نقشه راه GIS

درخواست مشاوره

09120049370

8 صبح تا 12 شب

09120049370

کاربرد جی ای اس

 

چکیده

:

در مواجهه با فراخوان سیاسی گسترده برای “چرخش انرژی”، ما در حال حاضر شاهد سه روند اساسی در رابطه با برنامه ریزی زیرساخت های انرژی، تولید و ذخیره انرژی هستیم: از تولید برنامه ریزی شده به سمت تولید نوسان بر اساس منابع انرژی تجدید پذیر، از تمرکز متمرکز. تولید به سمت تولید غیرمتمرکز و از حامل های انرژی گران قیمت به سمت حامل های انرژی بدون هزینه. این تغییرات مستلزم تغییرات قابل توجهی در زیرساخت انرژی است. حتی اگر بیشتر این تغییرات ذاتاً ناشی از پرسش‌ها و چالش‌های جغرافیایی هستند، ادغام مدل‌های سیستم انرژی و سیستم‌های اطلاعات جغرافیایی (GIS) هنوز در مراحل اولیه است. این مقاله به تحلیل کاستی‌های رویکردهای قبلی در استفاده از GIS در پروژه‌های مرتبط با انرژی‌های تجدیدپذیر می‌پردازد. چالش‌های متمایز را از این تلاش‌های قبلی استخراج می‌کند و در نهایت، مجموعه‌ای از راه‌های تحقیقاتی اصلی آینده را برای برنامه‌ریزی زیرساخت انرژی مبتنی بر GIS با تمرکز بر استفاده از انرژی‌های تجدیدپذیر تعریف می‌کند. این راه‌های تحقیقاتی آینده شامل داده‌های پایه در دسترس و “آگاهی جغرافیایی” آنها، توسعه یک مدل داده عمومی و یکپارچه، استفاده از اطلاعات جغرافیایی داوطلبانه (VGI) و داده‌های جمع‌سپاری در فرآیندهای تجزیه و تحلیل، ادغام مدل‌های ساختمان سه بعدی و سه بعدی است. تجزیه و تحلیل داده ها، ادغام توپولوژی های شبکه در GIS، هماهنگی دیدگاه های ناهمگون در مورد مسائل تجمیع در زمینه های انرژی و GIS، برآورد تقاضای انرژی دقیق از منابع داده آزادانه در دسترس، برنامه ریزی تاسیسات ذخیره سازی غیرمتمرکز، بررسی GIS مکانیسم های مشارکت عمومی مبتنی بر
کلید واژه ها: 

یکپارچه سازی GIS و مدل های سیستم انرژی ; GIS و انرژی های تجدیدپذیر ؛ برنامه ریزی زیرساخت انرژی مبتنی بر GIS ; چالش های آینده پژوهشی ؛ نوسان انرژی های تجدید پذیر ؛ برنامه ریزی ساختاری سیستم های انرژی محلی ; بهینه سازی عملیات

 

1. مقدمه

در مواجهه با فراخوان سیاسی گسترده برای «چرخش انرژی»، ما در حال حاضر شاهد سه روند اساسی در رابطه با برنامه ریزی زیرساخت انرژی، تولید و ذخیره انرژی تجدیدپذیر هستیم: از تولید برنامه ریزی شده تا تولید نوسان بر اساس منابع انرژی تجدیدپذیر، از تولید متمرکز به سمت تولید غیرمتمرکز و از حامل های انرژی گران قیمت به سمت حامل های انرژی تجدیدپذیر بدون هزینه [ 1 ]. اصلاحات زیرساخت انرژی، که توسط این افزایش استفاده از انرژی تجدیدپذیر ضروری است، نیاز به گسترش شبکه های برق و حرارت و ساخت نیروگاه های اضافی و تأسیسات ذخیره سازی دارد [ 2 ].
اگرچه سیستم‌های اطلاعات جغرافیایی (GIS) به آرامی در تحقیقات انرژی‌های تجدیدپذیر در تلاش‌های بسیار خاص و در مقیاس کوچک نفوذ می‌کنند و پتانسیل آن‌ها برای مشارکت در تحلیل‌های مکانی و روش‌های تجسم برای آگاهی‌سازی و پشتیبانی تصمیم‌گیری در تعدادی از پروژه‌ها نشان داده شده است، ادغام گسترده مدل‌های GIS و سیستم انرژی هنوز وجود ندارد.
این امر به ویژه شگفت‌انگیز است، زیرا ارزش استفاده از رویکردهای مبتنی بر GIS برای حل سؤالات در حوزه انرژی در تعدادی از پروژه‌های تحقیقاتی، از جمله ارزیابی پتانسیل انرژی‌های تجدیدپذیر [ 3 ، 4 ، 5 ، 6 ، 7 ]، مصرف انرژی اثبات شده است. مدل سازی [ 8 ، 9 ، 10 ]، برنامه ریزی پروژه های زیرساخت انرژی خاص [ 11 ، 12 ، 13 ]، برآورد تقاضای انرژی ساختمان [ 14 ، 15 ، 16 ]، برنامه ریزی سایت برای نیروگاه های انرژی تجدید پذیر [ 17 ،18 ، 19 ] یا ارزیابی تأثیر بصری [ 20 ، 21 ، 22 ، 23 ]. اگرچه رویکردهای ذکر شده در بالا برای کاربردهای منحصر به فرد اختصاصی امیدوارکننده و بسیار مناسب هستند، هنوز هیچ روش عمومی برای ادغام فرا دامنه مدل‌های انرژی (سیستم) و فرآیندهای تحلیل مکانی تعریف نشده است.
این همچنین برای مقاله چشم انداز پلت فرم فناوری کمیسیون اروپا در مورد شبکه های برق آینده [ 24 ] صادق است. یکی از نتایج کلیدی ذکر شده در مقاله این است: «شرکت‌های توزیع ممکن است برای رویارویی با چالش‌های ناشی از منابع جدید انرژی، اقدامات زیر را انجام دهند: (1) در کنار مشتری، با استفاده از فناوری‌ها و فرصت‌های جدید در دسترس از مدیریت سمت تقاضا و مدیریت کنتور خودکار. سیستم های؛ و (ii) در سمت ژنراتور، امکان کنترل از راه دور و تنظیم جریان های توان اکتیو و راکتیو به شبکه را می دهد. این بیانیه نشان می‌دهد که برنامه‌ریزی و بهینه‌سازی سیستم انرژی اغلب از نقطه‌نظر فنی صرفاً مورد بررسی قرار می‌گیرد، و همچنان از درک جغرافیایی غفلت می‌شود (به عنوان مثال، [ 25 ] ).در نظر گرفتن پدیده های جغرافیایی، داده ها، همبستگی ها و فرآیندها.
از دیدگاه کلی تر، یکپارچه سازی GIS و مدل سازی سیستم انرژی، تولید تصویر کامل تری از سیستم کلی انرژی و “مناظر انرژی” آینده را قادر می سازد [ 26 ]. ما ادعا می کنیم که در نظر گرفتن فضا و زمان به عنوان پارامترهای اضافی کافی نیست، اما در واقع، فضا و زمان باید به طور کامل در فرآیندهای مدل سازی سیستم انرژی ادغام شوند تا دینامیک مکانی-زمانی، به عنوان مثال، تقاضای انرژی را بهتر درک کنیم. در دسترس بودن و اثربخشی منابع متعارف و تجدیدپذیر، ظرفیت و الگوهای بار زیرساخت‌های انرژی از جمله ذخیره‌سازی غیرمتمرکز انرژی و در نهایت بازگشت سرمایه‌ها و سودآوری اقتصادی.
این مقاله به تحلیل کاستی‌های رویکردهای قبلی در استفاده از GIS در مدل‌های مرتبط با انرژی‌های تجدیدپذیر و تلاش‌های برنامه‌ریزی می‌پردازد، چالش‌های متمایز را از این رویکردهای قبلی استخراج می‌کند و در نهایت، مجموعه‌ای از راه‌های تحقیقاتی اصلی آینده را برای مدل‌سازی و برنامه‌ریزی انرژی مبتنی بر GIS با تمرکز بر استفاده از انرژی های تجدیدپذیر محتوای این مقاله از بررسی ادبیات گسترده همراه با تجربیات نویسندگان در انواع پروژه‌های تحقیقاتی ملی و بین‌المللی در مورد استفاده از GIS در زمینه انرژی‌های تجدیدپذیر ناشی می‌شود. لازم به ذکر است که چشم انداز ارائه شده در این مقاله بر مقیاس فضایی خاصی متمرکز نیست، بلکه بر روش ها و نیازهای پژوهشی در زمینه ادغام مدل های سیستم انرژی با GIS تمرکز دارد.
این مقاله بر بررسی روش‌شناختی تلاش‌های برنامه‌ریزی زیرساخت‌های انرژی، بر ارزیابی راه‌حل‌های فنی، مانند شبکه‌های هوشمند یا اندازه‌گیری هوشمند، سؤال همیشگی چگونگی ادغام شبکه‌های خطی در مدل‌های سیستم انرژی (به‌جای فرض یک «مس» همه‌جانبه متمرکز نیست. صفحه») و افزایش آگاهی از یک مدل سیستم یکپارچه برای حمل و نقل گرما و برق همراه. علاوه بر این، مقاله یافته‌های روش‌شناختی از پروژه‌های تحقیقاتی اختصاصی را ارائه نمی‌کند، اما به مسائل تحقیقاتی در حال انتظار اشاره می‌کند.
ساختار این مقاله به شرح زیر است: این مقدمه با بخشی از کارهای مرتبط در زمینه رویکردهای مبتنی بر GIS و غیر GIS برای مدل‌سازی انرژی‌های تجدیدپذیر و برنامه‌ریزی زیرساخت دنبال می‌شود. بخش 3 چالش های استخراج شده از کاستی های رویکردهای مرتبط و قبلی را ارائه می کند. پس از آن، بخش 4 راه های تحقیقاتی آینده را که بر اساس آن چالش ها، پروژه های تحقیقاتی قبلی و تجربیات پروژه های عملی تقطیر کردیم، مورد بحث قرار می دهد. در نهایت، بخش 5 مقاله را با یک نتیجه گیری کوتاه می بندد.

2. وضعیت هنر

این بخش تلاش‌های تحقیقاتی قبلی در زمینه مدل‌سازی و برنامه‌ریزی سیستم انرژی‌های تجدیدپذیر را با تمرکز بر رویکردهای غیر مبتنی بر GIS ( بخش 2.1 ) و رویکردهای مبتنی بر GIS ( بخش 2.2 ) تحلیل می‌کند. این بخش زیربنای تعریف چالش ها و راه های تحقیقاتی آینده است که در بخش 3 و بخش 4 ارائه شده است.

2.1. رویکردهای غیرمبتنی بر GIS (روش‌های غیرمکانی)

مدل سازی سیستم انرژی یک روش رایج برای بهینه سازی استراتژی عملیاتی برای تولید گرما و برق است. در طول چند دهه اخیر، روش‌های مختلفی برای شبیه‌سازی توزیع انرژی به روشی وابسته به زمان توسعه یافته است [ 27 ]. این روش‌ها مبتنی بر مدل‌های ریاضی هستند و الگوریتم‌های بهینه‌سازی مختلفی برای بررسی سیستم انرژی توزیع‌شده بهینه، با در نظر گرفتن برق، گرما و گاز به عنوان حامل‌های انرژی، اعمال می‌شوند [ 30 ] .]. همه این روش ها برای برنامه ریزی کلی سیستم انرژی در سطح ملی و بین المللی بسیار مفید هستند. علاوه بر این، دهه‌ها پیش، بیشتر نیروگاه‌های مرکزی نیاز انرژی مناطقی را که به آنها خدمت می‌کردند پوشش می‌دادند، در حالی که امروزه، توزیع انرژی به طور فزاینده‌ای به یک مسئله فضایی تبدیل شده است. افزایش سهم منابع انرژی تجدیدپذیر مبتنی بر بازده نوسان از انرژی باد و خورشید یک چالش جغرافیایی است که نیاز به درک بهتر زمین فضایی از تولید برق و گرما دارد.
مدل‌سازی تقاضای انرژی، عمدتاً تقاضای ساختمان‌ها، می‌تواند با رویکردهای ساده یا دقیق و در عین حال پیچیده انجام شود. رویکردهای ساده شده شامل تجزیه و تحلیل داده های آماری است، به عنوان مثال، برآورد کل تقاضای گرمایش فضای یک ساختمان [ 31 ]. رویکردهای دقیق تمایل به مدل سازی سیستم های انرژی در یک محیط شبیه سازی دارند. این رویکردها منجر به خروجی بسیار دقیق می شود، اما نیاز به کار قبلی قابل توجهی دارد. جوامع یا مناطق اغلب به عنوان اشیاء سه بعدی با در نظر گرفتن محاسبه انرژی و تشعشع مدل می شوند [ 32 ].
مدل‌سازی سیستم انرژی به منابع و پارامترهای داده ورودی متنوعی نیاز دارد تا مسائل بهینه‌سازی را به روشی شبه واقعی حل کند. برای هر کار، مصرف انرژی، توزیع و تولید باید با استفاده از روش های مختلف و داده های ورودی از منابع مختلف محاسبه شود. داده‌های ساختمان شامل شبکه‌ها (مانند شبکه‌های گرمایش منطقه‌ای به عنوان داده‌های توپولوژیکی)، بیشتر در اطلاعات مشابه مدیریت اطلاعات ساختمان (BIM) است. علاوه بر این، مجموعه داده‌های واحدهای مرتبط با انرژی اطلاعاتی در مورد محدودیت‌های فنی خاص ارائه می‌کنند. اکثر مدل‌های سیستم انرژی به این اطلاعات متنوع در برنامه‌های کاربردی مشابه پایگاه داده دسترسی دارند و آن را مدیریت می‌کنند [ 33]. بنابراین، فرآیند بهینه‌سازی را می‌توان با انتقال داده‌های ورودی ناهمگن به یک قالب رایج انجام داد، که امکان ترجمه یک مسئله منطقی به یک معادله ریاضی را فراهم می‌کند [ 34 ].
بانوس و همکاران 35] یک بررسی جامع در مورد الگوریتم های بهینه سازی برای مشکلات طراحی، برنامه ریزی و کنترل در زمینه انرژی های تجدید پذیر و پایدار ارائه می دهد. در بررسی روش شناسی خود، نویسندگان بر عدم تداوم تولید انرژی تجدیدپذیر به دلیل وابستگی آن به آب و هوا تمرکز می کنند. اگرچه چندین پارامتر به طور ضمنی شامل ویژگی‌های داده‌های مکانی می‌شوند، مانند “موقعیت” مزارع بادی و مکان‌های “همسایه”، روش‌های جغرافیایی برای بررسی الگوهای جغرافیایی، مانند توسعه مکانی – زمانی نوسانات انرژی، در نظر گرفته نمی‌شوند. علاوه بر این، مشکل چنین نوسانات انرژی ناشی از تولید انرژی های تجدیدپذیر متفاوت و عملکرد شبکه انعطاف پذیر در سیستم های انرژی هیبریدی به طور جامع از نظر جنبه های اقتصادی مورد بحث قرار گرفته است.36 ، 37 ]. «از تطبیق سطوح روزافزون نفوذ انرژی‌های تجدیدپذیر»، نویسندگان به این نتیجه می‌رسند که «ادغام مستقیم تولیدات تجدیدپذیر متغیر، به دلیل تنوع بالا، غیرقابل پیش‌بینی و عدم توزیع، چالش‌های فنی اساسی ایجاد می‌کند»، اما بعد جغرافیایی چنین نوسان‌های انرژی است. غفلت.
روش معمولی با انگیزه فنی برای مقابله با مشکل تغییرپذیری بالا در نوسانات انرژی، اعم از گرما و نیرو، استفاده از ذخیره‌سازی انرژی مناسب در مکان‌های مناسب است [ 38 ]. همانطور که در شکل 1 نشان داده شده است ، ذخیره انرژی اجزای جدایی ناپذیر در نسل بعدی سیستم های انرژی تجدیدپذیر خواهد بود [ 39 ]]. علاوه بر نوسانات منابع انرژی تجدیدپذیر، تأثیر پدیده های انسانی، مانند تقاضا برای تحرک بر نوسانات انرژی، به طور بالقوه می تواند منجر به افزایش بی ثباتی عرضه انرژی شود. از آنجایی که تحرک، در واقع، یک پدیده جغرافیایی است که معمولاً دارای درجه بالایی از تنوع در فضا و زمان است، پیوند متقابل GIS با مدل‌سازی سیستم انرژی و برنامه‌ریزی زیرساخت انرژی پایدار بدیهی است.
شکل 1. چارچوب سیستم انرژی تجدیدپذیر نسل سوم (اقتباس از [ 39 ]). CHP، حرارت و برق ترکیبی.
به دنبال [ 39 ]، گرما با مصرف آب گرم خانگی مرتبط است ( شکل 1 را ببینید )، بنابراین بسته به بافت جغرافیایی (دموگرافیک و توپوگرافی) به شدت متغیر است. مصرف آب گرم بیشتر به عادات مردم، زمان سال، نوع ساختمان، کاربری ساختمان و همچنین به سبک زندگی خاص ساکنان و غیره بستگی دارد [ 40 ]. با این حال، چنین وابستگی‌هایی می‌توانند از نظر مکانی و همچنین زمانی متفاوت باشند، یا تمایل دارند در مکان و زمان خوشه شوند. با کمال تعجب، مروری بر “برنامه ریزی بهینه سیستم های تولید پراکنده در سیستم های توزیع” [ 41 ]، و همچنین مروری بر “برنامه ریزی چند هدفه منابع انرژی پراکنده” [ 42 ]] به صراحت هیچ جنبه جغرافیایی را در تأثیر تولید پراکنده در شبکه های پراکنده شناسایی نمی کنند. در مجموع، اگرچه فضا و زمان به طور غیرمستقیم در مثال‌های مورد بحث در بالا در نظر گرفته شده‌اند، راه‌حل‌های یکپارچه‌تر برای گنجاندن کامل دینامیک مکانی-زمانی در مدل‌های سیستم انرژی و اطلاعات شبکه انرژی مورد نیاز است تا برنامه‌ریزی زیرساخت‌های انرژی پایدارتر با توجه به رشد روزافزون امکان پذیر شود. ترکیبی از تولیدکنندگان انرژی و مصرف کنندگان انرژی.
در نهایت، موضوع برنامه ریزی و اجرای مفهوم شبکه هوشمند در کانون ابتکارات تحقیقاتی قبلی بوده است. چسی و همکاران بیان می‌کند که «در آینده، اپراتورهای شبکه برق ممکن است به یک پروفایل تبادلی برای مشتریان و تولیدکنندگان نیاز داشته باشند که منجر به انتشار سیستم‌های ذخیره‌سازی یا محرک‌های اصلی (به‌ویژه حرارت و توان ترکیبی کوچک برای منابع توزیع‌شده) می‌شود که قادر به متعادل کردن نوسانات منابع تجدیدپذیر هستند. [ 43]. در این مورد اخیر، یکی از مسائل مهم، استفاده کارآمد از گرمای تولید شده مشترک است، که نیاز به پذیرش ذخیره‌های حرارتی دارد. اگرچه نویسندگان نیاز به برنامه ریزی توزیع غیرمتمرکز ذخیره سازی انرژی را شناسایی کرده اند، اما از بعد مکانی کاملاً غفلت می کنند. این امر به ویژه شگفت‌انگیز است، زیرا آنها اشاره می‌کنند که «هدفی که باید به آن رسید متعادل کردن نوسانات منابع تجدیدپذیر است که ممکن است یکی از مسائل اصلی شبکه‌های برق آینده باشد و گامی اساسی به سمت توسعه شبکه هوشمند باشد. “، که یک مشکل ذاتی مکانی است.

