مشخصات

زبان

بانک اطلاعاتی

فایل ها

توضیحات

فایل های شبیه سازی شده در NS۲ ، خروجی های به دست آمده ، نمودار ها ، داکیومنت ۸ صفحه ای برای معرفی پروژه و تجزیه و تحلیل نتایج و نمودارها در فایل ورد و فیلم نحوه اجرا و خروجی گرفتن دارد - مقاله پایه آماده دانلود است

۱۹۷,۰۰۰ تـــــومان

مطالب مرتبط

کاهش هزینه مصرفی در سیستم مدیریت انرژی خانه هوشمند (HEMS) با زمان بندی در NS2

تصویر reduce-energy-consumption-hems-ns2-6267_1 کاهش هزینه مصرفی در سیستم مدیریت انرژی خانه هوشمند (HEMS) با زمان بندی در NS2

کاهش هزینه مصرفی در سیستم مدیریت انرژی خانه هوشمند با NS2

در این بخش پروژه شبیه سازی کاهش هزینه مصرفی در سیستم مدیریت انرژی خانه هوشمند (HEMS) مبتنی بر درخواست و پاسخ با استفاده از زمان بندی در نرم افزار NS2 به همراه داکیومنت و فیلم نحوه اجرا آماده کرده ایم که در ادامه به معرفی پروژه پرداخته و فیلم و تصاویر خروجی آن قرار داده شده است. همچنین مقاله پایه نیز به صورت رایگان قابل دانلود می باشد.

اینترنت اشیا در خانه هوشمند

یکی از زمینه هایی که اینترنت اشیا (IOT) در آن به سرعت پیشرفت نموده است، خانه هوشمند (Smart Home) می باشد. در رابطه با این موضوع و با استفاده از حسگرهای مختلف نظیر، حسگر دما، دود، رطوبت، حرکتی و غیره سیستم هایی جهت نظارت و کنترل فضای داخل خانه طراحی و پیاده سازی شده اند. در سیستم های خانگی موجود، لوازم خانگی متعددی وجود دارند که هریک متناسب با وظیفه خود، از انرژی موجود استفاده می کنند. با توجه به عدم بهینگی این دستگاه ها و هچنین مصرف انرژی بالا، هزینه های زیادی به یک سیستم خانگی تحمیل می گردد. همچنین با توجه به قانون چند نرخی بودن انرژی  و کاهش مصرف انرژی می توان راه حلی بهینه جهت صرفه جویی انرژی پیدا نمود.

استفاده از الگوریتم SVM

با استفاده از روش های متفاوت امروزی می توان میزان انرژی مصرفی و سقف بار استفاده شده توسط لوازم خانگی را پیش بینی نموده که این پیش بینی می تواند باعث کاهش هزینه انرژی مصرفی گردد. بدین منظور در این پروژه یک روش مبتنی یادگیری ماشین نظارت شده به نام الگوریتم ماشین بردار پشتیبان (SVM) برای پیش بینی انرژی مصرفی و میزان بار مصرفی در خانه هوشمند پیشنهاد می دهیم.

در این بخش به پیش بینی انرژی مصرفی و پیک بار مصرفی در خانه هوشمند توسط ماشین بردار پیشتیبان یا الگوریتم SVM می پردازیم. ماشین بردار پیشتیبان با توجه به انرژی مصرفی و بار مصرفی در سری زمانی گذشته و رفتار آنها، میانگین مصرفی و میزان بار مصرفی آنها محاسبه می کند. روش کار ماشین بردار پشتیبان، مبتنی بر دسته‌ بندی خطی داده ‌ها می باشد و در تقسیم خطی داده‌ ها سعی می ‌کنیم خطی را انتخاب کند که حاشیه اطمینان بیشتری داشته باشد.

