نویسنده : فرزانه فرخي

دانشكده : دانشکده تحصیلات تکمیلی و مجتمع فنی

رشته/گرایش تحصيلي : مهندسي كامپيوتر- نرم افزار

استاد راهنما (استاد مدعو) : , اعظم السادات نوربخش,

چكيده : اهمیت انرژي در پیشرفت روزافزون صنايع و اقتصاد كشورها به اندازه اي مورد توجه است كه نیاز به صرفه جويي آن در تمامي كشورهاي دنیا به خصوص كشورهاي روبه رشد جهان به گونه اي خاص، احساس شده است. اتلاف انرژي در كشورهاي روبه رشد بیش از ساير كشورها به چشم مي خورد، که این امر بر لزوم جلوگیري از هدر رفتن آن مي افزايد. بر اساس مطالعات اخیر ، استفاده از سیستم هوشمند می تواند به طور متوسط 20 % از مصرف انرژی و هزینه های جاری ساختمان را کاهش دهد که علاوه بر کاهش مصرف انرژی با خاموش نمودن و کنترل آنها موجب کاهش استهلاک و افزایش طول عمر دستگاه ها و کاهش هزینه های مربوطه می گردد. روش های کنترل مبتنی بر سیستم استنتاج عصبی– فازی تطبیقی می تواند مصرف انرژی گرمایی را در ساختمان پیش بینی نموده و باعث بهبود بازده انرژی در ساختمان شود . سیستم ANFIS می‌تواند با الگوریتم های بهینه سازی فرا ابتکاری ترکیب شده و اجرای شبکه آموزش و تست را بهینه نماید. در این پایان نامه به دلیل مزایای متعدد سیستم استنتاج عصبی – فازی تطبیقی ، مانند انطباق پذیری برای روش‌های انطباقی و بهینه سازی، و همچنین اثربخشی و کارایی محاسباتی از این سیستم استفاده شده است. داده های پیشنهادی این تحقیق در یک بازه 3 ساله در سن دیگو ایالت کالیفرنیای آمریکا و خروجی بار حرارتی مورد نیاز جهت ایجاد شرایط تهویه مطبوع از پایگاه داده وزارت انرژی ایالت متحده در سایت openei.org استخراج گردید . یکی از محتمل‌ترین روش‌های بهینه‌سازی ساختار شبکه عصبی فازی از طریق تنظیم پارامترهای تابع عضویت ورودی‌ها و خروجی می‌باشد. همچنین در هر مسئله بهینه‌سازی نیاز به یک ضابطه جهت سنجش برتری هر عضو بر عضو دیگر می‌باشد. در این مورد کاهش خطای مدل‌سازی نزدیک‌ترین و بهترین ضابطه قابل اندازه‌گیری است. در این تحقیق بهینه سازی ANFIS توسط دو الگوریتم ژنتیک و ازدحام ذرات و در نرم افزار متلب پیاده سازی گردید.درصد بهبود میانگین مجذور خطای تست در بهینه سازی با روش ازدحام ذرات 19.84 % و در بهینه سازی با الگوریتم ژنتیک 9.04 % نسبت به شبکه ANFIS استاندارد نرم افزار متلب می باشد. در نهایت شبکه انفیس بهینه شده توسط الگوریتم ازدحام ذرات ضمن زمان اجرای بسیار کمتر (در حدود یک چهارم) نسبت به الگوریتم ژنتیک توانست به نتایج بهتری دست یابد. کلمات کلیدی: پیش بینی انرژی گرمایی ، شبکه استنتاج عصبی – فازی تطبیقی، بهینه سازی، الگوریتم ژنتیک، الگوریتم ازدحام ذرات، سیستم مدیریت هوشمند انرژی  

تاريخ دفاع : 1395-6-29