2.2. رویکردهای مبتنی بر GIS (روش‌های مکانی ضمنی)

مثال‌های متعددی وجود دارد که از GIS برای پشتیبانی از فرآیند برنامه‌ریزی زیرساخت‌های انرژی‌های تجدیدپذیر استفاده شده است. به ویژه، شناسایی مکان‌های مناسب برای مزارع بادی و خورشیدی، ذخیره‌سازی پمپ‌های برق آبی [ 44 ، 45 ، 46 ] و همچنین نقشه‌برداری از منابع انرژی تجدیدپذیر، از جمله فتوولتائیک خورشیدی، باد، زمین گرمایی، زیست توده و برق آبی [ 11 ، 47 ، 48 ، 49 ، 50 ، 51]، اخیراً به طور گسترده مورد بررسی قرار گرفته است. این مطالعات از داده های مکانی در کاربری زمین، ارتفاع، ساختمان ها و زیرساخت ها استفاده می کند. بنابراین، این تحقیق بدون استفاده از GIS به سختی قابل اجرا خواهد بود.
اکثر مطالعات تمایل دارند به عرضه انرژی بالقوه بدون در نظر گرفتن تقاضا بپردازند. اگرچه بسیار آموزنده است، اما چنین تحلیلی به داده های بیشتر و روش های تحلیل پیشرفته تری نیاز دارد. به عنوان مثال، کوچوکساری و همکاران. چارچوبی را پیشنهاد می‌کند که شامل GIS، بهینه‌سازی ریاضی و شبیه‌سازی به منظور یافتن اندازه بهینه و مکان بهینه نیروگاه‌های فتوولتائیک برای محیط‌های دانشگاه [ 52]. ماژول GIS برای شناسایی سقف های مناسب و ظرفیت پانل های فتوولتائیک آنها خدمت می کند. با این حال، این رویکرد صرفاً مبتنی بر داده‌های جغرافیایی ساکن (در این مورد، داده‌های تشخیص نور و محدوده (LiDAR)) است و متغیرهای جغرافیایی دینامیکی، مانند شرایط آب و هوایی، به طور کلی، یا تابش خورشیدی و باد، به طور خاص، را در نظر نمی‌گیرد. همانطور که در شکل 2 نشان داده شده است. با این حال، این رویکرد می‌تواند مبنایی برای یک چارچوب جامع‌تر باشد که منابع تجدیدپذیر اضافی فضایی متفاوت مانند انرژی باد یا زمین گرمایی را نیز ادغام می‌کند.
نمونه های دیگر مربوط به برنامه ریزی شبکه حرارتی است. در مناطقی که پتانسیل گسترش شبکه های گرمایش منطقه ای (DH) در مناطق مختلف متفاوت است، برآورد هزینه های اقتصادی تولید، انتقال و توزیع گرما دشوار است. بنابراین، در نظر گرفتن مؤلفه جغرافیایی با استفاده از روش‌های مکانی و GIS، بخش مهمی در یافتن مرزهایی است که چنین گسترشی از نظر اقتصادی امکان‌پذیر است [ 53 ].]. اگرچه توسط نویسندگان ذکر نشده است، اما کارآمدترین استفاده از فناوری ذخیره سازی انرژی، در این مورد، ذخیره انرژی گرمایی، به پارامترهای فضایی مانند فاصله تا بلوک بعدی یا خانه های جداگانه بستگی دارد. استفاده بهینه از ذخایر انرژی در تولید گرما، انتقال گرما و توزیع گرما ممکن است به طور قابل توجهی بر هزینه های کلی مناطق عرضه تأثیر بگذارد. نویسندگان نتیجه می‌گیرند که «تصمیم‌گیری‌های تامین گرما باید بر اساس مکان‌یابی فضایی تقاضای گرما و ویژگی‌های منطقه DH محلی باشد» که به طور ضمنی ضرورت یکپارچه GIS را پشتیبانی می‌کند. علاوه بر این، در نظر گرفتن جنبه‌های مکانی در بهینه‌سازی سیستم انرژی منطقه‌ای به ویژه برای تعیین صحیح منطقه تامین مرتبط است، اگر تمرکز بر فناوری‌های متصل به شبکه باشد، مانند مورد گرمایش شهری [54 ]. از چنین مطالعاتی می توان نتیجه گرفت که در میان پارامترهای جغرافیایی و هندسی، پارامترهای توپولوژیکی، مانند اتصال یا مجاورت یک زیرساخت انرژی متصل به شبکه، اطلاعات حیاتی را برای برنامه ریزی موثر و وظایف عملیاتی تشکیل می دهند.
شکل 2. نمونه ای از گردش کار مدل سازی سیستم انرژی مبتنی بر GIS برای شناسایی مکان های بهینه نیروگاه های فتوولتائیک (اقتباس از [ 52 ]).
آیدین و همکاران معرفی یک روش مبتنی بر GIS، تئوری مجموعه‌های فازی و تصمیم‌گیری چند معیاره برای یافتن مکان‌یابی بهینه یک سیستم انرژی تجدیدپذیر هیبریدی بادی-خورشیدی-فتوولتائیک (PV) که به طور بالقوه می‌تواند نیاز به ذخیره انرژی را کاهش دهد [ 44 ]]. استدلال اصلی آنها این است که بسته به شرایط آب و هوایی و آب و هوایی، یک منبع انرژی تجدیدپذیر مکمل دیگری است. به عبارت دیگر، نقاط ضعف و قوت سیستم های مربوطه، یکدیگر را جبران می کنند. با این حال، این روش ممکن است تنها زمانی قابل اجرا باشد که فضای کافی برای نیروگاه‌ها در دسترس باشد، که به‌سختی، برای مثال، در محیط‌های شهری متراکم ساخته شده است. یک عامل محدود کننده اضافی این است که مالکان بسته یا ساختمان می توانند به صورت جداگانه تصمیم بگیرند که آیا و چگونه از انرژی های تجدیدپذیر استفاده کنند. بنابراین، استفاده فردی از منابع انرژی تجدیدپذیر اغلب از پیش تعیین شده است، زیرا مکان‌های احتمالی برای راه‌اندازی نیروگاه‌های انرژی تجدیدپذیر در مناطق شهری متراکم نادر است. به روشی مشابه، Omitaomu و همکاران.یک رویکرد تجزیه و تحلیل تصمیم چند معیاره مبتنی بر GIS اقتباس شده را برای تعیین مناسب بودن برای سایت‌های تولید برق جدید توصیف کنید [ 55 ]. این روش، جنبه‌های زیست‌محیطی، زمین‌شناسی و اجتماعی-اقتصادی از جمله موارد دیگر را در نظر می‌گیرد. اگرچه این رویکرد مبتنی بر GIS برای کار در مقیاس های بزرگ طراحی شده است، اما از نظر فضایی واضح است که کل منطقه ایالات متحده را به میلیون ها سلول 100 متر در 100 متر تقسیم می کند و مناسب بودن هر سلول را برای سایت های تولید برق جدید محاسبه می کند. اشکالات قابل توجه رویکردهایی مانند [ 44 ، 55] شامل فقدان توانایی در نظر گرفتن جنبه‌های مکانی-زمانی پویاتر در مقیاس‌های مکانی و زمانی مختلف، یا عدم یکپارچگی جنبه‌های توپولوژیکی شبکه انرژی زیربنایی با توجه به تعادل قله‌های خارق‌العاده در جابجایی بار انرژی در سلول‌های صریح فضایی است.
پروژه EnerGEO با هدف ارائه یک پلت فرم مدل سازی همه کاره است که برنامه ریزان، محیط بانان و دولت ها را قادر می سازد تا اثرات زیست محیطی تغییرات در ترکیب انرژی را در مقیاس های محلی، منطقه ای و جهانی محاسبه، پیش بینی و نظارت کنند.» [ 56 ]. اگرچه به نظر می رسد EnerGEO یک رویکرد کامل برای یکپارچه سازی GIS و مدل های سیستم انرژی است، نتایج واضح و قابل بهره برداری هنوز وجود ندارد.
جفت کردن GIS با مدل‌سازی سیستم انرژی در زمینه تامین، تقاضا و زیرساخت‌های هیدروژن نیز کاربرد دارد. نویسندگان [ 57 ] نمونه‌ای از چنین رویکردی را ارائه می‌کنند که در مدل سیستم‌های انرژی کل اقتصاد انگلستان برای اقتصاد هیدروژنی آلمان، بال و همکاران، لنگر است. یک رویکرد بهینه‌سازی برای دسترسی به جنبه‌های جغرافیایی و زمانی پیکربندی زیرساخت حمل و نقل هیدروژن را معرفی کنید [ 58 ]. نتایج هر دو مطالعه نشان می‌دهد که استفاده از GIS هنگام بررسی تأثیر بعد جغرافیایی شبکه‌های هیدروژن و تغییرات فزاینده در ترکیب تولید انرژی بر زیرساخت‌های سیستم انرژی و زنجیره‌های تأمین آینده بسیار مهم است.

3. چالش های فعلی در برنامه ریزی و مدل سازی مبتنی بر GIS برای انرژی های تجدیدپذیر

به ظاهر اساسی‌ترین نقص در تحقیقات فعلی سیستم‌های انرژی، که بیشتر بر اساس مدل‌های سیستم توپولوژیکی است، عدم وجود پل برای فعالیت‌های برنامه‌ریزی جغرافیایی است. به عبارت دیگر، مدل‌های سیستم انرژی تا حد زیادی از دنیای واقعی جدا شده‌اند (به معنای جغرافیایی) زیرا آنها عمدتاً فقط روابط توپولوژیکی درون شبکه را در نظر می‌گیرند، بدون توجه به روابط توپوگرافی و جغرافیایی واقعی (به بخش 2 مراجعه کنید ). بنابراین، یک چالش همیشگی ترکیب ماهیت فضایی سیستم‌های انرژی است، نه تنها پارامترهای مرتبط با انرژی، بلکه پارامترهای جغرافیایی را نیز در نظر می‌گیرد.
این امر مستلزم ادغام GIS با مدل های سیستم انرژی است. با این حال، محققان سیستم انرژی اذعان کرده اند که این ادغام به دلایل متعددی بی اهمیت نیست. اولاً، هم مدل‌های سیستم انرژی و هم فرآیندهای تحلیل جغرافیایی از نظر ترکیبی از پارامترهای مدل متعدد برای تقریب مدل به دنیای واقعی تا حد امکان بدون ساده‌سازی بیش از حد بسیار پیچیده هستند [ 59 ].
دوم، نیازمندی‌های محاسباتی برای ادغام بعد جغرافیایی در مدل‌های سیستم انرژی، به دلیل افزایش شدید پیچیدگی مدل و مقدار بالای مجموعه داده‌های لازم برای نتایج ریزدانه، بسیار زیاد است. نتایج تجزیه و تحلیل دقیق از نظر جغرافیایی و زمانی می‌تواند یکی از پیشرفت‌های عمده نسبت به رویکردهای قبلی باشد که عمدتاً یا بر اساس وضوح منطقه‌ای عمل می‌کردند یا فقط یک منطقه کوچک مورد علاقه را بررسی می‌کردند.
سوم، ادغام انواع ساختارها و قالب‌های داده ناهمگن، چالش بزرگی را در یکپارچه‌سازی مدل‌های سیستم انرژی و GIS ایجاد می‌کند [ 60 ]. برای دستیابی به یک راه حل پایدار و بادوام باید این مسئله مهندسی به ظاهر پیش پاافتاده را در سطح عمومی مورد بررسی قرار داد، که بسیار دشوار است. بخش فرعی 4.1 و بخش فرعی 4.2 در مورد مشکلات اساسی در دسترس بودن داده ها، فرمت های داده های اختصاصی، روش های یکپارچه سازی داده ها و عدم استانداردسازی در تبادل داده توضیح می دهد.
چهارم، یک عامل محدودکننده مرکزی در استفاده از رویکردهای مبتنی بر GIS در پروژه‌های برنامه‌ریزی زیرساخت انرژی، دسترسی محدود به داده‌ها است. در بسیاری از موارد، برنامه‌ریزی و بهینه‌سازی زیرساخت‌های انرژی به منابع داده‌های متنوعی از جمله پوشش زمین، کاربری زمین، ردپای ساختمان، داده‌های ساختمان سه بعدی، داده‌های جمعیتی، مانند تراکم جمعیت، توپولوژی شبکه‌های خطی، داده‌های آب و هوا و غیره نیاز دارد. با این حال، این منابع داده اغلب در دسترس نیستند یا دسترسی توسط ارائه دهندگان داده محدود شده است. این امر امکان روش های تجزیه و تحلیل و دقت نتایج را محدود می کند، زیرا برای بسیاری از موارد استفاده، تنها تعداد کمی از منابع داده را می توان به دلیل هزینه های بالای مجوز استفاده کرد.
پنجم، یک چالش اضافی که همراه با در دسترس بودن داده محدود است، ناهمگنی در سطح دانه بندی با توجه به بعد جغرافیایی و ویژگی است. به عنوان مثال، پارامترهای خاص ساختمان، مانند تعداد طبقات، ممکن است در یک منطقه اداری قابل دسترسی باشد، اما در منطقه دیگر نه، در حالی که تعداد خانوارها حتی در یک منطقه در دسترس نیست، اما در سطح بلوک در منطقه دیگر قابل دسترسی است. . بنابراین، به منظور یافتن یک مخرج مشترک از نظر یک سطح هماهنگ جغرافیایی و اسنادی از دانه بندی، مکانیسم های نوآورانه تجمع و تفکیک عمودی و افقی باید توسعه یابد. علاوه بر این، هدف گذاری برای “بالاترین” دانه بندی ممکن در داده های جغرافیایی مرتبط با انرژی ممکن است همیشه “بهترین” مناسب برای این هدف نباشد.زیر بخش 4.5 .
در نهایت، طراحی فعلی بازار برق ثابت است و ماهیت پویای بازار انرژی را در نظر نمی گیرد [ 61 ]. بنابراین، در [ 62]، پنج اصل را برای واجد شرایط بودن تغییرات ساختاری زیرساخت انرژی و ترسیم آنها در توصیه های سیاستی مشخص تعریف می کند. این اصول عبارتند از: (1) فرعی (تفویض مسئولیت بین سطوح شبکه). (2) انعطاف به عنوان یک کالای اقتصادی (کالای با مرجع مکانی و زمانی). (3) کفایت در نصب و مقاوم سازی زیرساخت های انرژی (با توجه به هزینه ها، خطرات، کاربرد و محدودیت ها). (4) برابری هزینه (توزیع عادلانه هزینه های سیستم انرژی بین مبتکران و استفاده کنندگان). و (5) مشوق برای نوآوری و سرمایه گذاری. حتی اگر همه این اصول دارای یک مرجع مکانی ذاتی هستند، یک روش پشتیبانی شده توسط GIS برای طراحی های جدید بازار برق هنوز تعریف نشده است.

4. مسیرهای تحقیقاتی آینده در برنامه ریزی و مدل سازی مبتنی بر GIS برای انرژی های تجدیدپذیر

بر اساس بررسی ادبیات ارائه شده در بخش 2 ، چالش های استخراج شده شرح داده شده در بخش 3 و تجربیات پروژه عملی، ما تعدادی از راه های تحقیقاتی آینده را برای ادغام GIS با مدل های سیستم انرژی استخراج کردیم. این زمینه های تحقیقاتی، از در دسترس بودن داده ها و مدل های داده تا تجزیه و تحلیل سه بعدی، ادغام توپولوژی های شبکه انرژی در GIS و طراحی یک طراحی جدید بازار برق، در زیر بخش های زیر توضیح داده شده اند.