در راهکار پیشنهادی نیز، در زمان های مختلف مصرف انرژی و بار مصرفی را در نظر خواهیم گرفت و به صورت داده های خطی نمایش می ‌دهیم. سپس از بین داده ‌ها در زمان های مختلف، خطی را حاشیه اطمینان بیشتری دارد را از بین مقادیر انتخاب خواهیم کرد. از مزایای ماشین بردار پشتیبان می توان به این موارد اشاره کرد: آموزش نسبتا ساده است، برخلاف شبکه های عصبی در ماکزیمم های محلی گیر نمی ‌افتد. برای داده های با ابعاد بالا تقریبا خوب جواب می دهد.‌ مصالحه بین پیچیدگی دسته بندی کننده و میزان خطا به طور واضح کنترل می شود.‌ ماشین بردار پیشتیبان یکی از روش های یادگیری با نظارت می باشد که برای رگرسیون و طبقه بندی استفاده می شود.

هدف کلی پروژه

ما در این پروژه سه هدف کلی را دنبال می کنیم که شامل کاهش هزینه مصرف انرژی در سیستم های خانه هوشمند ، پیش بینی میزان مصرف انرژی در ساعات پیش رو و افزایش طول عمر لوازم خانگی موجود در خانه هوشمند می باشد. سناریوی شبکه پیشنهادی مبتنی بر تکنولوژی Zigbee و استاندارد 802.15.4 می باشد. با توجه به اینکه در شبکه zigbee ، سنسورهای موجود دارای برد کوتاه و انرژی محدودی می باشند لذا باید راهکاری مناسب جهت برقراری ارتباط بین سنسورها و همچنین انرژی مصرفی آنها در نظر گرفت.

شبیه سازی با نرم افزار NS2

با توجه به اینکه خانه هوشمند و تکنولوژی ZigBee شبکه نسبتا جدیدی می باشد، لذا ابزاهای زیادی برای پیاده سازی یا شبیه سازی آن وجود ندارد. یکی از قدرتمند ترین ابزارها برای شبیه سازی این شبکه‌‌، شبیه ساز شبکه NS2 است که تحت لینوکس و اپن سورس می ‌باشد. این شبیه ساز با توسعه ‌هایی که بر روی آن اضافه می شود توانایی شبیه سازی شبکه های جدید را داراست. توسعه شبکه ZigBee در نرم افزار NS2 ، امکان شبیه سازی و اجرای توابع مخصوص این شبکه که شامل Handoff و ارسال داده در محدوده پایین ‌را امکان پذیر می سازد. نسخه استفاده شده از شبیه سازی NS2 در شبیه سازی بسیار مهم می باشد و دلیل آن عدم پیشتیبانی بعضی نسخ از پروتکل زیگبی می باشد. نسخه استفاده شده در این پروژه نسخه NS2.35 می باشد. از توسعه هایی که در این شبیه سازی مورد استفاده قرار گرفته است می توان به پروتکل zigbee و استاندارد 802.15.4  اشاره کرد.

تصویر reduce-energy-consumption-hems-ns2-6267_7 کاهش هزینه مصرفی در سیستم مدیریت انرژی خانه هوشمند (HEMS) با زمان بندی در NS2

شکل بالا سناریوی راهکار پیشنهادی در خانه هوشمند را نشان می دهد. در این شکل سنسورهای مختلف در خوشه های مختلف دسته بندی شده اند. پس خوشه بندی هر سنسور داده های خود را به نزدیک ترین سرخوشه با که استفاده از راهکار این تحقیق بدست آمده است ارسال خواهد کرد. پس از ارسال به سرخوشه، این سنسور داده های جمع آوری شده را به یک گره با قدرت پردازش و حافظه بالا ارسال می کند. کنترل کننده، با استفاده از داده های جمع آوری شده درباره وضعیت خانه تصمیم گیری می کند.

تعداد سنسورهای خانه از 10 الی 300 حسگر متغیر می باشد. مدل آنتن استفاده شده omni-antenna می باشد. به آنتن های میله ای شکلی که تشعشات آنها در تمام جهت ها منتشر می شود، آنتن های Omni-Directional یا همه طرفه می گویند، آنتن های دو قطبی یا Dipole یک نوع آنتن Omni-Directional هستند. در مقاله پایه که در قسمت بعد به آن می پردازیم نیز از آنتن Dipole استفاده شده است. Transmission range که در جدول 4-1 وجود دارد به منظور محدوده انتقال می باشد که حسگرهای این شبیه سازی تا فاصله 300 متر می توانند اطلاعات خود را ارسال نمایند. در مسیریابی از پروتکل AODV بهره بردیم که این مسیریابی Ad-hoc On Demand Distance Vector محبوب ترین پروتکل مسیریابی reactive است که برای شبکه های ادهاک موبایل و سایر سایر شبکه های بی سیم طراحی شده است.

