چارچوب مولد عمیق مورفو-زمانی برای بهینه سازی هوشمند انرژی و پایش آگاه از کربن در صنایع غذایی و کشاورزی (SyncEnergy-Net)

افزایش مصرف انرژی، رشد ردپای کربن و ناکارآمدی سامانه های توزیع و مدیریت انرژی در صنایع غذایی و کشاورزی، به یکی از مهم ترین چالش های توسعه پایدار تبدیل شده است. سامانه های متداول مدیریت انرژی عموما مبتنی بر تحلیل های آماری کلاسیک یا مدل های یادگیری سطحی بوده و توانایی محدودی در مدل سازی وابستگی های پیچیده، زمانی، رفتارهای غیرخطی مصرف انرژی و الگوهای نادر اتلاف انرژی دارند. در این پژوهش چارچوبی نوین با عنوان SyncEnergy-Net ارائه می شود که یک معماری مولد عمیق مبتنی بر یادگیری مورفو-زمانی برای تحلیل، پیش بینی و بهینه سازی هوشمند انرژی در صنایع غذایی و کشاورزی است. مدل پیشنهادی از معماری ترکیبی CNN-Transformer به همراه مکانیزم همگام سازی چند مقیاسی و تابع هزینه ادراکی مبتنی بر Soft-DTW بهره می برد تا بتواند همزمان ویژگی های محلی و وابستگی های بلندمدت زمانی در جریان های انرژی را استخراج نماید. علاوه بر این، یک ماژول Carbon-Aware Optimization برای کاهش ردپای کربن و تحلیل پایداری انرژی به ساختار مدل افزوده شده است. به منظور ارزیابی عملکرد مدل، آزمایش ها روی مجموعه داده های ۲۰۱۱-۲۰۱۴ Industrial Energy Consumption، Energy Load Diagrams Smart Farm Sensor Dataset و Household Electric Power Consumption انجام شد. نتایج نشان دادند که مدل پیشنهادی نسبت به روش های مرجع شامل Autoformer، Informer، BiLSTM، STM، PatchTST و TimeGAN عملکرد بهتری در پیش بینی بار مصرفی، تشخیص الگوهای غیرعادی مصرف انرژی و تحلیل بازدهی انرژی دارد. همچنین مدل توانست میانگین خطای پیش بینی را بیش از ۱۸% کاهش داده و در تحلیل ناهنجاری های انرژی مقدار F۱-score برابر ۹۶.۱ را به دست آورد. نتایج این پژوهش نشان می دهد که استفاده از چارچوب های مولد مورفو-زمانی مبتنی بر یادگیری عمیق می تواند نقش موثری در توسعه سامانه های هوشمند مدیریت انرژی، کاهش مصرف انرژی، بهینه سازی فرآیندهای صنعتی و کاهش ردپای کربن در صنایع غذایی و کشاورزی ایفا کند.

کلیدواژه ها:

بهینه سازی ، انرژی ، کشاورزی هوشمند ، صنایع غذایی ، یادگیری عمیق ، Transformer ، شبکه های مولد ، Soft-DTW ، مدیریت انرژی ، ردپای کربن ، ۴.۰ Industry ، اینترنت اشیاء صنعتی (IIoT)