4.1. داده های پایه: آگاهی جغرافیایی، در دسترس بودن، دسترسی و باز بودن

مدرانو و همکاران قبلاً در سال 2008 بیان شد که با توجه به برنامه ریزی زیرساخت انرژی پایدار، رابط های استاندارد شده و GIS تبادل داده های متقابل بین مدل های انرژی طراحی شده را امکان پذیر می کند، در نتیجه GIS را به عنوان یک جزء جدایی ناپذیر به جای یک “افزونه آگاه از فضای” تقویت می کند [ 63 ]]. با این حال، یکی از مشکلات اساسی امروزی در استفاده از GIS در پروژه‌های برنامه‌ریزی زیرساخت انرژی‌های تجدیدپذیر، فقدان داده‌های جغرافیایی مرتبط یا کیفیت ناقص داده است. فقدان داده های جغرافیایی اساساً ریشه در سه دلیل اصلی دارد. اول، مجموعه داده‌های ارزشمند، مانند انرژی و تقاضای گرما، تولید انرژی، انواع سیستم‌های گرمایش خانگی، ساختارهای شبکه خط یا توپولوژی‌های شبکه انرژی و گرما، عمدتاً متعلق به ارائه‌دهندگان انرژی و اپراتورهای شبکه توزیع هستند که اغلب مایل به ارائه آن نیستند. آن داده ها به نهادهای خارجی. دوم، بسیاری از مجموعه داده‌های انرژی، مانند توپولوژی‌های شبکه، هیچ مرجع مکانی صریحی ندارند، زیرا اکثر مدل‌های سیستم انرژی، پارامترهای مکانی را در نظر نمی‌گیرند، همانطور که در زیربخش 2.1 نشان داده شده است.. سوم، ناهمگونی در سطوح جزئیات و در دسترس بودن غیرمنطقه پارامترهای خاص مرتبط با انرژی یک چالش اصلی در زمینه تحلیل جغرافیایی سیستم‌های انرژی است. به عنوان مثال، تعداد طبقات در ساختمان‌ها به سختی برای همه ساختمان‌های یک منطقه مورد مطالعه در دسترس است، اگرچه برای محاسبه تقاضای انرژی در ساختمان‌های جداگانه قابل توجه است. این به طور خاص در صورتی صادق است که منطقه مورد مطالعه از چندین مرز اداری که شامل مؤسسات عمومی مختلف ارائه داده ها می شود، عبور کند [ 64 ]. یک جنبه مهم دیگر از چنین تجزیه و تحلیل داده های جغرافیایی دقیق، حفاظت از حریم خصوصی است که در زیربخش 4.5 مورد بحث قرار گرفته است .
علاوه بر این، مفهوم «داده باز» اخیراً به دلیل اهمیت روزافزون آن در سراسر جهان، جذابیت زیادی پیدا کرده است. داده‌های باز مخفف زیرمجموعه‌ای از داده‌ها است که برای استفاده بدون محدودیت در دسترس همگان است [ 65 ]. اهمیت داده‌های باز با اظهارات اخیر رئیس بانک جهانی تأیید می‌شود که می‌گوید: «ابتکارات ما برای اطلاعات باز، داده‌های باز و دسترسی آزاد به دانش ممکن است مهم‌ترین میراث پنج سال گذشته باشد. ” [ 66 ]. اگرچه مزایای داده های جغرافیایی باز ثابت شده است [ 67 , 68 , 69]، ارائه دهندگان داده همچنان تمایلی به ارائه رایگان داده های خود ندارند. این امر به ویژه در مورد داده های دولت باز (OGD) صادق است، زیرا طرح های داده باز متعددی توسط نهادهای عمومی راه اندازی شده است ([ 70 ، 71 ، 72 ، 73 ، 74 ])، اما اجرای موثر آنها وعده های داده شده را برآورده نمی کند. عمدتاً، تنها داده‌های کلی درشت دانه، مانند مدل‌های ارتفاعی رقومی (DEM) یا مرزهای اداری در مقیاس کوچک، منتشر می‌شوند که اغلب برای انجام تحلیل‌های دقیق و ریزدانه از نظر جغرافیایی مفید نیستند.
اگرچه این داده‌ها برای تجزیه و تحلیل ارزشمند هستند، مانند تخمین منطقه‌ای پتانسیل انرژی تجدیدپذیر، داده‌های نسبتاً درشت دانه اغلب برای انرژی خاص نیستند، و دانه‌بندی آنها برای تجزیه و تحلیل دقیق و ریزدانه از نظر جغرافیایی کافی نیست، مانند: به عنوان مثال، تقاضای انرژی و گرما. در عوض، مطالعات فردی اغلب باید جمع‌آوری داده‌ها و نقشه‌برداری خود را انجام دهند. با این وجود، یک قدم به سوی داده های انرژی باز، طرح داده های انرژی است که توسط وزارت انرژی ایالات متحده به عنوان بخشی از دستورالعمل دولت باز راه اندازی شده است [ 75 ]. هدف این ابتکار شفافیت دولتی و مشارکت دادن مردم در تحول به سمت تولید انرژی پاک تر است. ابتکار امیدوارکننده دیگر، اطلاعات انرژی باز (OpenEI) [ 76]، یک پلتفرم مبتنی بر ویکی برای به اشتراک گذاری اطلاعات و داده های انرژی فراهم می کند. در مقایسه با اکثریت قریب به اتفاق سایر پلتفرم‌های آنلاین که عمدتاً بر روی کشورها یا مناطق منفرد تمرکز دارند، ابتکار OpenEI توسط سازمان‌های بین‌المللی حمایت می‌شود و مشارکت‌کنندگانی در سراسر جهان دارد که اهمیت آن را به شدت افزایش می‌دهد.
یک راه اضافی و نوآورانه برای کسب داده های انرژی این است که به شهروندان اجازه می دهد با استفاده از پلتفرم های جمع سپاری مبتنی بر وب و مشارکت عمومی داده ها را به اشتراک بگذارند. علاوه بر این، فن‌آوری‌های تلفن همراه، مانند گوشی‌های هوشمند، امکان کسب اطلاعات جغرافیایی در محل را فراهم می‌کنند، به عنوان مثال، در قالب تصاویر ارجاع‌شده جغرافیایی در ترکیب با توضیحات بافتی تکمیلی. فرصت های بیشتر برای استفاده از داده های تولید شده توسط کاربر در بخش فرعی 4.3 مورد بحث قرار گرفته است.

4.2. توسعه یک مدل داده عمومی و یکپارچه

دومین راه تحقیقاتی مرکزی، که به شدت با موضوع داده های پایه توضیح داده شده در زیربخش قبلی مرتبط است، توسعه یک مدل داده عمومی است که می تواند برای ذخیره داده های پایه مورد استفاده در مدل های سیستم انرژی و سایر تجزیه و تحلیل انرژی های تجدیدپذیر مبتنی بر GIS استفاده شود. روش ها و ابزارها حتی اگر تعدادی از ابتکارات تحقیقاتی (EnerGEO [ 56 ]، GISOPT [ 77 ]، SIMMODEL [ 78 ]) توسعه چنین مدل داده ای را هدف قرار داده اند، هیچ راه حل عمومی مطابق با موسسات تحقیقاتی، نهادهای عمومی و شرکت های انرژی یافت نشده است. هنوز.
مدل داده‌های یکپارچه باید امکان ادغام انواع منابع داده پایه مختلف، از جمله پتانسیل‌های انرژی تجدیدپذیر، توپولوژی‌های شبکه خط، داده‌های هواشناسی، داده‌های آماری (مانند تراکم جمعیت)، ویژگی‌های ساختمان، مدل‌های ساختمان سه بعدی، مدل‌های سطح دیجیتال را فراهم کند. تاسیسات ذخیره انرژی، نیروگاه ها و مبدل های انرژی و تصاویر ماهواره ای، از جمله موارد دیگر.
در نتیجه، مدل داده باید بتواند مجموعه داده های برداری و شطرنجی را مدیریت کند، که هنوز یک دوگانگی غالب در بخش اطلاعات جغرافیایی (GI) است. جدای از این شکاف، ادغام داده‌های برداری و شطرنجی از دیدگاه روش‌شناختی [ 79 ]، و از دیدگاه پایگاه‌داده به‌عنوان ادغام انواع داده‌های مختلف، مانند هندسه‌ها، قالب‌های مبتنی بر XML و داده‌های شطرنجی در یک واحد یک چالش است. پایگاه داده، بسیار چالش برانگیز است.
به عنوان یک مدل داده فراگیر و فراگیر ممکن است به دلایل ذکر شده در بالا عملاً غیرممکن باشد، ایجاد یک نمایه اصلی که می تواند بر اساس نیازهای یک برنامه خاص گسترش یابد، بسیار مهم خواهد بود. این توانایی اجرای مدل داده با تلاش معقول را تضمین می کند، در حالی که هنوز به اندازه کافی باز است تا طیف گسترده ای از برنامه ها و مدل های سیستم انرژی را پوشش دهد. با این حال، نتایج پروژه‌های تحقیقاتی قبلی نشان داده‌اند که دستیابی به توافق مشترک در مورد مشخصات داده‌های اصلی برای داده‌های مرتبط با انرژی دشوار است. بنابراین، یک رویکرد پایین به بالا برای تولید یک مدل داده ممکن است امیدوارکننده‌ترین روش عمل باشد، نه یک روش استانداردسازی رسمی از بالا به پایین.
استراتژی دیگر برای مقابله با مشکل در دسترس بودن مجموعه داده‌های بسیار ناهمگن این است که صرفاً داده‌های از پیش پردازش شده را در مدل داده ادغام کنیم و نه همه مجموعه‌های داده خام، بسته به ورودی‌های مورد نیاز برای یک کار تجزیه و تحلیل خاص. برای مثال، اگر یک مدل سیستم انرژی به خطوط کلی ساختمان برای محاسبه پتانسیل انرژی خورشیدی غیرفعال ساختمان‌های منفرد نیاز داشته باشد، ابر نقطه اصلی LiDAR در پایگاه داده ذخیره نمی‌شود، بلکه خطوط کلی ساختمان حاصل از داده‌های LiDAR را ذخیره نمی‌کند. اول از همه، این باعث صرفه جویی در فضای حافظه در پایگاه داده می شود، و دوم، انعطاف کافی در تطبیق محتویات پایگاه داده با پارامترهای ورودی مورد نیاز مدل سیستم انرژی را فراهم می کند.
در پایان، می توان بیان کرد که بخش انرژی برخلاف بسیاری از حوزه های کاربردی دیگر، هنوز توسط مفاهیم ذخیره سازی داده های مکانی و مدل سازی عمیقا نفوذ نکرده است. بنابراین، چالش‌های آینده افزایش آگاهی برای روش‌های مبتنی بر GIS و مفهوم زیرساخت داده‌های مکانی (SDI) برای بخش انرژی، مشابه INSPIRE (زیرساخت اطلاعات مکانی در اروپا) [ 80 ] برای تبادل داده‌های محیطی خواهد بود. همانطور که در بالا نشان داده شده است، از آنجایی که زمینه های کاربردی در حوزه کاربردهای مرتبط با انرژی بسیار گسترده است، اقدام ارجح ایجاد یک نمایه اصلی خواهد بود که با توجه به موارد استفاده خاص قابل توسعه باشد.

4.3. منابع داده جدید: VGI و Crowdsourced Data

جدا از داده های پایه اختصاصی و بسیار تخصصی، همانطور که در زیربخش 4.1 توضیح داده شد ، سایر مجموعه داده های کمتر رسمی تولید شده توسط کاربر در برنامه ریزی و اجرای پروژه های زیرساخت انرژی اهمیت پیدا می کنند. در اینجا، مفاهیم اطلاعات جغرافیایی داوطلبانه (VGI) [ 81 ] و افراد به عنوان حسگرها [ 82 ] نقش کلیدی دارند.
هر دوی این مفاهیم مخفف داده های جغرافیایی تولید شده توسط کاربر هستند که در فرآیندهای مشترک جمع آوری می شوند. این رویکرد دارای سه مزیت متمایز است: اول، دسترسی به داده های مکانی به طور قابل توجهی با درک جدید زیرساخت های داده های جغرافیایی باز افزایش می یابد. دوم، وسعت داده های انرژی موجود، که تا کنون عمدتاً در سیستم های اختصاصی و بسته توسط ارائه دهندگان انرژی و اپراتورهای شبکه نگهداری می شده است، به طور چشمگیری افزایش یافته است. و سوم، با توجه به افزایش تعداد کاربران اینترنت، استفاده از داده های جغرافیایی و ابزارهای مبتنی بر GIS نه تنها محدود به گروه کوچکی از افراد با دانش خاص است. همراه با مفهوم مشارکت عمومی (به بخش 4.4 مراجعه کنید) که به شهروندان امکان می دهد نظرات و ملاحظات خود را در مورد فرآیندهای برنامه ریزی ارائه دهند، این امر می تواند به طور قابل توجهی به دموکراسی سازی بیشتر در برنامه ریزی و اجرای پروژه های زیرساخت انرژی منجر شود.
حتی اگر VGI به طور متوسط ​​در فرآیندهای تصمیم گیری در سایر زمینه ها استفاده می شود ( بررسی افزایش سریع OpenStreetMap (OSM) [ 83 ، 84 ] )، استفاده از VGI به طور گسترده برای بخش انرژی مورد مطالعه قرار نگرفته است. در اینجا، پتانسیل‌هایی که نیاز به ارزیابی دارند شامل داده‌های جمع‌سپاری، از جمله تأسیسات ذخیره‌سازی، نیروگاه‌های خصوصی در مقیاس کوچک، داده‌های مصرف انرژی، اندازه‌گیری‌های ایستگاه‌های هواشناسی خصوصی، یا رویکردهای مبتنی بر علم شهروندی، مانند برآورد اثرات سایه‌زنی برای ساختمان‌های منفرد است.
علاوه بر این، استفاده از «داده‌های تولید شده توسط کاربر» که از کنتورهای هوشمند به‌طور گسترده وارد بازار شده‌اند، باید مورد بررسی قرار گیرد. اینها می توانند مصرف انرژی فردی را در فواصل 15 دقیقه یا حتی بیشتر نظارت کنند. کنتورهای هوشمند مزایای واضحی را برای تامین‌کنندگان برق ارائه می‌کنند، که می‌توانند از اطلاعات بلادرنگ مصرف انرژی برای تطبیق استراتژی‌های تولید و توزیع خود استفاده کنند. علاوه بر این، مصرف کنندگان برق می توانند با نظارت بر مصرف انرژی خود از کنتورهای هوشمند بهره مند شوند و در نتیجه مصرف خود را در جهت استفاده کارآمدتر تطبیق دهند. سومین دستورالعمل اتحادیه اروپا برای بهره وری انرژی [ 85] هدف بلندپروازانه ای را تعریف می کند که 80 درصد از خانواده های اروپایی باید تا سال 2020 کنتورهای هوشمند نصب کنند. این یکی از اقداماتی است که به منظور دستیابی به هدف کاهش 20 درصدی مصرف انرژی تا همان سال انجام می شود.
با این حال، جدای از ارزیابی تناسب استفاده از داده های جمع سپاری، که باید در صورت بروز مورد رسیدگی شود، تعدادی از سوالات کلیدی باید مورد توجه قرار گیرند. اول از همه، تضمین کیفیت یکی از موضوعات اصلی است که شامل موضوعات تحقیقاتی مانند برآورد عدم قطعیت یا تشخیص خطای دینامیکی، تصحیح و پیشگیری است. در این حوزه تحقیقاتی، ما در حال حاضر شاهد رویکردهای مختلفی در توسعه هستیم، از جمله پردازش رویداد پیچیده (CEP) برای تشخیص خطا، تلاش‌های استانداردسازی برای نمایش عدم قطعیت در داده‌های مکانی (به عنوان مثال، زبان نشانه‌گذاری عدم قطعیت (UncertML)) [ 85] یا پروفایل های اختصاصی برای تعریف محدوده اعتبار برای مشاهدات خاص. تنها زمانی که این سوالات حل شوند، می توان از قابلیت اطمینان و کامل بودن VGI اطمینان حاصل کرد.
علاوه بر این، یک سوال اصلی در زمینه داده‌های جمع‌سپاری این است که چگونه می‌توانیم حریم خصوصی افراد را هنگام برخورد با اطلاعات تولید شده توسط کاربر و تا حدی داده‌های شخصی حفظ کنیم. با توجه به گستردگی این موضوع و بحث های فشرده در حال حاضر، یک زیربخش جداگانه 4.5 به مسائل مربوط به حریم خصوصی اختصاص داده شده است.

