ساختمان‌های انرژی تقریباً صفر (nZEB) به ساختمان‌هایی اطلاق می‌شود که به لطف صرفه‌جویی در انرژی، ذخیره انرژی و تولید انرژی تجدیدپذیر توزیع‌شده، تعادل تقریباً صفر را در مصرف انرژی سالانه فراهم می‌کنند. پس از تصویب کمیسیون اروپا در سال 2010، تمام ساختمان‌های جدید در اتحادیه اروپا باید تا 31 دسامبر 2020 به ساختمان‌های تقریباً صفر انرژی تبدیل شوند، اما کمیسیون این دستورالعمل را در دسامبر 2021 بازبینی کرد. اکنون الزامات nZEB از 1 ژانویه 2030 اعمال می شود [1]. برای دستیابی به مفهوم nZEB، دو شرط باید مورد هدف قرار گیرد: اولی کاهش مصرف انرژی و دومی استفاده از منابع تجدیدپذیر برای تولید انرژی. علاوه بر این، برای دستیابی به nZEB برای این ساختمان‌های هوشمند، که «خانه‌های هوشمند» نیز نامیده می‌شوند، که در آن از طرح‌های قیمت‌گذاری انعطاف‌پذیر، زمان استفاده، قیمت‌گذاری در زمان واقعی و اوج قیمت‌گذاری بحرانی برای استنباط زمان، مدت و دفعات استفاده استفاده می‌شود. از لوازم خانگی [2]، [3]. این خانه‌های هوشمند را می‌توان به صورت مکمل با شبکه تامین کرد، بنابراین در صورت تولید بیش از حد انرژی تجدیدپذیر، برق را می‌توان به اپراتور شبکه فروخت. سیستم‌های فتوولتائیک (PV) به لطف پیشرفت‌ها و سهولت تکنیک‌های طراحی و کنترل نیروگاه PV، منبع اصلی این تولید پراکنده تجدیدپذیر هستند. [4]، [5]، [6]. با این حال، به دلیل قطع برق PV، استفاده از عناصر پشتیبان یا یک سیستم متصل به شبکه ضروری است. [7]. علاوه بر این، یک سیستم مدیریت انرژی خانگی برای مدیریت انرژی و برنامه ریزی تقاضا نصب شده است که تمرکز این مقاله است.
در ادبیات، چندین مقاله بر برنامه ریزی تقاضا و/یا مدیریت انرژی در خانه های هوشمند متمرکز شده است. به عنوان مثال، در مقاله آنها [8]، کائو و همکاران یک نمای کلی از مصرف انرژی در ساختمان ها ارائه کرد و رویکردی را توسعه داد که شامل استفاده از تکنیک های صرفه جویی در انرژی و استفاده از منابع انرژی تجدید پذیر است. علاوه بر این، جاوید و همکاران. [9] استفاده از الگوریتم‌های مدیریت سمت تقاضا، یعنی الگوریتم‌های ژنتیک (GA)، بهینه‌سازی مبتنی بر یادگیری (TLO)، تکامل تفاضلی (DE)، و یک الگوریتم یادگیری افتراقی پیشرفته (EDTLA). در این کار تحقیقاتی، نویسندگان مدیریت بهینه توان الکتریکی موجود از منابع تجدیدپذیر و راحتی کاربر را مورد مطالعه قرار دادند. از این رو، در مقاله آنها، مصرف برق لوازم خانگی در پاسخ به سیگنال قیمت لحظه ای برای به دست آوردن مزایای پولی اصلاح می شود.
علاوه بر این، مقاله در [10] مورد یک خانه هوشمند را مورد مطالعه قرار داد که هم انرژی الکتریکی و هم انرژی حرارتی را استفاده و تولید می کند. در واقع، روش پیشنهادی در این مقاله تحقیقاتی شامل تعیین حداقل زمان‌بندی هزینه منابع انرژی موجود همراه با وسایل قابل کنترل و در عین حال برآوردن شاخص آسایش ساکنین و محدودیت‌های فنی است. علاوه بر این، نویسندگان از [11] زمانی که قیمت برق از قبل مشخص شده باشد، یک طرح زمان بندی توان بهینه سازی را در یک واحد مسکونی پیشنهاد کرد. بنابراین، در این مقاله، دو نوع لوازم خانگی در نظر گرفته شد: آنهایی که عملکرد تاخیری دارند و آنهایی که می توانند با سطح توان کاهش یافته کار کنند و باعث ایجاد ناراحتی برای مصرف کنندگان شوند. زمان‌بندی توان بهینه‌سازی برای دستیابی به مبادله مطلوب بین هزینه ناراحتی و سود اقتصادی اجرا شد.
