شبیه سازی مدیریت بهینه انرژی خانه های هوشمند

شبیه سازی مدیریت بهینه انرژی خانه های هوشمند با توجه به صرفه جویی در انرژی و سبک زندگی راحت

Optimal Smart Home Energy Management Considering Energy Saving and a Comfortable Lifestyle

دانلود رایگان مقاله

 

مقاله ای که کار کرده ایم این را از ما میخواست که با الگوریتم pso یک مدل غیر خطی و nonlinear را بهینه سازی کنیم انرژی آن را به گونه ای که نقطه و یا نقاط بهینه و شبه بهینه را بدست بیاوریم و با استفاده از آن مقادیر در نهایت به عنوان خروجی مقاله به آن رسیده ما هم به آن اعداد برسیم و سعی بر این بوده که نمودارها را هم بتوانیم استخراج کنیم .

 

مدل را در این مقاله توضیح داده که به چه نحوی است و نوع مقاومت ها و … را توضیح داده که به شکلی است و همچنین نوع شار گذرنده از این خانه های هوشمند به چه نحوی است و مدل و به اصطلاح برنامه ای که برای optimal انرژی است رادر اینجا توضیح می دهد

و به اصطلاح به فرمول های نمایی و شار اشاره می کند

 

و در نهایت می آید برای سیستم soc یا state of charg این خانه ها فرمولی را در نظر می گیرد که بر اساس ساعت است و یک حالت تکرار شونده دارد . خب این که soc را بدست می آورد

می آید سراغ یک سری تیبل ها ( جدول ها ) این را دارد ( جدول مربوطه ) به عنوان یه سری ورودی

که این ها را در فایل به اصطلاح data به صورت فایل exel وارد کردیم این میزان …. و مقادیرش را و بعد از آن می آییم و وارد برنامه می شویم .

دستور clc صفحه را پاک می کند .

clear all همه ی پارا مترهای قبلی را که در سیستم باقی مانده را پاک می کند .

Close all همه ی برنامه ها و گراف ها و نمودارها را می بندد .

Close all force اگر هر برنامه ی دیگه ای مانده باشد به اجبار همه را می بندد .

یک قسمت اولیه ای دارد سیستم که با استفاده از فایل data مقادیر ما را می خواند و زمان را از 1 تا 24 عدد گذاری کرده ایم در این data که می آید و می خواند و سایر موارد را به همین ترتیب .

در قسمت optimazation وارد می شویم که که بر اساس الگوریتم pso آمده ایم شبیه سازی کرده ایم تعداد ذراتمان را در الگوریتم pso برابر 64 قرار دادیم ماکزیمم ایتریشن یا تعداد ماکزیممی که قرار است تکرار شود برابر 50 قرار داده ایم .

Inertia را برابر 1 قرار دادیم

Correction factor =2.0 یا ضریب … را برابر 2.0 قرار دادیم

محل اولیه ی قرار گیری pso را در سیستم گرمایشمان مشخص می کنیم به این صورت که می آییم یک مشی را درست می کنیم بر حسب x , y (8 در 8 ) و بعد از آن می آییم و جابه جا می کنیم به نحوی که برای( 1 تا 8 ) ایکس عدد 1y و دو باره 1 تا 8 ایکس عدد 2y به همین ترتیب قرار می گیرد تا پایین که مربوط به به اصطلاح مکان یابی دقیق است و بهترین مکانی که می تواند حد نهایی ما قرار گیرد را برای ما اندازه گیری می کند

qq=siz(f(:,1)); برای سایز فایل اصلی ما است و اعدادمان را از آن جا می اییم استخراج می کنیم .