این پروتکل قادر به یافتن مسیر بین گره ها بوده و توانایی انجام هر دو نوع مسیریابی unicast و multicast را دارد. در لایه MAC از پروتکل 802_11 استفاده شده است. برای توزیع حسگر های شبیه سازی از روش یکنواخت استفاده شده است. همانطور که قبلا نیز اشاره شد انرژی این حسگرها محدود می باشد و در هر انتقال یا دریافت داده مقداری از انرژی حسگرها کاهش پیدا می کند. مقدار انرژی اولیه حسگر ها را 10 ژول در نظر گرفتیم. برای مقایسه و ارزیابی سناریوهای شبیه سازی از تعداد حسگرها استفاده شده که سناریوها دارای 10، 50، 100، 150، 200، 250 و 300 حسگر می باشند. در شبیه سازی NS2 زیر برنامه ای به NAM یا Network Animator وجود دارد که با استفاده از آن می توان شکل بصری و واقعی حسگرها و نحوه ارسال اطلاعات آنها را مشاهده نمود.

تصویر reduce-energy-consumption-hems-ns2-6267_6 کاهش هزینه مصرفی در سیستم مدیریت انرژی خانه هوشمند (HEMS) با زمان بندی در NS2

پس از اجرای شبیه سازی، دو نوع خروجی می توان مشاهده نمود. خروجی nam و خروجی tr . خروجی nam که بالا توضیح داده شد. خروجی tr یک فایل متنی می باشد که وابسته به تعداد گره ها، میزان ارسال اطلاعات و مدت زمان شبیه سازی حجم و طول آن متغیر می باشد. از این فایل tr به منظور دریافت و بررسی خروجی های شبیه سازی مانند: مصرف انرژی، تاخیر، گذردهی یا توان عملیاتی و غیره می توان استفاده نمود.

در این پروژه ما با توجه به 7 سناریوی متفاوت، خروجی های بدست آمده را  استخراج و مورد ارزیابی و مقایسه قرار دادیم. به منظور مقایسه با یک مدل خارجی از مقاله پایه استفاده شده است. فاکتورهای مصرفی انرژی و تاخیر بسته های پروژه با مقاله پایه مقایسه و ارزیابی شده است که در بخش بعدی در مورد آن بحث خواهیم کرد. مقاله پایه یک روش پیش یادگیری مبتنی بر درخواست / پاسخ در خانه هوشمند را پیشنهاد می دهد. روش این مقاله از یک روش شبکه عصبی هوشمند برای پیش بینی مصرف انرژی در ساعات آینده استفاده می کند. نتایج حاصل شبیه سازی روش آنها حاکی از بهبود در میانگین تاخیر و هزینه مصرف الکتریکی می باشد. ما با استفاده شبیه سازی دو روش شامل راهکار پیشنهادی خود و مقاله پایه، آنها را مورد ارزیابی و بررسی قرار دادیم. مقایسه دو راهکار بر مبنای میزان تاخیر و انرژی مصرفی می باشد.

 


تصویر 1
تصویر 2
تصویر 3
تصویر 4
تصویر 5
تصویر 6
تصویر 7
تصویر 8
تصویر 9
تصویر 10
باکس دانلود
شناسه:
۶۲۶۷
توضیحات:
فایل های شبیه سازی شده در NS۲ ، خروجی های به دست آمده ، نمودار ها ، داکیومنت ۸ صفحه ای برای معرفی پروژه و تجزیه و تحلیل نتایج و نمودارها در فایل ورد و فیلم نحوه اجرا و خروجی گرفتن دارد - مقاله پایه آماده دانلود است
قیمت:
۱۹۷,۰۰۰ تـــــومان
ثبت نظر
ریفریش کنید!
نظرات کاربران (۰ مورد)

هیچ نظری ثبت نشده است