مدیریت هوشمند ناترازی انرژی در ساختمان ها: مروری نظام مند بر همگرایی یادگیری عمیق و اینترنت اشیاء

ناترازی انرژی به معنای شکاف فزاینده و نگران کننده میان ظرفیت تولید اسمی شبکه برق و اوج تقاضای مصرف لحظه ای، امروزه پایداری و تاب آوری شبکه های توزیع انرژی را در سراسر جهان با تهدیدی جدی و امنیتی مواجه کرده است. آمارهای جهانی نشان می دهد که بخش ساختمان (اعم از مسکونی و تجاری) به تنهایی سهمی بالغ بر ۴۰ درصد از مصرف نهایی انرژی و ۳۶ درصد از تولید گازهای گلخانه ای را به خود اختصاص داده است. در چنین شرایطی، گذار از رویکردهای سنتی، ایستا و منفعلانه به سمت سیستم های مدیریت سمت تقاضا (DSM) و هوشمندسازی بلادرنگ مصرف، دیگر یک انتخاب لوکس نیست، بلکه امری اجتناب ناپذیر و حیاتی برای بقای شبکه محسوب می شود. هدف اصلی و بنیادین این پژوهش، ارائه یک مرور نظام مند، جامع، فنی و تحلیلی بر راهکارهای نوین مبتنی بر همگرایی هوش مصنوعی (AI) و اینترنت اشیاء (IoT) جهت مقابله با این ابرچالش است. در این راستا، با غربالگری دقیق پایگاه های داده معتبر علمی و بررسی عمیق ۳۰ مطالعه مرجع و کلیدی در بازه زمانی ۲۰۱۸ تا ۲۰۲۴، معماری های مختلف سیستم مدیریت انرژی ساختمان (BEMS) از منظر سخت افزاری و نرم افزاری مورد واکاوی قرار گرفتند. یافته های حاصل از این تحلیل فراتحلیلی نشان می دهد که تلفیق الگوریتم های یادگیری عمیق به ویژه شبکه های عصبی بازگشتی LSTM جهت پیش بینی دقیق بار با فناوری های نوظهوری همچون دوقلوهای دیجیتال و یادگیری فدرال، پتانسیل کاهش پیک مصرف تا ۳۰ درصد را بدون کوچکترین آسیب به سطح آسایش و رفاه ساکنین داراست. همچنین نتایج حاکی از آن است که پارادایم های جدید محاسباتی نظیر پردازش لبه (Edge Computing) و معماری های غیرمتمرکز، راهکار نهایی برای غلبه بر چالش های امنیتی، حریم خصوصی و تاخیر در انتقال داده ها محسوب می شوند و می توانند مسیر را برای تحقق شهرهای هوشمند پایدار هموار سازند.

کلیدواژه ها:

ناترازی انرژی ، اینترنت اشیاء (IoT) ، دوقلوی دیجیتال ، یادگیری عمیق ، شبکه هوشمند ، یادگیری فدرال