4.4. اهمیت مشارکت عمومی مبتنی بر GIS

همانطور که در بخش 1 ذکر شد ، اصلاح زیرساخت های انرژی که با افزایش استفاده از انرژی های تجدیدپذیر ضروری است، شامل گسترش شبکه های برق و گرما و ساخت نیروگاه ها و تاسیسات ذخیره سازی اضافی است [ 2 ]. این تغییرات عظیم زیرساختی منجر به افزایش آگاهی در عموم مردم می شود که اغلب به دلیل تأثیرات بصری ناشی از نیروگاه های بادی و فتوولتائیک (PV) یا خطوط برق زمینی ایجاد می شود. این همچنین به معنای انتقال از «انرژی برای فضا» به «انرژی از فضا» است [ 86 ].
این توسعه، که مستلزم نیازهای زمین قابل توجهی نیز می باشد، نیازمند فرآیندهای جدید مذاکره منطقه ای و محلی است. دولت‌ها دریافته‌اند که پذیرش پروژه‌های زیرساخت انرژی در عموم مردم از اهمیت عمده‌ای برخوردار است، زیرا به شدت بر امنیت برنامه‌ریزی و سرمایه‌گذاری تأثیر می‌گذارد [ 87 ]. این عمدتا به دلیل اثری به نام “پدیده NIMBY” (نه در حیاط خلوت من) است که در تحقیقات علمی قبلی به طور کامل مورد مطالعه قرار گرفته است [ 88 ]. این نیز توسط Manfren و همکاران پشتیبانی می شود. ، که بیان می کنند که اطلاعات عمومی و ارتباطات عمومی از نظر برنامه ریزی زیرساخت انرژی “شهروند محور” اهمیت پیدا می کند [ 89 ].
یک استراتژی برای پرداختن به پدیده NIMBY، ارائه امکانات مشارکت برای شهروندان در فرآیندهای برنامه ریزی برای افزایش شفافیت و بهبود دسترسی به اطلاعات در مورد یک پروژه خاص است. در اینجا، عمدتاً، مفاهیم جدید مبتنی بر وب، از جمله WebGIS، Web 2.0، GIS مشارکت عمومی (PPGIS)، دولت 2.0 یا رویکردهای مشارکت الکترونیکی مفید یافت شده اند. مطالعه‌ای که شامل 377 پروباند [ 90 ] بود، نشان می‌دهد که بیش از 90 درصد شرکت‌کنندگان در این مطالعه در بخش‌ها، شهروندان، دولت‌های دولتی و صنعت انرژی معتقدند که روش‌های متعارف مشارکت عمومی (افشای طرح‌های پروژه در شهرداری، باز شوراها و غیره ) باید توسط برنامه های کاربردی مبتنی بر نقشه در اینترنت گسترش داده شوند، همانطور که در شکل 3 نشان داده شده است..
شکل 3. نشانه هایی مبنی بر اینکه آیا روش های سنتی مشارکت عمومی باید توسط برنامه های کاربردی مبتنی بر نقشه در اینترنت گسترش یابد (اقتباس از [ 90 ]).
حتی اگر قبلاً برنامه‌های مشارکت عمومی متعددی برای پروژه‌های خاص توسعه داده شده‌اند، تقریباً هیچ تلاش پژوهشی وجود ندارد که مبنای بحث مشارکت مردم در تصمیم‌گیری در پروژه‌های زیرساخت انرژی با مفاهیم علمی و نتایج مطالعات جامع کاربر باشد. تحقیقات آینده در این زمینه شامل تحقیق در مورد انگیزه مشارکت، تناسب مفاهیم PPGIS برای موارد استفاده مختلف، ارتباطات بهینه بین طرفین درگیر، طراحی رابط کاربری مناسب و استاندارد شده و مجموعه ای از الزامات عملکردی اصلی است.

4.5. نگرانی های حریم خصوصی

از نظر حریم خصوصی، ممکن است این ادعا مطرح شود که قبل از به اشتراک گذاشتن آنها باید از اطلاعات شخصی و خصوصی خود آگاه باشیم. این همچنین نیاز به بحث در مورد مفهوم I-VGI را افزایش می دهد، به عنوان مثال ، اطلاعات جغرافیایی به طور غیرارادی ارائه شده است، برخلاف VGI ( قسمت از بخش فرعی 4.3 ). برای مثال، رویکردهای سنجش جمعی از داده‌های ناشناس شبکه‌های دیجیتال (مثلاً با استنتاج انرژی مورد نیاز ناشی از توزیع ترافیک در شبکه تلفن همراه) بهره‌برداری می‌کنند، حتی اگر افراد قصد نداشته باشند داده‌های خود را به این روش به اشتراک بگذارند.
یکی دیگر از مسائل اصلی در استفاده از داده‌های جمع‌سپاری، تأثیر شخصی نتایج تجزیه و تحلیل دقیق است، زیرا عباراتی مانند «پتانسیل انرژی تجدیدپذیر» یا «تقاضای انرژی» تنها جایگزین‌هایی برای تأثیرگذاری بسیار گسترده‌تر بر مردم هستند، که ضرورت یافتن را افزایش می‌دهد. سطح مناسب ارائه اطلاعات به عنوان مثال، داده های دقیق در مورد مصرف انرژی یک خانوار می تواند برای استخراج تعداد افراد ساکن در یک خانه و الگوها و عادات فردی (الگوهای استفاده روزانه، عادات شخصی، و غیره ) استفاده شود [ 91 ]. بنابراین، نیاز به بررسی امنیت و حریم خصوصی مشتری در ارتباط با داده های انرژی تولید شده توسط کاربر وجود دارد [ 92]. چندین نویسنده ایده‌هایی درباره نحوه ناشناس کردن داده‌های کنتور هوشمند بین مشتری و اشخاص ثالث ارائه کرده‌اند [ 93 ، 94 ]، اما اینها تنها رویکردهای فنی منحصر به فردی هستند.
در نتیجه، اطلاعات دقیق‌تر، دقیق‌تر یا کامل‌تر ممکن است در بسیاری موارد لزوماً ارزش نداشته باشد، زیرا این امر می‌تواند به نتیجه‌گیری در مقیاس بسیار کوچک، در موارد شدید، حتی در مورد فرد اجازه دهد. این باز هم می‌تواند تأثیر شگرفی در حوزه‌های بسیار وسیعی داشته باشد، مانند بازار مسکن، شرایط پرداخت یارانه، بخش بیمه یا برنامه‌ریزی و مدیریت شهری.
موضوع حفظ حریم خصوصی داده ها در مورد سایر داده های مرتبط با انرژی نیز صدق می کند. اینها شامل اطلاعات دقیق تر در مورد تقاضای حرارت ساختمان و تولید انرژی از نیروگاه های فتوولتائیک خصوصی است. حتی اگر مصرف انرژی و تقاضای گرما در سطح ساختمان در دسترس باشد، مسائل مربوط به حریم خصوصی استفاده از داده ها را برای اشخاص ثالث محدود می کند. بنابراین رویکردهای جدید برای حفاظت از حریم خصوصی ضروری است. کروگر و کولبه تقاضای انرژی در سطح شهر برلین را بر اساس ویژگی های ساختمان های تک مدل می کنند [ 95 ]. با این حال، نویسندگان بیان می کنند که مقادیر واقعی به دلیل مسائل مربوط به حریم خصوصی قابل محاسبه نیستند.
بنابراین، از آنجایی که فرآیندهای برنامه ریزی زیرساخت انرژی اغلب با داده های شخصی یا فردی مهم سروکار دارند، چارچوب های قانونی باید در سطوح ملی، فراملی و جهانی برای محافظت از این داده ها ایجاد شود. بزرگترین عامل محدود کننده در این زمینه، تعبیر متفاوت «حریم خصوصی» در نقاط مختلف جهان است. به عنوان مثال، حریم خصوصی می تواند مانند یک کالای اقتصادی توسط مالک آن در ایالات متحده معامله شود، در حالی که در اتحادیه اروپا توسط قانون محافظت می شود. این بدان معناست که از نهادها و ابتکارات قانون گذاری فراملی خواسته می شود تا مقررات مناسب در سطح جهانی را تنظیم کنند، حتی اگر قوانین و دولت ها نقش بسیار متفاوتی در این دو محیط ایفا کنند.
این همچنین شامل سوال مهم مالکیت داده می شود. چه کسی صاحب داده است: تولیدکنندگان داده (به عنوان مثال ، شهروندان یا یک تامین کننده انرژی)، مؤسساتی که میزبان سیستمی برای جمع آوری داده ها هستند یا ارائه دهندگان داده؟ علاوه بر این، اگر داده‌های حساس برای تولید لایه‌های اطلاعاتی مرتبط با برنامه‌ریزی تجزیه و تحلیل شوند، در صورتی که تصمیمات مبتنی بر این اطلاعات به دلیل عدم کیفیت داده‌های پایه اشتباه باشد، چه کسی مسئول است؟ در نتیجه، مسائل مربوط به حریم خصوصی، مالکیت داده، دسترسی، یکپارچگی و مسئولیت باید به طور کامل و یکباره و نه جدا از یکدیگر مورد بررسی قرار گیرند.

4.6. مدل های ساختمان سه بعدی و تجزیه و تحلیل داده های سه بعدی

اخیراً مدل‌های انرژی که در مقیاس‌های مختلف (منطقه‌ای، شهری، محلی، ساختمانی) عمل می‌کنند، در حال هماهنگ شدن هستند. این بدان معنی است که رویکردهای مبتنی بر GIS با روش‌های مبتنی بر مدل‌سازی اطلاعات ساختمان (BIM) در مدل‌سازی و تحلیل سیستم انرژی [ 96 ] ترکیب می‌شوند. در حال حاضر، ما شاهد افزایش سریع استفاده از مدل های ساختمانی سه بعدی برای محاسبه پتانسیل خورشیدی با استفاده از دید نما هستیم. تعدادی روش مبتنی بر GIS و BIM برای ساختمان های منفرد یا مناطق بزرگتر در مقیاس های مختلف وجود دارد [ 97 ، 98 ، 99 ].
علاوه بر این، مدل های سه بعدی ساختمان و حمل و نقل هوایی برای محاسبه تقاضای انرژی ساختمان ها استفاده می شود [ 100 ، 101 ]. زمینه های کاربردی طراحی مفاهیم نوآورانه اصلاح مناطق شهری و توسعه استراتژی های گسترش شبکه گرما و انرژی است. در این زمینه ها، یک مرور کلی از تقاضای گرمای فعلی، و همچنین یک روش کارآمد برای محاسبه و تجسم سناریوهای اصلاح به فوریت مورد نیاز است.
جدای از مدل های ساختمان سه بعدی، الگوریتم های تحلیل سه بعدی نقش کلیدی در مدل سازی سیستم های انرژی آینده خواهند داشت. جوکم و همکاران اولین رویکرد را در این جهت ارائه می‌کند [ 102 ]، اما نیاز روزافزونی به روش‌های تحلیل جامع‌تر و دقیق‌تر وجود دارد. چالش‌های تحقیقاتی آینده شامل ادغام الگوریتم‌های ردیابی پرتو [ 103 ]، تجزیه و تحلیل داده‌های ساختمان با وضوح بالا [ 104 ]، ادغام پارامترهای بخش ساختمان، مانند دیوارها، پنجره‌ها، شبکه‌های خط و غیره [ 105 ]، متقاطع بدون درز است. ادغام BIM و GIS [ 106] و در نظر گرفتن ویژگی های سه بعدی تولید برق از منابع انرژی تجدید پذیر [ 107 ]. بیشتر این چالش‌ها قبلاً در رویکردهای منفرد حل شده‌اند، اما هیچ روش یکپارچه‌ای تاکنون پیدا نشده است.

4.7. ادغام توپولوژی های شبکه در GIS

تولید پراکنده (DG) انرژی، به‌ویژه در قالب برق و گرما، معمولاً به فناوری‌های متصل به شبکه، به عنوان مثال ، خطوط لوله، کابل‌ها و فناوری‌های ذخیره‌سازی مناسب نیاز دارد تا انرژی الکتریکی یا گرمایی را از جایی که تولید می‌شود به جایی که تولید می‌شود، منتقل کند. نیاز است. همانطور که در [ 108 ] بیان شد، «استفاده از GIS، همراه با مدل‌هایی که در دسترس بودن منابع و مدل‌های مکمل اقتصادی و زیست‌محیطی را توصیف می‌کنند، می‌تواند برای شناسایی مناطق منطقه‌ای که تولید DG جذاب می‌شود (و بنابراین احتمالاً محقق می‌شود، استفاده شود. ) که نیاز به اتصال به شبکه ها دارد.
ویژگی های توپولوژیکی، مانند اتصال، مجاورت و مجاورت، نقش اصلی را در بهینه سازی شبکه های انرژی متصل به شبکه ایفا می کنند [ 109 ]]. یافتن مکان، اندازه و فناوری بهینه ذخیره‌سازی انرژی در چنین شبکه‌ای متصل در ایجاد تعادل در تغییرات بار مکانی، زمانی و مکانی-زمانی، به ویژه زمانی که منابع انرژی غیرمتمرکز درگیر هستند، بسیار مهم است. به عنوان مثال، اتصال بین بخش‌های شبکه حرارتی دور باید به منظور محاسبه دقیق و در نتیجه جبران تلفات دما داده شود. نزدیکی سایت‌های انرژی تجدیدپذیر بالقوه یا مناطق توسعه بالقوه به زیرساخت‌های انرژی موجود برای ارزیابی صحیح هزینه‌ها، مانند هزینه‌های نصب و نگهداری، و جلوگیری از هرگونه اختلال در سایر مناطق مجاور، به عنوان مثال، زیستگاه‌های خاص حیوانات، مهم است. از مجاورت می توان برای ارزیابی اینکه آیا، به عنوان مثال، قطعات یا مناطق همسایه مرز مشترکی با سایت تولید انرژی بالقوه دارند یا خیر، استفاده کرد.
ژئوداده شبکه های انرژی معمولاً به صورت خطوط یا چندخط (خطی با چندین رأس بین نقطه شروع و نقطه پایان خط) نشان داده می شوند. اگرچه تقریباً تمام این داده‌های شبکه با نوعی سیستم دیجیتال مدیریت می‌شوند، اما معمولاً از نظر ویژگی‌های توپولوژیکی «پاک» نیستند، به عنوان مثال، به دلیل غیردقیق بودن فرآیندهای دیجیتالی دستی یا خودکار. به عنوان مثال، دو خط (یا پاره خط) از نظر توپولوژیکی به یکدیگر متصل نیستند، زیرا آنها دقیقاً در یک نقطه مشترک نیستند، حتی اگر از نظر بصری درست به نظر برسد. با این حال، سیستم های مدیریت پایگاه داده GIS و مکانی ابزارهایی برای تصحیح چنین خطاهایی با پارامترهای تعریف شده توسط کاربر فراهم می کنند، به عنوان مثال، دو نقطه که در فاصله معینی قرار دارند در یک نقطه ادغام می شوند یا دو پاره خط تقریباً یکسان از دو ناحیه مجاور در یک خط واحد ادغام می شوند، زیرا آن پاره یک مرز مشترک را نشان می دهد. به این ترتیب، بازسازی یک نمودار شبکه انرژی از نظر توپولوژیکی صحیح و “پاک”، که از گره ها و لبه ها تشکیل شده است، همچنین مبنایی برای تجزیه و تحلیل سیستم انرژی مبتنی بر GIS است، مانند تحلیل کوتاه ترین مسیر و محاسبات پیچیده تر در مورد عملکرد شبکه و قابلیت اطمینان شبکه، به ویژه با توجه به نوسانات مکانی-زمانی بار شبکه.
از نقطه نظر سیستم انرژی دقیق تر، ویژگی های توپولوژیکی نیز باید اصولاً در اجزای شبکه انرژی کوچک و محلی در نظر گرفته شود، مانند لوله هایی از، به عنوان مثال، نیروگاه حرارتی خورشیدی روی پشت بام تا مخزن آب گرم. فاصله متریک واقعی بین اجزای انرژی درگیر از نظر تلفات انرژی حیاتی نیست. با این حال، اینکه آیا یک جزء خاص بخشی از شبکه است یا خیر، ممکن است بسیار مهم باشد. با توجه به تجزیه و تحلیل شبکه چند مرحله ای، یک پاسخ دودویی به سؤالی مانند “کدام خانه ها به آن بخش از شبکه انرژی متصل هستند” می تواند برای تحقیقات بیشتر و دقیق تر استفاده شود.
با توجه به نظارت بر عملکرد و نوسانات یک شبکه انرژی عملیاتی، اتصال بلادرنگ سیستم های انرژی و GIS برای حل موثر و کارآمد چالش های غیر منتظره و مورد انتظار در تامین انرژی ضروری است. به عنوان مثال، قطع شدن خطوط برق یا آسیب به هاب های انرژی ضروری، به دلیل رعد و برق یا رانش زمین. یک جبهه سرد پیش بینی شده را می توان با استفاده از GIS زمان واقعی تجزیه و تحلیل و تجسم کرد [ 110 ، 111]. در سطح فنی، چنین اتصال بلادرنگی از سیستم‌های متنوع، نیازمند تبادل اطلاعات و داده‌های متقابل بر اساس رابط‌ها و خدمات استاندارد است. به نوبه خود، این امر همچنین به اتصال GIS با سیستم‌های کنترل نظارتی و جمع‌آوری داده (SCADA) نیاز دارد، زیرا هدف اصلی سیستم‌های SCADA نظارت بر وضعیت ساختمان، از جمله نظارت بر زیرساخت انرژی است. این موضوع با انتقال از برنامه ریزی ساختاری به کنترل عملیاتی در سیستم های انرژی، همانطور که در بخش فرعی 4.11 توضیح داده شد، به شدت همراه است.

