پروژه های آماده کنترل هوشمند

موضوع این پروژه آماده، مقاله طراحی الگوریتم پیش بینی بار مبتنی بر شبکه های عصبی گرافی GNN در خانه های هوشمند برای تطبیقی انرژی در پایتون می باشد. چکیده- در این پژوهش، یک مدل ترکیبی نوین مبتنی بر شبکه‌های عصبی گرافی (GCN) و شبکه‌های حافظه‌دار زمانی (LSTM) برای پیش‌بینی بار مصرفی در خانه‌های هوشمند ارائه شده است. هدف اصلی، ارتقاء دقت و پایداری پیش‌بینی‌ها در محیط‌های پیچیده و پویا جهت تسهیل در مدیریت تطبیقی انرژی می‌باشد. مدل پیشنهادی ابتدا ساختار گرافی میان نودهای مصرف (اتاق‌ها یا واحدهای مسکونی) را استخراج کرده و سپس با استفاده از GCN وابستگی‌های مکانی را یاد می‌گیرد. در مرحله بعد، با ترکیب خروجی گراف با LSTM، ویژگی‌های زمانی مدل‌سازی می‌شوند. آزمایش مدل بر روی داده‌های واقعی کنتورهای هوشمند، کاهش چشم‌گیر خطا در مقایسه با مدل‌های مرجع از جمله ARIMA، ANN و LSTM را نشان داد (کاهش MAE تا ۲۴٪ و MAPE تا ۳۵٪). همچنین، در شرایط نوسانی یا غیرایستا، مدل از پایداری بالایی برخوردار بوده و توانایی تعمیم در داده‌های خارج از دامنه آموزش را حفظ کرده است. این مدل می‌تواند در سیستم‌های هوشمند پاسخ به تقاضا، کنترل بار، و بهینه‌سازی مصرف در میکروگریدها مورد استفاده قرار گیرد. کلید واژه- GCN، خانه هوشمند، LSTM، پیش‌بینی بار، مدیریت انرژی تطبیقی.