دکتر محمد دوستی زاده نشریه علمی-تخصصی دستاوردهای نوین در برق،کامپیوتر و فناوری 4 12 2024 10 10 A new method to improve energy consumption in a smart city using deep learning روشی نوین جهت بهبود مصرف‌انرژی در شهر‌هوشمند با استفاده یادگیری‌عمیق 1 12 10.22051/jera.2021.31891.2698 FA آزاده موسسه آموزش عالی غیر انتفاعی لامعی گرگانی رضا 1. موسسه آموزش عالی غیر انتفاعی لامعی گرگانی 2. گروه مهندسی کامپیوتر، دانشگاه ملی مهارت، تهران، ایران 2024 09 28 Nowadays, due to the increase in energy demand, the optimal management of energy consumption has become one of the main challenges in smart cities. This research is an important step towards making energy management smarter in smart cities. In this research, a hybrid model based on deep learning, convolutional neural networks (CNN) and long-short-term memory (LSTM) neural network is proposed to accurately predict energy consumption. By combining these two models, it is possible to have a more accurate prediction of future energy consumption and to make better decisions for energy management by identifying complex patterns of energy consumption and providing solutions to optimize energy consumption. First, energy consumption data is collected from various sources such as sensors and smart meters, then data preprocessing is done to prepare them for model training, and CNN is used to extract spatial features from energy consumption data and LSTM is used to understand the temporal patterns of these data and predict energy consumption. . The proposed method has advantages such as high accuracy of energy consumption prediction, identification of complex patterns in energy consumption, the possibility of making better decisions for energy management, helping to reduce energy consumption and improving environmental sustainability. امروزه با توجه به افزایش تقاضای انرژی، مدیریت بهینه مصرف انرژی به یکی از چالش‌های اصلی در شهرهای هوشمند تبدیل شده است. این تحقیق گامی مهم در جهت هوشمندسازی مدیریت انرژی در شهرهای هوشمند است. در این تحقیق برای پیش‌بینی دقیق مصرف انرژی یک مدل ترکیبی مبتنی بر یادگیری عمیق، شبکه‌های عصبی کانولوشنی (CNN)و شبکه عصبی حافظه‌های طولانی کوتاه مدت (LSTM) پیشنهاد می‌شود. با ترکیب این دو مدل، می‌توان پیش‌بینی دقیق‌تری از مصرف انرژی آینده داشت و با شناسایی الگوهای پیچیده مصرف انرژی وارائه راهکارهای بهینه‌سازی مصرف انرژی تصمیمات بهتری برای مدیریت انرژی اتخاذ کرد. ابتدا داده‌های مصرف انرژی از منابع مختلف مانند حسگرها و کنتورهای هوشمند جمع‌آوری می‌شود سپس پیش‌پردازش داده‌ها برای آماده‌سازی آن‌ها برای آموزش مدل انجام می‌شود و از CNN برای استخراج ویژگی‌های مکانی از داده‌های مصرف انرژی وLSTM برای درک الگوهای زمانی این داده‌ها و پیش‌بینی مصرف انرژی استفاده می‌شود. روش پیشنهادی دارای مزایایی نظیر دقت بالای پیش‌بینی مصرف انرژی، شناسایی الگوهای پیچیده در مصرف انرژی، امکان اتخاذ تصمیمات بهتر برای مدیریت انرژی، کمک به کاهش مصرف انرژی و بهبود پایداری محیط زیست است. /downloadfilepdf/1731478