4.8. تجمیع: ترکیب دیدگاه های انرژی و GIS

مدل سازی یک سیستم انرژی به تنوع بالایی از داده های پایه مختلف نیاز دارد. برای بسیاری از مناطق، مجموعه داده ها، مانند تولید انرژی، نیروگاه های PV نصب شده یا تراکم جمعیت، در سطح جامعه در دسترس هستند. بسته به ارائه‌دهنده داده و استفاده و هدف اصلی داده‌ها، تنوع گسترده‌ای در مقیاس را می‌توان انتظار داشت. به عنوان مثال، داده ها در سطح ساختمان های جداگانه دارای دقت بالایی هستند. اما یک نقطه ضعف در این مقیاس این است که داده ها تجاری و پرهزینه هستند. علاوه بر این، برخی از ویژگی های مورد نظر ممکن است فقط تا حدی در دسترس باشند. در این سطح، مسائل مربوط به حریم خصوصی نیز مورد توجه است. هنگام حرکت به سمت سطح بلوک و کد پستی، از دست دادن دقت جغرافیایی انتظار می رود. بسته به هدف مطالعه (به عنوان مثال، یک برآورد کلی از تقاضای گرما برای گسترش احتمالی شبکه گرمایش منطقه ای)، این سطح ممکن است همچنان مناسب باشد. برای مقاصد دیگر (مثلاً تعیین موقعیت دقیق تر تأسیسات ذخیره انرژی غیرمتمرکز)، این مقیاس ممکن است خیلی درشت باشد. به عنوان مثال،شکل 4 مقیاس های مختلف و داده های مربوطه را برای تخمین تقاضای حرارت ساختمان نشان می دهد.
شکل 4. نمونه ای از مقیاس های مختلف و داده های مربوطه هنگام مدل سازی یک سیستم انرژی. مثال داده‌های مربوطه را هنگام شبیه‌سازی تقاضای گرمای ساختمان در مقیاس‌ها و دقت‌های جغرافیایی مختلف نشان می‌دهد.
در نتیجه، هنگام جفت کردن برنامه‌ریزی انرژی و GIS، حداقل سه دلیل وجود دارد که چرا باید در مقیاس‌های فضایی مختلف کار کرد و داده‌ها را تجمیع یا تفکیک کرد: (1) مقیاس مشترک (مثلاً سطح ساختمان یا سطح منطقه). زیرا همه داده ها برای تجزیه و تحلیل یا اعتبارسنجی نتایج مورد نیاز است [ 112 , 113 , 114 ]. (2) زمان محاسبات سریعتر مورد نظر است [ 115 ]. (3) در نظر گرفتن جنبه های حریم خصوصی داده ها مورد نیاز است [ 93 ، 94 ].
از این رو، استفاده از روش هایی که می توانند داده ها را در مقیاس های مختلف ذخیره و پردازش کنند، ضروری است. یک گزینه اعمال یک پایگاه داده جغرافیایی با ساختار سلسله مراتبی است که در آن واحدهای کوچکتر همه بخشی از واحدهای بزرگتر هستند [ 114 ]. سپس داده‌های واحدهای کوچک‌تر (مثلاً مناطق) را می‌توان به واحدهای بزرگ‌تر (مثلاً ایالت‌ها) بر اساس پرسش‌های SQL ادغام کرد. همین اصل را می‌توان برای مقیاس‌های تفکیک‌پذیری دقیق‌تر، از جمله منطقه شهری، بلوک مسکونی، بخش‌های خیابان و ساختمان‌های فردی و غیره نیز به کار برد. یکی دیگر از گزینه‌های تجمیع، اعمال یک شبکه منظم در وضوح کمتر از داده‌های اصلی است، به عنوان مثال، 100 متر در 100 متر برای مدل‌سازی و تجسم تقاضای گرما و انرژی [ 116 ].
در عوض، تفکیک باید بر اساس یک متغیر توضیحی انجام شود. با توجه به تقاضای انرژی، این می تواند توزیع جمعیت، تراکم ساختمان یا اعضای خانوار و انواع ساختمان باشد [ 117 ]. از این رو، با فرض رابطه بین تراکم جمعیت و تقاضای انرژی، داده‌های انرژی را می‌توان به تفکیک دقیق‌تری تقسیم کرد. مثال دیگر می تواند تفکیک سری های زمانی کل تولید انرژی فتوولتائیک منطقه ای (که اغلب از اپراتورهای شبکه در دسترس است) به پانل های فتوولتائیک منفرد با اثرات شناخته شده باشد. داده های بعدی از چندین سرویس آنلاین، اغلب مختص منطقه، از جمله نقشه انرژی سانفرانسیسکو [ 118 ] و Solar Essence [ 119 ] در دسترس است.] در انگلستان این رویکرد منجر به مجموعه داده های مکانی تفکیک شده ای می شود که تولید انرژی غیرمتمرکز را نشان می دهد. در عین حال، حریم خصوصی را حفظ می کند، زیرا تولید انرژی هر پنل فتوولتائیک منفرد، تقریبی است بر این فرض که به طور خطی با کل تولید محیط اطراف مرتبط است. با این وجود، چنین مجموعه داده های جغرافیایی با مقیاس دقیق می تواند یک پارامتر ورودی با ارزش برای طیف گسترده ای از مدل های انرژی باشد. با این حال، یک چالش ایجاد یک پایگاه داده کامل است که شامل داده های چندین نصب کننده فتوولتائیک باشد. یک رویکرد می تواند شامل اطلاعات جمع سپاری باشد، مانند پروژه PV باز [ 120 ] و ابتکار KliBA (Klimaschutz- und Energie- Beratungsagentur Heidelberg- Rhein- Neckar- Kreis gGmbH) [ 121 ].].

4.9. برآورد تقاضای انرژی ریز دانه از منابع داده آزادانه در دسترس

تقاضای انرژی و تجزیه و تحلیل پتانسیل یک ابزار برنامه ریزی تثبیت شده در سطوح محلی و منطقه ای است [ 27 ]. این تحلیل مبنای مهمی برای استخراج مفاهیم عرضه و اقدامات کاهشی تشکیل می دهد. بنابراین، پهنای باند روش ها و رویکردهای مورد استفاده برای ارزیابی تقاضای انرژی و گرما زیاد است و مقایسه نتایج اغلب ممکن نیست. یکی از دلایل این کاستی این واقعیت است که اهداف برنامه ریزی عمدتاً با داده های پایه مورد نیاز و رویکردهای روش شناختی مورد استفاده تعریف می شوند که دامنه و چشم انداز فرآیند تحلیل را محدود می کند.
در حالی که در مقیاس منطقه ای، عمدتاً از داده های آماری در ارتباط با تجسم نقشه برداری ساده استفاده می شود، رویکردهای مبتنی بر GIS تنها در مقیاس محلی بر کاربردها غالب هستند [ 122 ]]. تاکنون، این مطالعات مبتنی بر GIS عمدتاً به تخمین تقاضای گرمای ساختمان‌های مسکونی محدود شده‌اند. مطالعات معمولی با هدف بهبود بیانیه های تقاضای گرمای ساختمان های فردی در مناطق بسیار کوچک انجام می شود. در اینجا، یک رویکرد جدید و نوآورانه استفاده از یک فرآیند ترکیبی از بالا به پایین و پایین به بالا برای پیوند داده‌های کاداستر در سطح ساختمان با داده‌های آماری در مقیاس کلان و ارائه نتایج به عنوان یک اطلس حرارتی با وضوح بالا است. با کمال تعجب، علیرغم انحرافات قابل توجهی از تقاضای گرما برای ساختمان‌های منفرد، می‌توان انتظار داشت که تغییرات آماری در واحدهای فضایی جمع‌آوری شده کم باشد. مزیت این رویکرد در همگن بودن داده های پایه و مقایسه نتایج فراتر از مقیاس محلی است.
با این حال، امکانات استفاده از داده های مکانی و سیستم های اطلاعات جغرافیایی هنوز به پایان رسیده است. بسیاری از برنامه ها به دلیل عدم دسترسی به داده های پایه ضروری (داده های سیستم های انرژی و داده های جغرافیایی) محدود شده اند. در نتیجه، مطالعات تقاضای انرژی در سطح محلی تنها می‌تواند ناقص باشد یا با هزینه‌های قابل‌توجهی برای منابع داده اضافی، مانند ساختمان‌های مسکونی، تقاضای انرژی حمل‌ونقل، صنعت، خدمات یا تجارت انجام شود. بنابراین، دسترسی به داده های پایه در مورد مصرف انرژی باید بیشتر بهبود یابد تا از برنامه ریزی سیستم های انرژی غیرمتمرکز با سهم بالایی از منابع انرژی تجدید پذیر اطمینان حاصل شود.

4.10. برنامه ریزی تاسیسات ذخیره سازی غیرمتمرکز

برنامه ریزی تاسیسات ذخیره سازی غیرمتمرکز تا حد زیادی به مسائل ساختاری، تکنولوژیکی و اقتصادی بستگی دارد. فرآیند برنامه ریزی با برآورد انرژی مورد نیاز ساختمان ها در مناطق شهری آغاز می شود. به دلیل قوانین حفظ حریم خصوصی داده ها، داده های اندازه گیری شده مصرف انرژی به ندرت می تواند برای محاسبات استفاده شود ( بخش 4.5 ). بنابراین، بارهای انرژی گرمایی سالانه با پیشنهادات در [ 123 ] برآورد می شود. بارها با استانداردهای ساختمان و سال ساخت متفاوت است.
علاوه بر توزیع فضایی ساختمان‌ها با استانداردهای معین و بارهای انرژی گرمایی آن، بارهای حرارتی وابسته به زمان برای ادغام ذخیره‌های حرارتی حرارتی در مناطق شهری مهم هستند. انبارهای حرارتی می توانند بارهای گرمایی را در زمان هایی با مصرف انرژی گرمایی بالا پوشش دهند و در دوره هایی با مصرف کم شارژ شوند. عملکرد ذخیره انرژی گرمایی در یک سیستم انرژی یک موضوع وابسته به زمان است. بنابراین، بارهای انرژی گرمایی و پروفایل های آب گرم خانگی در وضوح ساعتی باید بر اساس مدل های ریاضی تولید شوند [ 124 ، 125 ، 126 ، 127 ].
هنگامی که پروفیل های بار حرارتی تولید می شوند، کل سیستم انرژی باید با در نظر گرفتن جنبه های فضایی و عملیاتی با بهینه سازی چند معیاره تکراری تعریف شود [ 128 ]. بنابراین، مفهوم ذخیره انرژی حرارتی پراکنده بخش مهمی از برنامه ریزی تاسیسات ذخیره سازی بهینه است.
مدل بهینه سازی ظرفیت های ذخیره سازی بهینه را در منطقه شهری نشان می دهد. ظرفیت حجمی مشخص می کند که آیا ظرفیت ذخیره سازی محاسبه شده در سایت محاسبه شده متناسب است یا خیر. علاوه بر این، دمای جریان در یک شبکه گرمایش منطقه ای یا یک ساختمان، فناوری ذخیره سازی بهینه را مشخص می کند. علاوه بر این، نرخ توان، راندمان، دوره زمانی ذخیره انرژی و هزینه ها ظرفیت ذخیره سازی مناسب را تعیین می کند ( جدول 1 ). علاوه بر این، استفاده از زمین منطقه ذخیره‌سازی انرژی حرارتی آینده باید در مجوزهای ساختمانی و مشارکت عمومی باشد (به بخش 4.4 مراجعه کنید ).
ذخیره‌سازی انرژی حرارتی و توزیع آنها در یک سیستم انرژی یکی از امکان‌های بهبود بهره‌وری کلی انرژی در یک سیستم انرژی محلی است. هنگامی که ذخیره‌های حرارتی در زمان‌های اوج بار تخلیه می‌شوند، دیگ‌های روغنی قابل تعویض هستند. بار پایه برای گرما با نیروگاه های حرارتی و نیروگاهی ترکیبی (CHP) پوشانده می شود، که به موجب آن الکتریسیته تولید شده به طور همزمان به شبکه برق عرضه می شود [ 129 ]. با توجه به افزایش سهم منابع انرژی در نوسان، ترکیب CHP و تاسیسات ذخیره انرژی حرارتی به خوبی برنامه ریزی شده، پایداری شبکه را تضمین می کند. بهره برداری از CHP در دوره های قیمت بالا در بازار یک روز آینده فرصتی برای اعطای تامین انرژی به شبکه برق است [ 130 ، 131 ].
علاوه بر این، ذخیره سازی الکتریکی یک عنصر مهم برای تامین انرژی متعادل و کنترل شده در یک طرح تامین انرژی اروپا در آینده است [ 132 ، 133 ]. در مناطق شهری در مقیاس کوچک، به ویژه توان راکتیو خازنی با ذخیره‌سازی‌های الکتریکی که در سایت‌های مصرف‌کننده قرار می‌گیرند کاهش می‌یابد، و وضعیت بار متغیر زمانی باید با مدل‌های شبکه ریاضی با در نظر گرفتن عرضه و تقاضای برق ارزیابی شود [ 134 ].
جدول 1. فن آوری های ذخیره سازی با ویژگی های فنی و اقتصادی برای هر دو ذخیره سازی حرارتی و الکتریکی [ 135 ].
جدول 1 امیدبخش ترین فناوری های ذخیره سازی الکتریکی را که ممکن است در تلاش های تحقیقاتی آتی مورد استفاده قرار گیرند، فهرست می کند. در مقایسه با هزینه‌های ذخیره‌سازی انرژی حرارتی و قیمت‌های فعلی گاز، ذخیره‌سازی الکتریکی تنها یک گزینه طولانی‌مدت برای متعادل کردن بارها در شبکه برق است [ 133 ]. این موضوع در بخش فرعی 4.12 نیز مورد بحث قرار گرفته است.

4.11. از برنامه ریزی صرفا ساختاری تا برنامه ریزی عملیاتی

تاکنون بیشتر روش‌های بهینه‌سازی برای سیستم‌های انرژی بر روی شبکه‌های ساختاری و برنامه‌ریزی تأسیسات متمرکز شده‌اند. اخیراً، برنامه ریزی عملیاتی اهمیت پیدا کرده است، زیرا این پارادایم جدید عملکرد قابل اعتماد و مقرون به صرفه سیستم های تامین انرژی را تضمین می کند. با این حال، بهینه‌سازی عملیاتی کل سیستم‌های انرژی تنها با مدل‌های پیچیده انرژی-اقتصادی می‌تواند محقق شود [ 27 ، 136 ، 137 ]. تلاش‌ها برای بهینه‌سازی طیف وسیعی از برنامه‌ریزی عملیاتی سیستم‌های انرژی پراکنده (DES) با در نظر گرفتن هزینه‌های سوخت، نگهداری و سرمایه‌گذاری [ 129 ] برای ادغام سناریوهای قیمت بالا را شامل می‌شود که در آن واحدهای CHP برق مرتبط با وضعیت بازار را در شرایط مقررات‌زدایی‌شده تولید می‌کنند. بازار برق [130 ، 131 ، 138 ].
یک حوزه تحقیقاتی رو به رشد، به نام “دوره های زمانی کوتاه” برنامه ریزی عملیاتی به روش “کنترل پیش بینی مدل” (MPC) اشاره دارد. این عمدتا بر اساس داده های زمان واقعی است و وضعیت واقعی یک سیستم انرژی را نشان می دهد [ 139 ]. MPC با پیش‌بینی‌های دقیقه‌ای و ساعتی، استراتژی‌های کنترلی را برای آینده نزدیک در پرواز تعریف کرد. هنگامی که برنامه ریزی عملیاتی شامل دوره های زمانی طولانی و مسائلی برای سرمایه گذاری می شود، می توان آن را به عنوان یک رویکرد قطعی در نظر گرفت که به موجب آن تمام پارامترها و داده های وابسته به زمان ثابت می شوند [ 140 ]. رویکردهای قطعی همچنین مطالعات موردی و تجزیه و تحلیل حساسیت در سیستم های انرژی شهری را برای توسعه آینده اندازه گیری های نوسان عرضه برق و نوسازی در انبار موجود ساختمان امکان پذیر می کند [ 141 ]].
بر اساس [ 142 ، 143 ]، برنامه ریزی ساختاری تنها زمانی می تواند به طور موثر انجام شود که با بهینه سازی های عملیاتی ترکیب شود. مجموعه‌ای از توزیع‌های فضایی مختلف پمپ‌های حرارتی و نیروگاه‌های حرارتی و نیروگاهی ترکیبی در بهینه‌سازی‌های عملیاتی ادغام شده‌اند. نتایج به تصمیم گیری بین استراتژی های مختلف برنامه ریزی فضایی اجازه می دهد، به عنوان مثال، در مورد نصب منابع انرژی متمرکز یا غیرمتمرکز [ 144 ]. کار در [ 145 ] یک روش تجزیه، از جمله بهینه سازی مکانی و عملیاتی سیستم های انرژی را ردیف می کند. یک رویکرد پیچیده تر در برنامه ریزی سازه ای با واریانس وسیع برای توزیع شبکه های گرمایش منطقه ای و ذخیره سازی انرژی حرارتی در [146 ، 147 ].
مولر ادعا می‌کند که «اطلس‌های گرما در نهایت باید مبنای بهتری برای تحلیل سیستم‌های انرژی با مدل‌های رایانه‌ای فراهم کنند» و نیاز به ابزارهای برنامه‌ریزی مبتنی بر GIS که با الگوریتم‌های برنامه‌ریزی عملیاتی و ساختاری در سیستم‌های انرژی سروکار دارند، مورد نیاز است [ 148 ]. کار [ 149 ] یک سیستم مبتنی بر اطلاعات جغرافیایی را ارائه می دهد که کارایی توزیع فضایی پمپ های حرارتی را در مناطق شهری ارزیابی می کند. همه این رویکردهای جدید راه‌های تحقیقاتی جدیدی را برای رویکردهای مبتنی بر GIS باز می‌کنند، زیرا اطلاعات بلادرنگ بخش حیاتی بسیاری از پروژه‌های تحقیقاتی GIS است که حوزه انرژی می‌تواند از آن بهره‌مند شود.

