساختمان های مسکونی شهر خمینی شهر با استفاده از یادگیری تقویتی عمیق (Deep Reinforcement Learning)

شهر خمینی شهر در استان اصفهان، با رشد سریع شهرنشینی و افزایش تقاضای انرژی، شاهد افزایش چشمگیر مصرف برق در بخش مسکونی است. آمار شرکت توزیع برق اصفهان (۱۴۰۳) نشان می دهد که مصرف سرانه برق در این شهر در فصل تابستان به بیش از ۳۲ کیلووات ساعت در روز می رسد. این پژوهش با هدف طراحی و ارزیابی یک سیستم هوشمند مبتنی بر یادگیری تقویتی عمیق (Deep Reinforcement Learning یا DRL) برای کاهش مصرف انرژی الکتریکی در واحدهای مسکونی خمینی شهر انجام شده است. سیستم پیشنهادی با استفاده از الگوریتم Deep Q-Network (DQN)، به صورت پویا تصمیم گیری می کند که چه زمانی سیستم های مصرف بر (به ویژه کولر آبی و نورپردازی) فعال یا غیرفعال شوند، بر اساس داده های بلادرنگ از حضور ساکنان، دمای محیط، رطوبت نسبی، الگوی مصرف تاریخی و قیمت لحظه ای برق. داده ها از ۱۵۰ واحد مسکونی در ۵ محله مختلف خمینی شهر (شامل مناطق مرکزی، صنعتی، و حاشیه ای) جمع آوری شد. مدل با استفاده از شبیه سازی در نرم افزار EnergyPlus و پیاده سازی در محیط Python-TensorFlow آموزش دید. یافته ها نشان داد که سیستم DRL پیشنهادی توانسته است مصرف انرژی الکتریکی را به طور میانگین **۲۵.۳%** کاهش دهد، در حالی که شاخص رضایت کاربران تنها ۰.۲۵ واحد کاهش یافته است (از ۴.۴۵ به ۴.۲۰ از ۵). همچنین، سیستم توانسته است بار مصرف در ساعات اوج (۱۲ تا ۱۶ و ۱۸ تا ۲۲) را به طور میانگین **۳۴.۱%** کاهش دهد — که برای شبکه برق منطقه ای خمینی شهر بسیار حائز اهمیت است. این نتایج نشان می دهد که DRL می تواند به عنوان یک راهکار هوشمند، مقرون به صرفه و سازگار با شرایط محلی، در برنامه های ملی بهره وری انرژی در شهرهای متوسط ایران مورد استفاده قرار گیرد.

کلیدواژه ها:

هوش مصنوعی ، یادگیری تقویتی عمیق ، کاهش مصرف انرژی ، خمینی شهر ، ساختمان های هوشمند ، Deep Q-Network