أبنية – خاص
مع تزايد النشاط السكاني والصناعي في المدن الكبرى، يزداد الطلب على الطاقة بشكل ملحوظ، مما يؤدي إلى الحاجة الملحة لإيجاد حلول مبتكرة لتحسين إدارة استهلاك الطاقة داخل المباني، التي تمثل أحد أكبر مصادر الاستهلاك. ويتطلب هذا تحسين أداء الأنظمة الذكية وتقنيات التحكم الحديثة للحد من الفاقد في الطاقة، وتحقيق سبيل واقعي لمنظومة مُستدامة داخل الأبنية.
ماذا تعني المباني الذكية؟
المباني الذكية في المناطق الحضرية هي منشآت تعتمد على تقنيات متقدمة مثل إنترنت الأشياء “IoT” والذكاء الاصطناعي لتحسين كفاءة الطاقة، وزيادة الراحة، وضمان استدامة البيئة. تُجهز هذه المباني بأجهزة استشعار وأنظمة تحكم ذكية تقوم بمراقبة وإدارة استهلاك الطاقة والخدمات بشكل متكامل. من خلال جمع البيانات الحية وتحليلها، تستطيع هذه المباني التفاعل مع الظروف المحيطة وتعديل استهلاك الطاقة، مما يساهم في تقليل التكاليف وتعزيز استدامة البيئة الحضرية.
استخدام الذكاء الاصطناعي في إدارة الطاقة
يؤدي الذكاء الاصطناعي دورًا حيويًا في إدارة استهلاك الطاقة داخل المباني الذكية. فمن خلال استخدام تقنيات التعلم العميق، يمكن تحليل البيانات التاريخية، مثل معلومات الطقس وخصائص المباني، لتوقع استهلاك الطاقة بدقة. وتتيح هذه التنبؤات للمباني تحسين استهلاكها للطاقة وتقليل الفاقد، مما يسهم في اتخاذ قرارات أكثر فعالية في إدارة الموارد.
دمج تقنيات Industry 4.0 وإنترنت الأشياء “IoT”
يتم تعديل استهلاك الطاقة في المباني الذكية من خلال دمج تقنيات الصناعة 4.0 وإنترنت الأشياء “IoT”. تُركب أجهزة استشعار ذكية لقياس استهلاك الطاقة بشكل مستمر، مما يوفر بيانات حية. وترتبط هذه الأجهزة بالشبكة، مما يمكّن المبنى من تعديل استهلاكه للطاقة استنادًا إلى هذه البيانات والتغيرات اللحظية في ظل ظروف مثل درجة الحرارة أو عدد الأشخاص الموجودين.
من خلال هذا النظام الذكي، يتم تحقيق تحكم أكثر دقة في استهلاك الطاقة، مما يؤدي إلى تحسين كفاءة الطاقة وتخفيض التكاليف.
إطار مقترح.. ماذا تعني الشبكات العصبية التلافيفية “CNN”؟
في دراسة بعنوان “AI-powered deep learning for sustainable industry 4.0 and internet of things: Enhancing energy management in smart buildings”، تم اقتراح إطار يعتمد على تقنيات التعلم العميق مثل الشبكات العصبية التلافيفية “CNN” لتوفير حلول أكثر كفاءة في إدارة الطاقة داخل المباني الذكية. يعتمد هذا النظام على مجموعة بيانات ASHRAE – Great Energy Predictor III لتدريب النموذج، مما يجعله أداة فعالة للتنبؤ بدقة باستهلاك الطاقة استنادًا إلى مجموعة متنوعة من العوامل المتغيرة.
يتضمن النظام آليات للكشف عن الشذوذ، مما يساعد في تحديد الأعطال والكفاءات غير الفعالة في إدارة الطاقة. من خلال تطبيق هذه الآليات، يمكن للنظام تحسين استهلاك الطاقة في الوقت الفعلي وتنفيذ استراتيجيات استجابة للطلب، مما يسهم في تقليل التكاليف وزيادة كفاءة الطاقة.
مقارنة الأداء مع الأساليب التقليدية
أظهرت نتائج الدراسة المنشورة في مجلة “Alexandria Engineering Journal” التابعة لجامعة الإسكندرية أن الإطار المقترح باستخدام الشبكات العصبية التلافيفية “CNN” وتقنيات إنترنت الأشياء “IoT” يحقق دقة تصل إلى 88%. وهذا يُمثل تحسينًا ملحوظًا مقارنة بالطرق التقليدية مثل SVM وELM وLSTM، وهي طرق تعليمية ونماذج شبكات تعليمية متكررة تتعامل مع استهلاك الطاقة على المدى الطويل. مما يبرهن على فعالية الأساليب الحديثة في تحقيق تحسينات كبيرة في التنبؤ بكفاءة الطاقة.
بناءً على ما تقدم، تسهم تقنيات الذكاء الاصطناعي وإنترنت الأشياء بشكل فعال في تحسين أداء الطاقة داخل المباني الذكية. ومن خلال دمج هذه التقنيات مع إدارة الطاقة في الوقت الفعلي، يمكن تحقيق نتائج مثالية فيما يتعلق بتوفير الطاقة وتقليل التكاليف.