4.12. به سوی طراحی جدید و پویا بازار برق

با توجه به [ 62 ، 150 ] و [ 151 ]، تغییر ساختاری که توسط تعهد سیاسی به چرخش انرژی القا می شود ( قسمت 1 بخش 1 ) تأثیرات شدیدی در سه حوزه متمایز دارد: (1) امنیت تامین انرژی (انرژی پایدار) . عرضه یک نیاز اساسی برای زندگی اقتصادی و خصوصی است). (2) سودآوری (سازگاری بین المللی را فقط می توان با قیمت های انرژی قابل قبول اجتماعی تضمین کرد). و (3) پایداری محیطی (حفاظت از محیط زیست برای تامین انرژی پایدار با در نظر گرفتن کارایی انرژی، کاهش انتشار و استفاده اقتصادی از منابع ضروری است).
بنابراین، یک راه اصلی تحقیقات آینده، ایجاد یک طراحی جدید بازار برق و بررسی پیامدهای آن برای مدل‌های کسب‌وکار نوآورانه است، به‌ویژه با در نظر گرفتن دیدگاه جغرافیایی و نه منحصراً دیدگاه سیستم‌های انرژی. در اینجا، جنبه‌های کلیدی شامل برنامه‌ریزی ظرفیت (بهینه‌سازی اقتصادی ظرفیت‌های تولید و ذخیره‌سازی مبتنی بر GIS، و همچنین شبکه‌های حمل و نقل و توزیع)، تقسیم مسئولیت‌ها (به دلیل نوسانات فزاینده بازار برق ناشی از منابع انرژی تجدیدپذیر، مسئولیت‌ها نیاز به بین بازار و قانون تقسیم شود) و طرح‌ها و مدل‌های تجاری جدید بازار (بهره‌برداری از انواع جدید، از جمله تجمیع‌کننده‌ها، نیروگاه‌های مجازی، تأسیسات ذخیره‌سازی ازدحام).
در این سؤالات باز، GIS به طور بالقوه می تواند از طریق یکپارچه سازی شبکه های جغرافیایی-اجتماعی (ارتباطات مبتنی بر اینترنت در سراسر مرزهای سیستم به عنوان وسیله ای جدید برای رسیدگی به تراکنش ها)، ادغام «شهروندان دیجیتال» (شهروندانی که فعالانه به مشارکت عمومی کمک می کنند، نقش حیاتی ایفا کند. فرآیندها از طریق فناوری‌های مبتنی بر وب و موبایل؛ بخش فرعی 4.4 ) ، سفارشی‌سازی و ساده‌سازی (سرویس‌های شخصی‌شده) و یکپارچه‌سازی اینترنت اشیا (استفاده از حسگرها و محرک‌ها برای برنامه‌ریزی عملیاتی و قیمت‌گذاری انرژی پویا).

5. نتیجه گیری ها

در مواجهه با فراخوان سیاسی گسترده برای “چرخش انرژی”، ما در حال حاضر شاهد سه روند اساسی در رابطه با برنامه ریزی زیرساخت انرژی، تولید و ذخیره انرژی تجدیدپذیر هستیم: از تولید برنامه ریزی شده به سمت تولید نوسانی ناشی از منابع انرژی تجدید پذیر، از تولید متمرکز. به سمت تولید غیرمتمرکز و از حامل های انرژی گران قیمت به سمت حامل های انرژی تجدیدپذیر بدون هزینه. این تغییرات مستلزم تغییرات قابل توجهی در زیرساخت انرژی است.
اگرچه بیشتر این تغییرات ذاتاً ناشی از سؤالات و چالش‌های جغرافیایی هستند، ادغام مدل‌های سیستم انرژی و GIS هنوز در مراحل اولیه است. از دیدگاه کلی تر، ادغام GIS با مدل سازی سیستم انرژی، ایجاد تصویر کامل تری از کل سیستم انرژی و “مناظر انرژی” آینده را قادر می سازد [ 26 ].]. ما ادعا می کنیم که در نظر گرفتن فضا و زمان به عنوان پارامترهای اضافی کافی نیست، اما در واقع، فضا و زمان باید به طور کامل در فرآیندهای مدل سازی سیستم انرژی ادغام شوند تا دینامیک مکانی-زمانی، به عنوان مثال، تقاضای انرژی را بهتر درک کنیم. در دسترس بودن و اثربخشی منابع متعارف و تجدیدپذیر، ظرفیت و الگوهای بار زیرساخت‌های انرژی از جمله ذخیره‌سازی غیرمتمرکز انرژی و در نهایت بازگشت سرمایه‌ها و سودآوری اقتصادی.
این مقاله کاستی‌های رویکردهای قبلی در استفاده از GIS در تلاش‌های مدل‌سازی و برنامه‌ریزی انرژی‌های تجدیدپذیر را تحلیل کرد، چالش‌های متمایز را از این رویکردهای قبلی استخراج کرد و در نهایت، مجموعه‌ای از راه‌های تحقیقاتی اصلی آینده برای برنامه‌ریزی زیرساخت انرژی مبتنی بر GIS با تمرکز بر استفاده از انرژی های تجدیدپذیر این روش‌های تحقیقاتی آینده شامل داده‌های پایه در دسترس بودن و «آگاهی فضایی» آن‌ها، توسعه مدل داده‌های عمومی و یکپارچه، استفاده از VGI و داده‌های جمع‌سپاری در فرآیندهای تحلیل، ادغام مدل‌های ساختمان سه بعدی و تجزیه و تحلیل داده‌های سه بعدی، ادغام توپولوژی های شبکه در GIS، هماهنگ سازی دیدگاه های انرژی و GIS در مورد مسائل تجمیع، برآورد تقاضای انرژی ریز دانه از منابع داده آزادانه در دسترس، برنامه ریزی تاسیسات ذخیره سازی غیرمتمرکز،

