دانلود پروپوزال مدیریت انرژی در خانههای هوشمند با استفاده از رویکرد اینترنت اشیا و زنجیره مارکوف |
|||
---|---|---|---|
عنوان فارسی پروپوزال |
مدیریت انرژی در خانههای هوشمند با استفاده از رویکرد اینترنت اشیا و زنجیره مارکوف |
||
عنوان انگلیسی پروپوزال | A Smart Home Energy Management System Using IoT Approach and Markov chain |
||
تعداد صفحات | 21 | ||
سال نگارش | 2023 | ||
رشته | کامپیوتر-برق | ||
قالب فایل | Word | ||
مقاله بیس | دارد |
این پروپوزال دارای مقاله بیس میباشد که قابل مشاهده و دانلود می باشد:
فهرست مطالب پروپوزال مدیریت انرژی در خانههای هوشمند با استفاده از رویکرد اینترنت اشیا
- بیان مساله اساسی تحقیق
- اهمیت و ضرورت انجام تحقیق
- مرور ادبیات و سوابق مربوطه
- جنبه جدید بودن و نوآوری در تحقیق
- اهداف مشخص تحقیق
- سؤالات تحقیق
- فرضیه های تحقیق
- روش شناسی تحقیق
- متغیرهای مورد بررسی در قالب یک مدل مفهومی
- شرح کامل روش (میدانی، کتابخانهای) و ابزار
- جامعه آماری، روش نمونه گیری و حجم نمونه
- روشها و ابزار تجزیه و تحلیل داده ها </ </li
- مراجع
بیان مسئله
افزایش هزینه و تقاضای انرژی باعث شده است که بسیاری از سازمانها، روشهای هوشمندی را برای نظارت ، کنترل و صرفهجویی در مصرف انرژی پیدا کنند. یک سیستم مدیریت انرژی هوشمند (EMS) میتواند به کاهش هزینهها و تأمین تقاضای مشتریان ، کمک کند. از فنآوریهای نوظهور اینترنت اشیاء و دادهکاوی میتوان برای مدیریت بهتر مصرف انرژی در بخشهای مختلف ازجمله مسکونی ، تجاری و صنعتی استفاده کرد.
اینترنت اشیا به شبکهای اشاره دارد که در آنهمهی اشیایی که بخشی از یک محیط هوشمند را تشکیل میدهند قابلیت ارتباط با یکدیگر را داشته باشند. اینترنت اشیا نقش کلیدی در توسعه و نگهداری سرویسهای هوشمند، شخصیسازیشده و متصلبههم دارند.با توسعه سریع اینترنت و فناوریهای ارتباطات، خانههای امروز نیز دارای محاسبات و قابلیتهای ارتباطی قوی هستند. یکخانه هوشمند مبتنی بر اینترنت اشیا IoT بهعنوان بخش مهمی از شهرهای هوشمند در حال ظهور است. هدف از خانههای هوشمند بهبود زندگی، امنیت و ایمنی و همچنین صرفهجویی در انرژی و منابع است. برای مثال یک خانه هوشمند مبتنی بر اینترنت اشیا، امکان کنترل روشنایی خانه قبل از ورود و بعد از خروج را براي کاربر را فراهم میآورد و یا با تنظیم خودکار دماي خانه میتوان به حداکثر صرفهجویی در مصرف انرژي دست پیدا کرد.
در حقیقت خانهها و ساختمانهای هوشمند طیف وسیعی از خدمات، برنامههای کاربردي، تجهیزات، شبکهها و سیستمها را که در کنار یکدیگر بهمنظور فراهم کردن یک محیط هوشمند براي حوزههایی نظیر امنیت و کنترل، ارتباطات، اوقات فراغت و آسایش، یکپارچگی محیطی و دسترسپذیری پوشش دهی میکنند (Ramadan و همکاران، 2022). یکی دیگر ازراه حل های پیشرفته برای پیش بینی تقاضای انرژی ، استفاده از زنجیره مارکوف است که در آن وضعیت فعالیت کاربر برای پیش بینی انرژی تعیین می شود (Umair و همکاران، 2023).
در این تحقیق ما یک مدل تصادفی مبتنی بر زنجیره مارکوف را برای محاسبه احتمالات انتقال حالت کاربر پیشنهاد میکنیم . حالات کاربر در مدل صرفهجویی انرژی مورد استفاده قرار میگیرد. در این رابطه، ما محدودههای مصرف انرژی را در برابر احتمالات حالت کاربر که بعداً با استفاده از دستگاه در زمان واقعی از طریق مکانیسم بازخورد بهروزرسانی میشوند، برآورد میکنیم. سپس یک الگوریتم حفاظت از انرژی فعال برای بهینهسازی عملکرد لوازم خانگی هوشمند ارائه می دهیم. برای ترکیب الگوریتمهای پیشنهادی در سناریوهای دنیای واقعی، یک معماری اینترنت اشیا مبتنی بر مه برای خانههای هوشمند پیادهسازی و مستقر شده است.
برخی از مراجع
Umair, M., Cheema, M. A., Afzal, B., & Shah, G. (2023). Energy management of smart homes over fog-based IoT architecture. Sustainable Computing: Informatics and Systems, 39, 100898.
Ramadan, R., Huang, Q., Bamisile, O., & Zalhaf, A. S. (2022). Intelligent home energy management using Internet of Things platform based on NILM technique. Sustainable Energy, Grids and Networks, 31, 100785.
Yang, Q., & Wang, H. (2021). Privacy-preserving transactive energy management for IoT-aided smart homes via blockchain. IEEE Internet of Things Journal, 8(14), 11463-11475.
Rocha, H. R., Honorato, I. H., Fiorotti, R., Celeste, W. C., Silvestre, L. J., & Silva, J. A. (2021). An Artificial Intelligence based scheduling algorithm for demand-side energy management in Smart Homes. Applied Energy, 282, 116145.
Chen, J., Deng, G., Zhang, L., & Ahmadpour, A. (2022). Demand side energy management for smart homes using a novel learning technique–economic analysis aspects. Sustainable Energy Technologies and Assessments, 52, 102023.
Huang, J., Koroteev, D. D., & Rynkovskaya, M. (2023). Machine learning-based demand response in PV-based smart home considering energy management in digital twin. Solar Energy, 252, 8-19.
نقد و بررسیها
هنوز بررسیای ثبت نشده است.