در این قسمت فرمول به اصطلاح soc مان را (…)

بعد که حالا تقاضای موندن را اینجا وارد کردیم

می آییم اینجا گزینه tic را وارد می کنیم که این میآید برای ما ساعت را روشن می کند pso ما از اینجا شروع میشه

ایتریشن را از 1 تا ماکزیمم ایتریشن می آریم iter = 1:maxiter

و ذرات ( swarm ) رو جوری قرار می دیم که بیاید و موقعیت x و y را به موقعیت های جدید ببرد تا بیاید و نقطه بهینه را برای ما پیدا کند به اصطلاح در یک خانه ی هوشمند .

بعد از آن می آییم و مقدار function values را با بهترین آن ها مقایسه می کنیم با یک for , و یک if درونش و

سرعت را می آییم و آپگرید می کنیم سرعت پراکندگی ذرات را و plot می کنیم با نام

optemaizing running و در نهایت می آییم و اعداد را جایگزین می کنیم در فایل data

در این قسمت plot هایمان را draw می کنیم

فیگور 1 را می نویسیم با نام figure(1)

و فیگور رو به صورت bar به این معنا که بیا و نمودارهای میله ای را برای ما بکش و t زمان شبیه سازی که قبلا از 1 تا 24 تعریف کردیم electrical_demand و y رنگش را زرد بگیر و hold on یعنی نگهش دار

و دو تا line کشیده می شود برای figure اولیه طبق مقاله

که به این شکل است که دوتا نمودار خطی دارد و یک نمودار میله ای به همین شکل می آییم رسم می کنیم که شکلمان شبیه شود

اگر شبیه سازیمان را run کنیم ذرات پراکنده را در الگوریتم pso روی یک نقطه متمرکز می کند و بعد از آن شکل را رسم می کند باید صبر کنیم تا شبیه سازی را optimaization تمام شود چون شبیه سازی سنگینی است زمان شبیه سازی ما طول می کشه تا به آن نقطه دلخواه برسیم .

بعد از اینکه همه ی ذرات روی یک نقطه به اصطلاح متمرکز شدند تمام شکل ها برای ما استخراج می شود

می بینید که demand بر اساس یک نمودار میله ای 24 تایی رسم شد و hot water demand و

per . mov . avg ( electrical demand ) را با خط مشکی کم رنگ می بینید که شبیه به ورودی مقاله است که در این قسمت وجود دارد

و حالا سایر به اصطلاح figure10 این هم شکل 10 ما است که شکل نزدیک به مقاله است

و figure.9. optimal opeation manegement است که powe را بر حسب زمان (ساعت ) می کشد .

این شکل heat flow(kw) میزان گرمایی است که از واحدهای ما می گذرد

هر کدام از phi ها را در حالت های مختلف fa , fo , ao , در حالت hot و cold تقسیم کرده ایم

در این شکل هم controllers performances آمدیم و به دو تا روش ucr و tcr ترسیم کردیم که طبق مقاله است .

در این قسمت می آییم title را می گذاریم که total electrical انها hot water demand هست و

Xlabal را electrical demand بر حسب kw قرار می دهیم

Ylable را برابر time بر حسب h قرار می دهیم

Legend مارکهایی است که در کنار شکل بالا می خورد .

و از سه قسمت electrical demand و hot water demand و per.mov.avg ( electrical demand ) در نظر گرفته شده و grid به معنای خط کشهایی است که بهتر دیده بشود ( خط های خاکستری رنگ ) (خطهای پشت زمینه بالای شکل بالایی )

Figor5 دوباره از bar و 2 تا line تشکیل شده و سایر قسمت هایی که به اصطلاح مقاله دارد و ما آن ها را شبیه سازی کرده ایم که جواب های شبیه سازی برابر جواب های اصلی است

سعید عربعامری
من سعید عربعامری نویسنده کتاب 28 گام موثر در فتح متلب مدرس کشوری متلب و سیمولینک و کارشناس ارشد مهندسی برق قدرتم . بعد از اینکه دیدم سایتهای متعدد یک مجموعه کامل آموزش متلب و سیمولینک ندارند به فکر راه اندازی این مجموعه شدم
http://sim-power.ir