منابع

  1. Appelrath، H.-J. کاگرمن، اچ. Mayer, C. (Eds.) Future Energy Grid-Migration to the Internet of Energy ; Acatech: مونیخ، آلمان، 2012.
  2. Sachverständigen Rat für Umweltfragen (SRU). Wege zur 100% Erneuerbaren Stromversorgung ; Erich Schmidt Verlag: برلین، آلمان، 2011. [ Google Scholar ]
  3. میرحسینی، م. شریفی، ف. صداقت، ع. ارزیابی موقعیت‌های پتانسیل انرژی بادی در استان سمنان. تمدید کنید. حفظ کنید. انرژی Rev. 2011 ، 15 ، 449-459. [ Google Scholar ]
  4. شاردینگر، آی. بوتزنهارت، اف. بیبراچر، م. هاماچر، تی. Blaschke, T. ادغام مدل های فضایی در بهینه سازی سیستم انرژی منطقه ای: تمرکز بر زیست توده. بین المللی J. انرژی بخش مدیریت. 2012 ، 6 ، 5-32. [ Google Scholar ] [ CrossRef ]
  5. موندال، MAH; Denich، M. ارزیابی پتانسیل منابع انرژی تجدیدپذیر برای تولید برق در بنگلادش. تمدید کنید. حفظ کنید. انرژی Rev. 2010 ، 14 ، 2401-2413. [ Google Scholar ]
  6. گراسی، اس. چوکانی، ن. ابهری، ر. ارزیابی فنی و اقتصادی در مقیاس بزرگ پتانسیل انرژی باد با ابزار GIS: مطالعه موردی آیووا. سیاست انرژی 2012 ، 45 ، 58-73. [ Google Scholar ]
  7. گراسی، اس. جونگانز، اس. Raubal, M. برآورد میانگین تولید انرژی سالانه توربین های بادی خوشه ای با GIS. در مجموعه مقالات کنفرانس بین المللی انرژی کاربردی 2013، پرتوریا، آفریقای جنوبی، 1 تا 4 ژوئیه 2013.
  8. چن، ی. لی، ایکس. ژنگ، ی. گوان، ی. لیو، X. برآورد رابطه بین اشکال شهری و مصرف انرژی: مطالعه موردی در دلتای رودخانه مروارید، 2005-2008. Landsc. طرح شهری. 2011 ، 102 ، 33-42. [ Google Scholar ]
  9. پرشال، ال. گارنی، ک. هامر، SA; مندوزا، دی. ژو، ی. Geethakumar، S. مدل سازی مصرف انرژی و انتشار CO 2 در مقیاس شهری: چالش ها و بینش های روش شناختی از ایالات متحده. سیاست انرژی 2010 ، 38 ، 4765-4782. [ Google Scholar ] [ CrossRef ]
  10. بلسل، م. کمپ، اس. Huther، H. ضبط فضایی تقاضای انرژی گرمایش ساختمان با وضوح بالا. Euroheat Power 2010 ، 39 ، 28-33. [ Google Scholar ]
  11. ون هوسن، جی. ارزیابی منابع انرژی تجدیدپذیر بالقوه در پولتنی، ورمونت: یک رویکرد مبتنی بر GIS برای حمایت از برنامه‌ریزی انرژی جامعه روستایی. تمدید کنید. انرژی 2010 ، 35 ، 2114-2122. [ Google Scholar ]
  12. شوف، ام. رسچ، بی. لودویگ، دی. یک مفهوم مبتنی بر GIS برای بررسی انرژی خورشیدی پروژه‌های ساختمانی جدید. gis.SCIENCE 2013 ، 3 ، 97-103. [ Google Scholar ]
  13. Sliz-Szkliniarz، B. رویکرد مبتنی بر GIS وگت، جی. برای ارزیابی پتانسیل انرژی باد: مطالعه موردی برای Voivodeship Kujawsko-Pomorskie. تمدید کنید. حفظ کنید. انرژی Rev. 2011 ، 15 ، 1696-1707. [ Google Scholar ] [ CrossRef ]
  14. هوارد، بی. پرشال، ال. تامپسون، جی. هامر، اس. دیکنسون، جی. مودی، V. توزیع فضایی مصرف انرژی ساختمان شهری بر اساس استفاده نهایی. انرژی ساخت. 2012 ، 45 ، 141-151. [ Google Scholar ] [ CrossRef ]
  15. فابری، ک. زوپیرولی، م. Ambrogio، K. ساختمان های میراث و عملکرد انرژی: نقشه برداری با ابزار GIS. انرژی ساخت. 2012 ، 48 ، 137-145. [ Google Scholar ] [ CrossRef ]
  16. کولتر، جی. فریرا، جی. مطالعه ای در مقیاس بزرگ در مورد پیش بینی و زمینه سازی مصرف انرژی ساختمان. در مجموعه مقالات بیست و پنجمین کنفرانس AAAI در مورد هوش مصنوعی، سانفرانسیسکو، کالیفرنیا، ایالات متحده آمریکا، 7 تا 11 اوت 2011.
  17. ون هارن، آر. Fthenakis، V. انتخاب سایت مزرعه بادی مبتنی بر GIS با استفاده از تحلیل چند معیاره فضایی (SMCA): ارزیابی مورد برای ایالت نیویورک. تمدید کنید. حفظ کنید. انرژی Rev. 2011 ، 15 ، 3332-3340. [ Google Scholar ] [ CrossRef ]
  18. Stoms، DM; داشیل، اس ال. Davis, FW Siting توسعه انرژی خورشیدی برای به حداقل رساندن اثرات بیولوژیکی. تمدید کنید. انرژی 2013 ، 57 ، 289-298. [ Google Scholar ] [ CrossRef ]
  19. هون، جی. لهتونن، ای. راسی، س. Rintala, J. یک روش مبتنی بر سیستم اطلاعات جغرافیایی (GIS) برای تعیین زیست توده ها و سایت های بالقوه برای نیروگاه های بیوگاز در جنوب فنلاند. Appl. انرژی 2014 ، 113 ، 1-10. [ Google Scholar ] [ CrossRef ]
  20. کارنیرو، سی. مورلو، ای. راتی، سی. Golay، F. تابش خورشیدی بر روی بافت شهری: داده های LIDAR و تکنیک های پردازش تصویر برای تجزیه و تحلیل محیطی در مقیاس شهر. در علوم ژئو اطلاعات سه بعدی ; Lee, J., Zlatanova, S., Eds. Springer: برلین-هایدلبرگ، آلمان، 2009; صص 319-340. [ Google Scholar ]
  21. مولینا رویز، جی. مارتینز-سانچز، ام جی; پرز-سیرونت، سی. Tudela-Serrano، ML; گارسیا لورنزو، ML توسعه و استفاده از یک رویکرد به کمک GIS برای ارزیابی تاثیر بصری در مزارع بادی. تمدید کنید. انرژی 2011 ، 36 ، 1125-1132. [ Google Scholar ] [ CrossRef ]
  22. رودریگز، ام. مونتانس، سی. Fueyo, N. روشی برای ارزیابی تأثیر بصری ناشی از استقرار در مقیاس بزرگ تأسیسات انرژی تجدیدپذیر. محیط زیست ارزیابی تاثیر Rev. 2010 , 30 , 240-246. [ Google Scholar ] [ CrossRef ]
  23. گراسی، اس. فریدلی، ر. گرنجیر، ام. Raubal, M. Institute of Geography–GIScience، دانشگاه هایدلبرگ: هایدلبرگ، آلمان، اثر منتشر نشده. 2014.
  24. Hammons، TJ ادغام منابع انرژی تجدیدپذیر در شبکه های اروپایی. بین المللی جی الکتر. سیستم انرژی برق 2008 ، 30 ، 462-475. [ Google Scholar ] [ CrossRef ]
  25. فوین، تی. کارلسون، ک. بالیک، او. Grohnheit، PE یک سیستم انرژی تجدیدپذیر جهانی: تمرین مدلسازی در ETSAP/TIAM. Appl. انرژی 2011 ، 88 ، 526-534. [ Google Scholar ] [ CrossRef ]
  26. بلاشکه، تی. بیبراچر، م. گادوچا، اس. شاردینگر، I. “مناظر انرژی”: برآوردن نیازهای انرژی و آرزوهای انسان. Biomass Bioenergy 2013 ، 55 ، 3-16. [ Google Scholar ]
  27. کانولی، دی. لوند، اچ. Mathisen, BV; لیهی، ام. مروری بر ابزارهای کامپیوتری برای تجزیه و تحلیل ادغام انرژی های تجدیدپذیر در سیستم های انرژی مختلف. Appl. انرژی 2010 ، 87 ، 1059-1082. [ Google Scholar ] [ CrossRef ]
  28. Biegler, LT; گروسمن، مروری بر بهینه سازی اینترنت اکسپلورر. محاسبه کنید. شیمی. مهندس 2004 ، 28 ، 1169-1192. [ Google Scholar ] [ CrossRef ]
  29. Gnüchtel, S. Vorlesung, Methoden der Optimierung von Energiesystemen. Insitut für Energietechnik, TU Dresden. در دسترس آنلاین: http://tu-dresden.de (در 12 فوریه 2014 قابل دسترسی است).
  30. ژو، ز. لیو، پی. لی، ز. Ni, W. یک رویکرد مهندسی برای طراحی بهینه سیستم های انرژی توزیع شده در چین. Appl. حرارت مهندس 2013 ، 53 ، 387-396. [ Google Scholar ] [ CrossRef ]
  31. کالدرا، ام. Corgnati، SP; فیلیپی، ام. تقاضای انرژی برای گرمایش فضا از طریق یک رویکرد آماری: کاربرد در ساختمان‌های مسکونی. انرژی ساخت. 2008 ، 40 ، 1972-1983. [ Google Scholar ] [ CrossRef ]
  32. رابینسون، دی. کمپبل، ن. گیزر، دبلیو. كابل، ك. لموئل، ا. مورل، ن. پیج، جی. استانکوویچ، اس. Stone، A. SUNtool – یک الگوی مدل سازی جدید برای شبیه سازی و بهینه سازی پایداری شهری. انرژی خورشیدی 2007 ، 81 ، 1198-1211. [ Google Scholar ]
  33. رابینسون، دی. هالدی، اف. کمپف، جی. لروکس، پی. پرز، دی. رشید، ع. Wilke، U. CitySim: ریز شبیه سازی جامع جریان منابع برای برنامه ریزی شهری پایدار. در مجموعه مقالات یازدهمین کنفرانس بین المللی IBPSA، شبیه سازی ساختمان. گلاسکو، اسکاتلند، 27-30 ژوئیه 2009; صص 1083-1090.
  34. ویل هاسمن، بی. ارگ، تی. Wittwer, C. بهینه سازی غیرمتمرکز تولید همزمان در نیروگاه های مجازی. سول انرژی 2010 ، 84 ، 604-611. [ Google Scholar ] [ CrossRef ]
  35. بانوس، آر. مانزانو آگوگلیارو، اف. مونتویا، FG; گیل، سی. آلکاید، ا. گومز، جی. روش‌های بهینه‌سازی اعمال شده برای انرژی‌های تجدیدپذیر و پایدار: یک بررسی. تمدید کنید. حفظ کنید. انرژی Rev. 2011 ، 15 ، 1753-1766. [ Google Scholar ] [ CrossRef ]
  36. گارسیا، HE; موهانتی، ا. لین، W.-C. Cherry، RS تجزیه و تحلیل دینامیک سیستم های انرژی هیبریدی تحت عملیات انعطاف پذیر و تولید تجدیدپذیر متغیر – بخش اول: تجزیه و تحلیل عملکرد پویا. انرژی 2013 ، 52 ، 1-16. [ Google Scholar ] [ CrossRef ]
  37. گارسیا، HE; موهانتی، ا. لین، W.-C. Cherry، RS تجزیه و تحلیل دینامیک سیستم های انرژی هیبریدی تحت عملیات انعطاف پذیر و تولید تجدیدپذیر متغیر – بخش دوم: تجزیه و تحلیل هزینه پویا. انرژی 2013 ، 52 ، 17-26. [ Google Scholar ] [ CrossRef ]
  38. هنینگ، اچ ام. پالزر، A. یک مدل جامع برای بخش برق و گرما آلمان در یک سیستم انرژی آینده با سهم غالب از فناوری های انرژی تجدیدپذیر – بخش اول: روش شناسی. تمدید کنید. حفظ کنید. انرژی Rev. 2014 ، 30 ، 1003-1018. [ Google Scholar ] [ CrossRef ]
  39. بلرک، مگابایت؛ لوند، اچ. اثربخشی گزینه‌های ذخیره‌سازی و جابجایی در سیستم‌های انرژی تجدیدپذیر. تمدید کنید. انرژی 2008 ، 33 ، 1499-1507. [ Google Scholar ] [ CrossRef ]
  40. رودریگز-هیدالگو، ام سی; رودریگز-آومنت، PA; Lecuona، A.; لگراند، ام. Ventas, R. مصرف آب گرم خانگی در مقابل ذخیره انرژی حرارتی خورشیدی: اندازه بهینه مخزن ذخیره. Appl. انرژی 2012 ، 97 ، 897-906. [ Google Scholar ] [ CrossRef ]
  41. ویروسی، آر. خاتود، دی.ک. برنامه ریزی بهینه سیستم های تولید پراکنده در سیستم توزیع: مروری. تمدید کنید. حفظ کنید. انرژی Rev. 2012 ، 16 ، 5146-5165. [ Google Scholar ] [ CrossRef ]
  42. آلارکون-رودریگز، آ. Ault، G. گالووی، S. برنامه ریزی چندهدفه منابع انرژی توزیع شده: مروری بر آخرین هنر. تمدید کنید. حفظ کنید. Energy Rev. 2010 , 14 , 1353-1366. [ Google Scholar ] [ CrossRef ]
  43. چسی، ع. فرارا، جی. فراری، ال. مگنانی، س. Tarani, F. تأثیر اندازه ذخیره گرما بر عملکرد کارخانه در مطالعه موردی کاربر هوشمند. Appl. انرژی 2013 ، 112 ، 1454-1465. [ Google Scholar ] [ CrossRef ]
  44. آیدین، نیویورک؛ کنتل، ای. Sebnem Duzgun، H. روش انتخاب سایت مبتنی بر GIS برای سیستم‌های انرژی تجدیدپذیر ترکیبی: مطالعه موردی از غرب ترکیه. مبدل انرژی مدیریت 2013 ، 70 ، 90-106. [ Google Scholar ] [ CrossRef ]
  45. Janke، JR مدل سازی GIS چند معیاره مزارع بادی و خورشیدی در کلرادو. تمدید کنید. انرژی 2010 ، 35 ، 2228-2234. [ Google Scholar ] [ CrossRef ]
  46. کانولی، دی. مک لافلین، اس. لیهی، ام. توسعه یک برنامه کامپیوتری برای مکان یابی مکان های بالقوه برای ذخیره انرژی هیدروالکتریک پمپ شده. انرژی 2010 ، 35 ، 375-381. [ Google Scholar ] [ CrossRef ]
  47. راماچاندرا، تلویزیون؛ Shruthi، BV نقشه‌برداری فضایی پتانسیل انرژی‌های تجدیدپذیر. تمدید کنید. حفظ کنید. انرژی Rev. 2007 ، 11 ، 1460-1480. [ Google Scholar ] [ CrossRef ]
  48. زامبلی، پ. لورا، سی. اسپینلی، آر. تاتونی، سی. ویتی، ا. زاتلی، پ. Ciolli، M. یک سیستم پشتیبانی تصمیم GIS برای مدیریت جنگل های منطقه ای برای ارزیابی در دسترس بودن زیست توده برای تولید انرژی های تجدید پذیر. محیط زیست مدل. نرم افزار 2012 ، 38 ، 203-213. [ Google Scholar ] [ CrossRef ]
  49. Kaundinya، DP; بالاچاندرا، پ. Ravindranath، NH; آشوک، V. یک رویکرد داده کاوی فضایی مبتنی بر GIS (سیستم اطلاعات جغرافیایی) برای مکان یابی بهینه و برنامه ریزی ظرفیت تأسیسات تولید انرژی زیست توده توزیع شده: مطالعه موردی منطقه تومکور، هند. انرژی 2013 ، 52 ، 77-88. [ Google Scholar ] [ CrossRef ]
  50. ژانگ، اف. جانسون، دی.م. ساترلند، JW یک روش مبتنی بر GIS برای شناسایی مکان بهینه برای یک تاسیسات برای تبدیل زیست توده جنگل به سوخت زیستی. Biomass Bioenergy 2011 ، 35 ، 3951-3961. [ Google Scholar ]
  51. سلطانا، ع. Kumar, A. مکان و اندازه بهینه تاسیسات انرژی زیستی با استفاده از سیستم اطلاعات جغرافیایی. Appl. انرژی 2012 ، 94 ، 192-201. [ Google Scholar ] [ CrossRef ]
  52. کوچوکساری، س. خالقی، ع.م. حمیدی، م. ژانگ، ی. سیداروفسکی، اف. بایراکسان، جی. پسر، Y.-J. یک GIS یکپارچه، بهینه سازی و چارچوب شبیه سازی برای اندازه و مکان PV بهینه در محیط های محوطه دانشگاه. Appl. انرژی 2014 ، 113 ، 1601-1613. [ Google Scholar ] [ CrossRef ]
  53. نیلسن، اس. Möller، B. تجزیه و تحلیل مبتنی بر GIS پتانسیل گرمایش منطقه ای آینده در دانمارک. انرژی 2013 ، 57 ، 458-468. [ Google Scholar ] [ CrossRef ]
  54. بیبراچر، م. Hausl، S. Räumliche Aspekte in der Regionalen Energiesystemoptimierung. در Angewandte Geoinformatik AGIT 2012 ; Strobl, J., Blaschke, T., Griesebner, G., Eds. Wichmann Verlag: برلین، آلمان، 2012; ص 290-304. [ Google Scholar ]
  55. Omitaomu، OA; Blevins، BR; Jochem، WC; Mays، GT; بلز، آر. هادلی، سوئد; هریسون، تی جی; بهادوری، BL; نیش، BS; رز، AN تطبیق یک رویکرد تحلیل تصمیم چند معیاره مبتنی بر GIS برای ارزیابی سایت‌های جدید تولید برق. Appl. انرژی 2012 ، 96 ، 292-301. [ Google Scholar ] [ CrossRef ]
  56. کنسرسیوم EnerGEO پروژه EnerGEO FP7. در دسترس آنلاین: http://www.energeo-project.eu (در 30 اکتبر 2013 قابل دسترسی است).
  57. استراچان، ن. بالتاوزکان، ن. جوفه، دی. مک گیور، ک. هیوز، N. سیستم‌های انرژی پیوند نرم و مدل‌های GIS برای بررسی توسعه زیرساخت‌های هیدروژن فضایی در یک سیستم انرژی بریتانیا با کربن پایین. بین المللی جی هیدروگ. انرژی 2009 ، 34 ، 642-657. [ Google Scholar ]
  58. توپ، م. ویتشل، ام. رنتز، او. ادغام یک اقتصاد هیدروژنی در سیستم انرژی آلمان: یک رویکرد مدل سازی بهینه. بین المللی جی هیدروگ. انرژی 2007 ، 32 ، 1355-1368. [ Google Scholar ]
  59. اولدورتل، اف. پاریسیو، آ. جونز، CN; گیالیستراس، دی. گوردر، ام. استاچ، وی. لمان، بی. Morari, M. استفاده از مدل کنترل پیش بینی و پیش بینی آب و هوا برای کنترل آب و هوای ساختمان کارآمد انرژی. انرژی ساخت. 2012 ، 45 ، 15-27. [ Google Scholar ] [ CrossRef ]
  60. کوکا، بی. سسانا، م.م. ایاناکون، جی. اورنی، دی. Caccavelli، D. ادغام داده های ناهمگن چند مقیاسی برای استقرار مفهوم بهره وری انرژی در ساختمان ها در چارچوب SDI. در علوم محاسباتی و کاربردهای آن-ICCSA 2013 ; Murgante، B.، Misra، S.، Carlini، M.، Torre، C.، Nguyen، H.-Q.، Taniar، D.، Apduhan، BO، Gervasi، O.، Eds.; Springer: برلین، آلمان، 2013; صص 358-374. [ Google Scholar ]
  61. ونتوسا، م. بایلو، ا. راموس، آ. Rivier، M. روند مدل سازی بازار برق. سیاست انرژی 2005 ، 33 ، 897-913. [ Google Scholar ] [ CrossRef ]
  62. BDI Arbeitskreis Internet der Energie. Impulse für eine Smarte ENERGIEWENDE: Handlungsempfehlungen für ein IKT-gestütztes Stromnetz der Zukunft. در دسترس آنلاین: http://www.bdi-ide.de/beiträge/bdi-ide-publikationen (دسترسی در 31 اکتبر 2013).
  63. مدرانو، م. بروور، جی. Carreras-Sospedra، M. رودریگز، MA; دبدوب، د. ساموئلسن، GS یک روش برای توسعه سناریوهای تولید پراکنده در مناطق شهری با استفاده از سیستم های اطلاعات جغرافیایی. بین المللی J. انرژی فناوری. سیاست 2008 ، 6 ، 413-434. [ Google Scholar ] [ CrossRef ]
  64. میتل بوک، ام. بلژیک، م. Grillmayer, R. ON A 2270: 2010-von Profil. AT zur ÖNORM und der Validierung در einem GDI-Verbund. در Angewandte Geoinformatik AGIT 2010 ; Strobl, J., Blaschke, T., Griesebner, G., Eds. Wichmann Verlag: هایدلبرگ، آلمان، 2010; صص 125-130. [ Google Scholar ]
  65. بازیلیان، م. برنج، A. روتیچ، جی. هاولز، ام. دی کارولیس، جی. مک میلان، اس. Liebreich، M. نرم افزار منبع باز و جمع سپاری برای تجزیه و تحلیل انرژی. سیاست انرژی 2012 ، 49 ، 149-153. [ Google Scholar ] [ CrossRef ]
  66. Zoellik، RB اظهارات افتتاحیه: افتتاحیه کنفرانس مطبوعاتی جلسات بهار. در دسترس آنلاین: http://web.worldbank.org (دسترسی در 18 فوریه 2014).
  67. یانسن، ام. چارالابیدیس، ی. Zuiderwijk، A. مزایا، موانع پذیرش و اسطوره های داده های باز و دولت باز. Inf. سیستم مدیریت 2012 ، 29 ، 258-268. [ Google Scholar ] [ CrossRef ]
  68. اوئر، اس. بیزر، سی. کوبیلاروف، جی. لمان، جی. سیگانیاک، ر. Ives، Z. Dbpedia: هسته ای برای وب داده های باز. در وب معنایی ؛ Springer: برلین، آلمان، 2007; صص 722-735. [ Google Scholar ]
  69. استریتر، لس آنجلس; Kraut، RE; لوکاس، اچ سی، جونیور؛ Caby, L. چگونه شبکه های داده باز بر عملکرد تجاری و ساختار بازار تأثیر می گذارند. اشتراک. ACM 1996 ، 39 ، 62-73. [ Google Scholar ]
  70. اداره خدمات عمومی ایالات متحده خانه داده های باز دولت ایالات متحده. در دسترس آنلاین: http://www.data.gov (در 12 فوریه 2014 قابل دسترسی است).
  71. دولت انگلستان. data.gov.uk — دولت باز. در دسترس آنلاین: http://data.gov.uk (در 20 فوریه 2014 قابل دسترسی است).
  72. Landesamt für Geoinformation und Landentwicklung Baden-Württemberg. Landesamt für Geoinformation und Landentwicklung، Open Data. در دسترس آنلاین: https://www.lgl-bw.de/lgl-internet/opencms/de/07_Produkte_und_Dienstleistungen/Open_Data_Initiative (در 12 فوریه 2014 قابل دسترسی است).
  73. آمار اتریش. Statistik Austria open.data. در دسترس آنلاین: http://data.statistik.gv.at (دسترسی در 18 فوریه 2014).
  74. شهر نیویورک. داده های باز نیویورک در دسترس آنلاین: https://data.ny.gov (در 22 فوریه 2014 قابل دسترسی است).