عدنان و همکاران در مقاله خود. [12] از الگوریتم‌های فراابتکاری برای بهینه‌سازی مدیریت انرژی سیستمی متشکل از منابع انرژی تجدیدپذیر و ذخیره انرژی که یک خانه هوشمند را تامین می‌کند، استفاده کرد. نتایج نشان دهنده کاهش کلی 40.05 درصدی هزینه و 41.07 درصدی در نسبت پیک به میانگین (PAR) در مقایسه با بار برنامه ریزی نشده بدون منابع انرژی تجدیدپذیر و ذخیره انرژی است. یک الگوریتم زمان‌بندی فرصت‌طلب (OSA) برای کاربران مختلف و اولویت‌های اختصاص داده شده بر اساس تقاضای انرژی در قیمت‌گذاری بلادرنگ در [13]. به منظور به حداقل رساندن مصرف برق و به حداکثر رساندن راحتی کاربر، دو الگوریتم زمان بندی پیشنهاد شد. نتایج شبیه‌سازی اثربخشی الگوریتم‌های پیشنهادی را با کاهش هزینه احتمالی 48.28 درصد تأیید می‌کند.
علاوه بر این، مرزبان و همکاران. [14] الگوریتمی را برای سیستم مدیریت انرژی ترکیبی (HEMS) ارائه کرد که بر روی ریزشبکه اعمال می‌شود که بر اساس بهینه‌سازی چند لایه و مستعمره است. هدف این مقاله تعریف عملکرد بهینه منابع خرد، و همچنین کاهش هزینه تولید برق با برنامه‌ریزی ساعتی در روز آینده و زمان واقعی است. تجزیه و تحلیل نتایج به‌دست‌آمده نشان داد که در مقایسه با دو الگوریتم دیگر، عملکرد 20 درصد بهبود یافته و هزینه‌های انرژی تا 5 درصد کاهش یافته است. یک HEMS بر اساس چهار الگوریتم فراابتکاری برای کاهش مصرف انرژی و به حداکثر رساندن راحتی کاربر طراحی و به تفصیل در [15]. در واقع، نویسندگان سه طرح ترکیبی را برای ترکیب فراابتکاری پیشنهاد کردند. الگوریتم ها با موفقیت برای 20، 50، 100 و 200 خانه ناهمگن اعمال شدند. علاوه بر این، [16] تمرکز بر زمان‌بندی بار بر اساس تئوری بازی و تجارت قدرت در سیستم‌هایی با نفوذ بالای منابع انرژی تجدیدپذیر. کاربران می توانند تولید برق اضافی خود را به سایر کاربران یا یک شرکت برق بفروشند. بنابراین، کاربران برای فروش نیروی اضافی مربوطه به همسایگان خود به رقابت می پردازند، جایی که هدف هر کاربر با انتخاب مناسب قیمت و تولید پیشنهادی، به دست آوردن سهم بیشتری از بازار و به حداکثر رساندن درآمد است.
کاغذ [17] یک برنامه زمان بندی بار برای یک واحد مسکونی با تولید یکپارچه تجدیدپذیر و ذخیره انرژی ارائه کرد. این پویایی دلخواه ناشناخته منابع تجدیدپذیر، بارها و قیمت برق را فرض می کند، هدف به حداقل رساندن هزینه کلی سیستم است. الگوریتم مورد استفاده بهینه سازی لیاپانوف بود و با الگوریتم های جایگزین مقایسه شد. رحیم و همکاران [18] به طور مقایسه ای عملکرد مدیریت انرژی خانه را با استفاده از 3 الگوریتم مختلف ارزیابی کرد: یک الگوریتم ژنتیک، یک بهینه سازی ازدحام ذرات باینری و یک الگوریتم بهینه سازی کلنی. یک معماری عمومی برای مدیریت سمت تقاضا برای ادغام دامنه منطقه مسکونی با دامنه منطقه هوشمند از طریق یک شبکه گسترده معرفی شد. نتایج نشان می‌دهد که الگوریتم ژنتیک بهترین نتایج را از نظر کاهش قبض برق، به حداقل رساندن نسبت اوج به میانگین و حداکثر کردن سطح راحتی کاربر به دست می‌آورد.
رشید و همکاران [19] الگوریتم‌های مدیریت انرژی بلادرنگ را برای کاهش هزینه‌های برق و نسبت پیک به میانگین ارائه کرد و در عین حال راحتی کاربر را در خانه هوشمند حفظ کرد. این دستگاه‌ها در پاسخ به قیمت برق و ترجیحات مشتری بهینه‌سازی شدند تا صرفه‌جویی در هزینه برق و راحتی کاربر را به حداکثر برسانند و در عین حال انرژی محدود را به حداقل برسانند. با توجه به راحتی کاربر، لوازمی در نظر گرفته می شود که در آنها کاربران می توانند زمان انتظار را برای افزایش یا کاهش سطح راحتی خود تنظیم کنند. الگوریتم پیشنهادی هزینه برق و PAR را به ترتیب 22.63 و 22.77 درصد کاهش داد. حداکثر خود مصرفی نیز در [20]، جایی که نویسندگان معماری یک ساختمان مسکونی در شهر پیزا را با یک ژنراتور PV و یک پمپ حرارتی منبع زمینی نظارت کردند. هدف آزمایش امکان‌سنجی راه‌حل فنی از منظر تشویق خود مصرفی nZEB بود. یکی از نتایج این است که راندمان بین انواع مختلف ماژول ها بین 12 تا 16 درصد است. مارتیرانو [21] یک مدل معماری امکان پذیر برای سیستم های ساختمان فنی برای nZEB ها ارائه کرد. این مدل کاربران را در اطراف یک گره الکتریکی جمع کرد تا به مقدار آستانه توان الکتریکی برسد و به پروفایل بار تجمعی با فضیلت‌تر و انعطاف‌پذیرتر دست یابد. ساختمان دارای یک نقطه اتصال واحد بود، با گرمایش و آب گرم خانگی که توسط یک سیستم پمپ حرارتی الکتریکی متمرکز تولید می شد. انرژی تجدیدپذیر توسط یک میدان فتوولتائیک متصل به شبکه مشترک تامین می شد. هدف، بهره برداری از اینرسی حرارتی به عنوان ذخیره انرژی و کنترل کل تقاضای الکتریکی، اجتناب از پیک ها و حفظ مشخصات بار مسطح بود.
