چارچوب مولد عمیق مورفو-زمانی برای بهینه‌سازی هوشمند انرژی و پایش آگاه از کربن در صنایع غذایی و کشاورزی (SyncEnergy-Net)

Abstract

افزایش مصرف انرژی، رشد ردپای کربن و ناکارآمدی سامانه‌های توزیع و مدیریت انرژی در صنایع غذایی و کشاورزی، به یکی از مهم‌ترین چالش‌های توسعه پایدار تبدیل شده است. سامانه‌های متداول مدیریت انرژی عموماً مبتنی بر تحلیل‌های آماری کلاسیک یا مدل‌های یادگیری سطحی بوده و توانایی محدودی در مدل‌سازی وابستگی‌های پیچیده زمانی، رفتارهای غیرخطی مصرف انرژی و الگوهای نادر اتلاف انرژی دارند.در این پژوهش، چارچوبی نوین با عنوان  SyncEnergy-Net ارائه می‌شود که یک معماری مولد عمیق مبتنی بر یادگیری مورفو-زمانی برای تحلیل، پیش‌بینی و بهینه‌سازی هوشمند انرژی در صنایع غذایی و کشاورزی است. مدل پیشنهادی از معماری ترکیبی CNN-Transformer به همراه مکانیزم همگام‌سازی چندمقیاسی و تابع هزینه ادراکی مبتنی بر Soft-DTW بهره می‌برد تا بتواند هم‌زمان ویژگی‌های محلی و وابستگی‌های بلندمدت زمانی در جریان‌های انرژی را استخراج نماید. علاوه بر این، یک ماژول Carbon-Aware Optimization نیز برای کاهش ردپای کربن و تحلیل پایداری انرژی به ساختار مدل افزوده شده است.به‌منظور ارزیابی عملکرد مدل، آزمایش‌ها روی مجموعه‌داده‌های Energy Load Diagrams 20112014، Industrial Energy Consumption، Smart Farm Sensor Dataset و Household Electric Power Consumption انجام شد. نتایج نشان دادند که مدل پیشنهادی نسبت به روش‌های مرجع شامل LSTM، BiLSTM، Informer، Autoformer، PatchTST و TimeGAN عملکرد بهتری در پیش‌بینی بار مصرفی، تشخیص الگوهای غیرعادی مصرف انرژی و تحلیل بازدهی انرژی دارد. همچنین مدل توانست میانگین خطای پیش‌بینی را بیش از ۱۸٪ کاهش داده و در تحلیل ناهنجاری‌های انرژی، مقدار F1-score برابر ۹۶.۱٪ را به دست آورد.نتایج این پژوهش نشان می‌دهد که استفاده از چارچوب‌های مولد مورفو-زمانی مبتنی بر یادگیری عمیق می‌تواند نقش مؤثری در توسعه سامانه‌های هوشمند مدیریت انرژی، کاهش مصرف انرژی، بهینه‌سازی فرآیندهای صنعتی و کاهش ردپای کربن در صنایع غذایی و کشاورزی ایفا کند.