  75. Orszag, P. دستورالعمل دولت باز: یادداشت برای روسای ادارات و سازمان های اجرایی . دفتر اجرایی رئیس جمهور: واشنگتن، دی سی، ایالات متحده آمریکا، 2009.
  76. اطلاعات انرژی باز اطلاعات انرژی، داده ها و سایر منابع، OpenEI. در دسترس آنلاین: http://en.openei.org (دسترسی در 22 فوریه 2014).
  77. کنسرسیوم GISOPT پروژه تحقیقاتی: بهینه سازی سازه ای تاسیسات ذخیره سازی. در دسترس آنلاین: http://www.geog.uni-heidelberg.de/forschung/gis_energystorage_en.html (دسترسی در 28 اکتبر 2013).
  78. اودانل، جی. غیب گو.؛ رز، سی. میل، تی. Bazjanac، V. SIMMODEL: یک مدل داده دامنه برای شبیه سازی انرژی کل ساختمان. در مجموعه مقالات شبیه سازی ساختمان 2011، دوازدهمین کنفرانس انجمن بین المللی شبیه سازی عملکرد ساختمان، سیدنی، NSW، استرالیا، 14-16 نوامبر 2011.
  79. Goodchild، MF بیست سال پیشرفت: GIScience در سال 2010. J. Spat. Inf. علمی 2014 ، 1 ، 3-20. [ Google Scholar ]
  80. پارلمان اروپا و شورای. دستورالعمل 2007/2/EC پارلمان اروپا و شورای 14 مارس 2007 مبنی بر ایجاد زیرساخت برای اطلاعات فضایی در جامعه اروپایی (INSPIRE). در دسترس آنلاین: http://inspire.jrc.ec.europa.eu (دسترسی در 15 اکتبر 2013).
  81. Goodchild، MF Citizens به عنوان حسگر: دنیای جغرافیای داوطلبانه. ژئوژورنال 2007 ، 69 ، 211-221. [ Google Scholar ] [ CrossRef ]
  82. Resch، B. افراد به عنوان حسگرها و سنجش جمعی – مشاهدات متنی تکمیل کننده اندازه گیری های شبکه ژئوسنسور. در پیشرفت در خدمات مبتنی بر مکان ; کریسپ، جی.، اد. Springer: برلین، آلمان، 2013; صص 391-406. [ Google Scholar ]
  83. انجمن OpenStreetMap. نقشه خیابان باز در دسترس آنلاین: http://www.openstreetmap.org (دسترسی در 24 فوریه 2014).
  84. فن، اچ. Zipf، A.; فو، س. Neis, P. ارزیابی کیفیت برای ایجاد داده های ردپایی در OpenStreetMap. بین المللی جی. جئوگر. Inf. علمی 2014 ، 28 ، 700-719. [ Google Scholar ] [ CrossRef ]
  85. پارلمان اروپا و شورای. دستورالعمل 2012/27/EU پارلمان اروپا و شورای 25 اکتبر 2012 در مورد بهره وری انرژی، اصلاح دستورالعمل های 2009/125/EC و 2010/30/EU و لغو دستورالعمل های 2004/8/EC و 2006/32/EC. در دسترس آنلاین: http://ec.europa.eu (در 24 فوریه 2014 قابل دسترسی است).
  86. Brücher, W. Energiegeographie-Wechselwirkungen Zwischen Ressourcen, Raum und Politik ; Borntraeger: برلین/اشتوتگارت، آلمان، 2009. [ Google Scholar ]
  87. شنل، ک. Voigt, M. Energiewende und Bürgerbeteiligung: Öffentliche Akzeptanz von Infrastrukturprojekten am Beispiel der, Thüringer Strombrücke ; Heinrich-Böll-Stiftung: Thüringen، آلمان، 2012. [ Google Scholar ]
  88. دیواین رایت، پی. انرژی های تجدیدپذیر و مردم: از NIMBY تا مشارکت . Earthscan: لندن، بریتانیا، 2011. [ Google Scholar ]
  89. مانفرن، ام. کاپوتو، پ. کاستا، جی. تغییر پارادایم در سیستم های انرژی شهری از طریق تولید پراکنده: روش ها و مدل ها. Appl. انرژی 2011 ، 88 ، 1032-1048. [ Google Scholar ] [ CrossRef ]
  90. Kropp, C. GIS-Gestützte Online-Bürgerbeteiligung im Kontext der Planung und Genehmigung von Energieinfrastrukturvorhabe: Eine Anforderungsanalyse. پایان نامه کارشناسی ارشد، دانشگاه هایدلبرگ، هایدلبرگ، آلمان، دسامبر 2013. [ Google Scholar ]
  91. مک کنا، ای. ریچاردسون، آی. تامسون، ام. داده های متر هوشمند: ایجاد تعادل بین نگرانی های حریم خصوصی مصرف کننده با برنامه های کاربردی قانونی. سیاست انرژی 2012 ، 41 ، 807-814. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  92. مک دانیل، پی. مک لافلین، اس. چالش های امنیتی و حریم خصوصی در شبکه هوشمند. IEEE Secur. خصوصی 2009 ، 7 ، 75-77. [ Google Scholar ] [ CrossRef ]
  93. بهلی، ج.م. سورج، سی. Ugus, O. یک مدل حریم خصوصی برای اندازه گیری هوشمند. در مجموعه مقالات کنفرانس بین المللی IEEE در کارگاه های ارتباطات (ICC) 2010، کیپ تاون، آفریقای جنوبی، 23-27 مه 2010. صص 1-5.
  94. افتیمیو، سی. Kalogridis، G. حریم خصوصی شبکه هوشمند از طریق ناشناس سازی داده های اندازه گیری هوشمند. در مجموعه مقالات اولین کنفرانس بین المللی IEEE در زمینه ارتباطات شبکه هوشمند (SmartGridComm) 2010، Gaithersburg، MD، ایالات متحده آمریکا، 4-6 اکتبر 2010. صص 238-243.
  95. کروگر، تی. Kolbe، تحلیل ساختمان TH برای برنامه‌ریزی انرژی شهری با استفاده از شاخص‌های کلیدی در مدل‌های شهری سه بعدی مجازی – اطلس انرژی برلین. در مجموعه مقالات کنگره XXII ISPRS، ملبورن، استرالیا، 25 اوت تا 1 سپتامبر 2012. [ CrossRef ]
  96. المکاوی، م. اوستمن، ا. حجازی، اول. یک مدل ساختمان واحد برای GIS شهری سه بعدی. ISPRS Int. J. Geo-Inf. 2012 ، 1 ، 120-145. [ Google Scholar ] [ CrossRef ]
  97. حجازی، اول. ارزیابی دید نما در مدل های سه بعدی شهر برای بازاریابی شهری. ISPRS Int. قوس. فتوگرام حسگر از راه دور اسپات. Inf. علمی 2013 . [ Google Scholar ] [ CrossRef ]
  98. استرزالکا، ا. بوگدان، ج. کورز، وی. ایکر، مدل‌سازی سه بعدی شهر U. برای پیش‌بینی تقاضای انرژی گرمایشی در مقیاس شهری. HVAC&R Res. 2011 ، 17 ، 526-539. [ Google Scholar ]
  99. استرومان-آندرسن، جی. Sattrup، PA دره شهری و مصرف انرژی ساختمان: تراکم شهری در مقابل نور روز و دستاوردهای خورشیدی غیرفعال. انرژی ساخت. 2011 ، 43 ، 2011–2020. [ Google Scholar ] [ CrossRef ]
  100. صابر، HH; معرف، دبلیو. المهدی، ح. سوینتون، ام سی؛ مدل سه بعدی گرما و حمل و نقل هوایی گلیزر، R. برای پیش بینی مقاومت های حرارتی مجموعه های دیوار عایق. جی. ساخت. انجام دادن. شبیه سازی 2012 ، 5 ، 75-91. [ Google Scholar ] [ CrossRef ]
  101. یونگ، ی. جو، ام. چارچوب مدل سازی اطلاعات ساختمان (BIM) برای اجرای عملی. خودکار ساخت و ساز 2011 ، 20 ، 126-133. [ Google Scholar ] [ CrossRef ]
  102. یوچم، ا. هوفل، بی. Rutzinger، M. استخراج دیوارهای عمودی از داده‌های اسکن لیزری سیار برای ارزیابی پتانسیل خورشیدی. Remote Sens. 2011 , 3 , 650-667. [ Google Scholar ] [ CrossRef ]
  103. بیون، اس جی. یونگ بیون، اس. لی، جی. وان کیم، جی. سونگ لی، تی. موک کیم، دبلیو. کیو پارک، ی. Cho, K. یک الگوریتم شبیه‌سازی نوری بر اساس تکنیک ردیابی پرتو برای جذب نور در سلول‌های خورشیدی لایه نازک. سول ماده انرژی. سول Cels 2011 ، 95 ، 408-411. [ Google Scholar ] [ CrossRef ]
  104. کاریون، دی. لورنز، ا. Kolbe، TH برآورد وضعیت توانبخشی پر انرژی ساختمان ها برای شهر برلین با استفاده از یک مدل شهر سه بعدی ارائه شده در CityGML. بین المللی قوس. فتوگرام حسگر از راه دور اسپات. Inf. علمی 2010 ، 38 ، 31-35. [ Google Scholar ]
  105. بکر، تی. ناگل، سی. Kolbe، مدلسازی سه بعدی معنایی شبکه های چندکاربردی در شهرها برای تحلیل و تجسم سه بعدی. در حال پیشرفت و روندهای جدید در علوم ژئو اطلاعات سه بعدی ; Springer: برلین هایدلبرگ، آلمان، 2013; صص 41-62. [ Google Scholar ]
  106. آیریزاری، ج. کاران، EP; جلایی، ف. یکپارچه سازی BIM و GIS برای بهبود نظارت بصری مدیریت زنجیره تامین ساخت و ساز. خودکار ساخت و ساز 2013 ، 31 ، 241-254. [ Google Scholar ] [ CrossRef ]
  107. کوراچین، دی. بلو، آر. کانادیلاس، بی. هوروات، ک. ولور، آر. اسمیت، سی. جیانگ، جی. مک‌کورد، تی. مروری بر چالش‌ها در ارزیابی و پیش‌بینی منابع انرژی بادی. هروات. Meteorološki Cas. 2011 ، 47 ، 13-33. [ Google Scholar ]
  108. لوپس، JAP; هازیارگریو، ن. موتال، ج. Djapic، P. جنکینز، ن. ادغام تولید پراکنده در سیستم های قدرت الکتریکی: بررسی محرک ها، چالش ها و فرصت ها. برق سیستم پاور Res. 2007 ، 77 ، 1189-1203. [ Google Scholar ] [ CrossRef ]
  109. دوندی، پ. بایومی، دی. هادرلی، سی. جولیان، دی. سوتر، ام. ادغام شبکه تولید برق توزیع شده. J. منابع انرژی 2002 ، 106 ، 1-9. [ Google Scholar ] [ CrossRef ]
  110. رسچ، بی. بلاشکه، تی. Mittlboeck، M. جغرافیای زنده – شبکه های حسگر جغرافیایی قابل همکاری که دید زمین دیجیتال را تسهیل می کند. بین المللی J. Adv. شبکه خدمت 2010 ، 3 ، 323-332. [ Google Scholar ]
  111. رسچ، بی. Zipf، A.; بروس-شنیویس، پی. بینات، ای. بوهر، ام. به سوی شهر زنده – هموار کردن راه برای شهرسازی در زمان واقعی. بین المللی J. Adv. هوشمند سیستم 2012 ، 5 ، 470-482. [ Google Scholar ]
  112. Hiremath، RB; شیخا، س. Ravindranath، NH برنامه ریزی، مدل سازی و کاربرد غیرمتمرکز انرژی – یک بررسی. تمدید کنید. حفظ کنید. انرژی Rev. 2007 ، 11 ، 729-752. [ Google Scholar ] [ CrossRef ]
  113. ماوروگیانی، ع. دیویس، ام. کولوکوترونی، م. هامیلتون، I. مدل تقاضای گرمایش فضای پایین به بالا مبتنی بر GIS سهام داخلی لندن. در مجموعه مقالات یازدهمین کنفرانس بین المللی IBPSA: شبیه سازی ساختمان، گلاسکو، اسکاتلند، بریتانیا، 27 تا 30 ژوئیه 2009.
  114. راماچاندرا، تلویزیون؛ Shruthi، BV نقشه برداری پتانسیل انرژی باد در کارناتاکا، هند، با استفاده از GIS. مبدل انرژی مدیریت 2005 ، 46 ، 1561-1578. [ Google Scholar ] [ CrossRef ]
  115. کیرستد، جی. جنینگز، ام. Sivakumar، A. مروری بر مدل‌های سیستم انرژی شهری: رویکردها، چالش‌ها و فرصت‌ها. تمدید کنید. حفظ کنید. انرژی Rev. 2012 ، 16 ، 3847-3866. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  116. مولر، بی. لوند، اچ. تبدیل گاز طبیعی فردی به گرمایش منطقه ای: مطالعات جغرافیایی هزینه های عرضه و پیامدهای سیستم انرژی دانمارک. Appl. انرژی 2010 ، 87 ، 1846-1857. [ Google Scholar ] [ CrossRef ]
  117. سفیرووا، ای. هود، اس. هرینگتون، دبلیو. توسعه فضایی و مصرف انرژی . منابع برای آینده: واشنگتن، دی سی، ایالات متحده آمریکا، 2007. [ Google Scholar ]
  118. اداره محیط زیست سانفرانسیسکو، CH2M HILL. نقشه انرژی سانفرانسیسکو—نقشه ای از فعالیت انرژی پاک در اطراف شهر. در دسترس آنلاین: http://sfenergymap.org (دسترسی در 24 فوریه 2014).
  119. ذات خورشیدی. نقشه تاسیسات خورشیدی. در دسترس آنلاین: http://www.solaressence.co.uk (در 21 فوریه 2014 قابل دسترسی است).
  120. آزمایشگاه ملی انرژی های تجدیدپذیر پروژه PV باز. در دسترس آنلاین: https://openpv.nrel.gov (در 24 فوریه 2014 قابل دسترسی است).
  121. KliBA. Erneuerbare Energien vor Ort (Umweltministerium). در دسترس آنلاین: http://www.bw-co2.de (در 24 فوریه 2014 قابل دسترسی است).
  122. شولت، سی. کورز، وی. Eicker، U. 3D-Stadtmodelle als Grundlage für Wärmebedarfssimulationen. در GeoForum MV 2012—GIS Schafft Energie: Beiträge der Geoinformationswirtschaft zur Energiewende ; Flach, R., Klammer, G., Lerche, U., Bill, T., Eds.; GITO mbH Verlag: برلین، آلمان، 2012; صص 53-62. [ Google Scholar ]
  123. لوگا، تی. دیفن باخ، ن. متولد، R. Deutsche Gebäudetypologie، Beispielhafte Maßnahmen zur Verbesserung der Energieeffizienz von typischen Wohngebäuden ; Institut Wohnen und Umwelt (IWU): دارمشتات، آلمان، 2011. [ Google Scholar ]
  124. DIN. Energieeffizienz von Gebäuden—Berechnung des Energiebedarfs für Heizung und Kühlung (ISO 13790:2008) ; Beuth Verlag GmbH: بروکسل، بلژیک، 2008. [ Google Scholar ]
  125. Rouvel, L. Thermische Gebäudesimulation, Berechnungsverfahren zum Instationären Thermischen Gebäudeverhalten ; روول: مونیخ، آلمان، 2010. [ Google Scholar ]
  126. جردن، U. Vajen, K. DHWcalc: برنامه ای برای ایجاد پروفایل های آب گرم خانگی با ابزارهای آماری برای شرایط تعریف شده توسط کاربر. در مجموعه مقالات کنگره جهانی خورشیدی ISES، اورلاندو، فلوریدا، ایالات متحده آمریکا، 8 تا 12 اوت 2005.
  127. جردن، U. واجن، ک. پروفایل های واقعی آب گرم خانگی در مقیاس های زمانی مختلف . گزارش برای IEA-SHC Task, 26; دانشگاه ماربورگ: ماربورگ، آلمان، 2001. [ Google Scholar ]
  128. فضل اللهی، س. مندل، پی. بکر، جی. Maréchal، F. روش‌های سرمایه‌گذاری چندهدفه و بهینه‌سازی عملیاتی سیستم‌های انرژی پیچیده. انرژی 2012 ، 45 ، 12-22. [ Google Scholar ] [ CrossRef ]
  129. وردا، وی. Colella، F. صرفه جویی در انرژی اولیه از طریق ذخیره سازی حرارتی در شبکه های گرمایش منطقه ای. انرژی 2011 ، 36 ، 4278-4286. [ Google Scholar ] [ CrossRef ]
  130. استرکین، جی. مارتینایتیس، وی. اندرسن، AN; Katz, J. امکان سنجی کارخانه CHP با فروشگاه های حرارتی در بازار نقطه ای آلمان. Appl. انرژی 2009 ، 86 ، 2308-2316. [ Google Scholar ] [ CrossRef ]
  131. کریستیدیس، ا. کوچ، سی. پاتل، ال. Tsatsaronis، G. سهم ذخیره سازی گرما در عملکرد سودآور نیروگاه های حرارتی و نیروگاهی در بازارهای آزاد شده برق. انرژی 2012 ، 41 ، 75-82. [ Google Scholar ] [ CrossRef ]
  132. هورنکمپ، دبلیو. Hube, W. VDE-Studie Dezentrale Energieversorgung 2020 ; Energietechnische Gesellschaft im VDE (ETG): فرانکفورت، آلمان، 2007. [ Google Scholar ]
  133. هالینگر، آر. ویل هاسمن، بی. Wittwer, C. Speicherstudie2013, Kurzgutachten zur Abschätzung und Einordnung Energiewirtschaftlicher, Ökonomischer und Anderer Effekte bei Förderung von Objektgebunden Elektrochemischen Speichern, در Zusammenchfastigsung Ergiewirtschaftlicher ; Fraunhofer ISE: فرایبورگ، آلمان، 2013. [ Google Scholar ]
  134. Wille-Hausmann، B. Einsatz der Symbolischen Modellreduktion zur Untersuchung der Betriebsfuehrung im Smart Grid ; FernUniversitaet Hagen: هاگن، آلمان، 2011. [ Google Scholar ]
  135. هاور، آ. اسپچت، م. Sterner، M. Energiespeicher Steigerung der Energieeffizienz und Integration Erneuerbarer Energien ; انجمن تحقیقات انرژی های تجدیدپذیر-FVEE: برلین، آلمان، 2010. [ Google Scholar ]
  136. ناکاتا، تی. مدل های انرژی-اقتصادی و محیط زیست. Prog. احتراق انرژی. علمی 2004 ، 30 ، 417-475. [ Google Scholar ] [ CrossRef ]
  137. پالزر، آ. هنینگ، HM یک سیستم انرژی آلمانی آینده با سهم غالب از انرژی های تجدیدپذیر: یک مدل کل نگر مبتنی بر شبیه سازی ساعتی. فناوری انرژی 2014 ، 2 ، 13-28. [ Google Scholar ] [ CrossRef ]
  138. لوند، اچ. اندرسن، AN طرح‌های بهینه نیروگاه‌های CHP کوچک در بازاری با نوسان قیمت برق. مبدل انرژی مدیریت 2005 ، 46 ، 893-904. [ Google Scholar ] [ CrossRef ]
  139. دوبوس، ال. Abonyi, J. تنظیم کنترل کننده شبکه های گرمایش منطقه ای با استفاده از تکنیک های طراحی آزمایشی. انرژی 2011 ، 36 ، 4633-4639. [ Google Scholar ] [ CrossRef ]
  140. Rolfsman، B. نیروگاه های حرارتی و نیروگاهی ترکیبی و گرمایش منطقه ای در یک بازار غیرقانونی برق. Appl. انرژی 2004 ، 78 ، 37-52. [ Google Scholar ] [ CrossRef ]
  141. Winkelmüller, S. Optimierung der Nachfrage- und Erzeugungsstruktur Kommunaler Energiesysteme am Beispiel von Wien ; Universität Augsburg: Augsburg، آلمان، 2006. [ Google Scholar ]
  142. مولینو، آ. لیلاند، جی. فاورات، دی. بهینه سازی چندهدفه زیست محیطی یک شبکه گرمایش منطقه ای با در نظر گرفتن پمپ های حرارتی متمرکز و غیرمتمرکز. انرژی 2010 ، 35 ، 751-758. [ Google Scholar ] [ CrossRef ]
  143. کاسیسی، م. پینامانتی، پی. Reini, M. چیدمان و بهره برداری بهینه سیستم های تولید پراکنده حرارت و برق (CHP). انرژی 2009 ، 34 ، 2175-2183. [ Google Scholar ] [ CrossRef ]
  144. نایتن، تی. کلاسنس، بی. پردیس، ک. ون بائل، جی. شش، D. انعطاف پذیری یک سیستم ترکیبی حرارت و برق با ذخیره انرژی حرارتی برای گرمایش منطقه ای. Appl. انرژی 2013 ، 104 ، 583-591. [ Google Scholar ] [ CrossRef ]
  145. وبر، طراحی چند هدفه CI و بهینه‌سازی سیستم‌های انرژی منطقه شامل فناوری‌های تبدیل انرژی چندگانه ؛ École Polytechnique Fédérale de Lausanne: لوزان، سوئیس، 2008. [ Google Scholar ]
  146. سودرمن، جی. پترسون، اف. بهینه سازی ساختاری و عملیاتی سیستم های انرژی توزیع شده. Appl. حرارت مهندس 2006 ، 26 ، 1400-1408. [ Google Scholar ] [ CrossRef ]
  147. Söderman, J. بهینه سازی ساختار و عملکرد شبکه های خنک کننده منطقه در مناطق شهری. Appl. حرارت مهندس 2007 ، 27 ، 2665-2676. [ Google Scholar ] [ CrossRef ]
  148. مولر، بی. اطلس گرمایی دانمارکی برای استراتژی های عرضه و مدیریت سمت تقاضا. در مجموعه مقالات سیزدهمین سمپوزیوم بین المللی گرمایش و سرمایش منطقه ای، کپنهاگ، دانمارک، 3 تا 4 سپتامبر 2012.
  149. ژیراردین، ال. مرچال، ف. دوبیس، ام. Calame-Darbellay، N. Favrat، D. EnerGIS: یک سیستم مبتنی بر اطلاعات جغرافیایی برای ارزیابی سیستم‌های تبدیل انرژی یکپارچه در مناطق شهری. انرژی 2010 ، 35 ، 830-840. [ Google Scholar ] [ CrossRef ]
  150. Appelrath، H.-J. ترزیدیس، او. واینهارت، سی. اینترنت انرژی – فناوری اطلاعات و ارتباطات به عنوان یک فناوری کلیدی برای سیستم انرژی آینده. اتوبوس. Inf. سیستم مهندس 2012 ، 4 ، 1-2. [ Google Scholar ] [ CrossRef ]
  151. پالزر، آ. هنینگ، HM یک مدل جامع برای بخش برق و گرما آلمان در یک سیستم انرژی آینده با سهم غالب از فناوری‌های انرژی تجدیدپذیر – بخش دوم: نتایج. تمدید کنید. حفظ کنید. انرژی Rev. 2014 ، 30 ، 1019-1034. [ Google Scholar ] [ CrossRef ]

بدون نظر

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *