بهینه‌سازی انرژی ساختمان با استفاده از الگوریتم گرگ خاکستری و شبکه عصبی مصنوعی

یکی از بزرگترین مشکلات پیش روی بشر تامین انرژی با توجه به کاهش منابع و قیمت تمام شده‌ی زیاد است. سهم بزرگی از مصرف انرژی در جهان را ساختمان‌های اداری دارند. در این مقاله روش نوین مدیریت انرژی ساختمان مطرح می‌شود که به کمک شبکه‌های اینترنت اشیا میزان مصرف انرژی در ساختمان‌های اداری کنترل می‌شود. روش پیشنهادی شامل دو مرحله می‌باشد: مرحله اول با استفاده از شبکه عصبی مصنوعی و شش پارامتر دمای بیرون ساختمان، دمای نقطه تنظیم، تابش خورشید، اشغال، دمای ساعت قبل و ساعت روز به عنوان ورودی به شبکه عصبی پرسپترون داده می‌شود و خروجی این مرحله دمای درون ساختمان و میزان مصرف انرژی است. مرحله دوم با استفاده از الگوریتم گرگ خاکستری بهینه دما برای هر بخش ساختمان در هر ساعت از شبانه‌روز تعیین می‌شود. میزان مصرف انرژی و قیمت تمام شده انرژی برای ساختمان با استفاده از نرم‌افزار متلب محاسبه می‌شود که نتیجه آن کاهش چشمگیر مصرف انرژی و بهینه‌سازی قیمت تمام شده انرژی در ساختمان‌های اداری است. روش پیشنهادی کاهش مصرف انرژی 22 کیلو وات ساعت در ساعات ابتدایی صبح را نشان‌ می‌دهد

building energy optimization using gray wolf algorithm and an artificial neural network

one of the biggest problems facing the human being is energy supply due to reduced resource and cost. the largest share of energy consumption in the world has been allocated to the construction sector. the main sources of energy supply are coal, natural gas and oil, all of which are non-renewable and will be completed in the near future. major energy consumers can be referred to household, industrial, agricultural, general, commercial, and street lighting. among the energy consumers, the share of domestic and office sectors is higher than other consumers, and attention to reducing energy consumption and energy losses in the construction sector is an unavoidable necessity. in this paper, a new method of building energy management is proposed, which, with the help of internet networks of objects, controls the energy consumption of buildings. an administrative building with six areas is considered. the proposed method consists of two phases: the first phase, which is the prediction stage, is performed using artificial neural network and six parameters: outside temperature of the building, set point temperature, sun radiation, occupancy, previous temperature and the hour of the day are given as inputs to the perceptron neural network and the output of this phase is inside temperature of building and the energy consumption, which is given as input to the next phase. the second phase uses the gray wolf algorithm to determine the optimal temperature for each part of the building at any hour of the day. the energy consumption and cost of the building are calculated using the software of matlab, which results in a significant reduction in energy consumption and energy cost optimization in the office. the proposed method shows a reduction in energy consumption of 22 kw/h in the early morning hours.