نویسندگان در [22] یک سیستم nZEB ارائه کرد که تولید فتوولتائیک (PV)، تقاضای بار و کنترل باتری را در نظر گرفت که از طریق برنامه‌نویسی خطی (LP) به دست آمد. نتایج نشان می دهد که مدل LP به طور موثر انرژی وارداتی و صادراتی و همچنین باتری nZEB را کنترل می کند. نرم افزار رایگان System Advisor Model به LP اضافه شد تا غیرخطی بودن ذخیره سازی باتری را برطرف کند، بنابراین عملکرد سیستم را تا 2.0% بهبود می بخشد. متقابلا، [23] یک روش تحلیل حساسیت جهانی برای شناسایی پارامترهای اصلی موثر بر تعاملات یک شبکه nZEB، با روش مونت کارلو که برای شبیه‌سازی عدم قطعیت‌های پارامتر استفاده می‌شود، پیشنهاد کرد. نتایج به‌دست‌آمده توسط روش منجر به کاهش قابل‌توجهی در پارامترهای بهینه‌سازی nZEB شد.
که در [24]، روشی پیشنهاد شد که مبادله بین هزینه انرژی و راحتی کاربر را در یک خانه هوشمند مطالعه می کند. این روش پیش‌بینی تولید را با استفاده از رگرسیون بردار پشتیبانی، سطوح راحتی کاربر از طریق خوشه‌بندی K-means و بهینه‌سازی مدیریت انرژی با استفاده از الگوریتم ژنتیک مرتب‌سازی غیرمسلط (NSGA-II) در نظر گرفت. نتایج نشان دهنده کاهش هزینه 51.4 درصدی در مقایسه خانه هوشمند با و بدون تولید پراکنده و بانک باتری است. که در [25]، ادبیات nZEB مورد بررسی قرار گرفت و کاربرد آن در محله های مختلف در بلژیک مورد تجزیه و تحلیل قرار گرفت. یکی از نتایج این بود که نصب 20 متر2 پنل های خورشیدی روی پشت بام هر ساختمان، انرژی تجدیدپذیر معادل 6.53 درصد از انرژی مصرفی جهان را تولید می کند. علاوه بر این، دستیابی به nZEB با تجدید بهره وری انرژی ساختمان، استفاده از پانل های فتوولتائیک و استفاده از وسایل نقلیه الکتریکی امکان پذیر است که منجر به کاهش مصرف انرژی فعلی تا 90 درصد می شود.
که در [26]نویسندگان اطلاعاتی را از 30 سال در زمینه nZEB گردآوری کردند و محققان، حوزه های موضوعی، تکامل و تأثیرگذارترین کشورها در این زمینه را شناسایی کردند. نتایج نشان می دهد که وسایل نقلیه الکتریکی، محله های بدون آلایندگی و ساختمان های هوشمند هنوز مناطقی هستند که نیاز به بررسی بیشتر دارند. که در [27]، وضعیت هنر مورد بررسی قرار گرفت و دستورالعمل هایی برای تحقیقات آینده ارائه شد، با استراتژی هایی برای بازسازی ساختمان های موجود و ارتقای nZEB ها در سطح محله به عنوان مناطقی که نیاز به بررسی بیشتر دارند.
بر اساس کارهای تحقیقاتی فوق، بدیهی است که مطالعاتی بر روی بهینه‌سازی هزینه‌های انرژی یا ایجاد یک مبادله بین هزینه انرژی و آسایش در nZEBs متمرکز شده‌اند. با این حال، به نظر می رسد یک شکاف در تحقیقاتی وجود دارد که هدف آن به دست آوردن یک سیستم nZEB است که در آن راحتی تعریف می شود، تقاضا تخصیص می یابد و مقدار مورد نیاز پانل های PV برای اطمینان از کارایی و قابلیت اطمینان بهینه می شود. این رویکرد کمکی نوآورانه در زمینه تحقیقات nZEB خواهد بود. جدول 1 اطلاعات اصلی از کارهای مرتبط در ادبیات را خلاصه می کند، مانند الگوریتم بهینه سازی مورد استفاده، ویژگی های توابع هدف، و محدودیت های مدل پیشنهادی.
ترجمه و ارائه توسط: ttmnews