Зростаючий глобальний акцент на сталому споживанні енергії призвело до фундаментальної трансформації в управлінні енергією житла [1]. Зростаюча інтеграція відновлюваних джерел енергії (RES), таких як вітер та сонячна енергія, у енергетичні мережі зробила енергопостачання більш непередбачуваним та переривчастим. [2]. У той же час, розповсюдження розумних лічильників та цифрової інфраструктури дало змогу розробити інтелектуальні житлові енергетичні системи [3]. Серед них HEMS стало життєво важливим рішенням для оптимізації вживання електроенергії домогосподарства, зменшення витрат на енергію та підтримки операцій сітки [4]. HEMS діє як інтелектуальні інтерфейси між споживачами та сіткою, здатними керувати графіками приладів, переміщенням навантаження та інтеграцією розподілених енергетичних ресурсів, таких як електромобілі (EVS) та PV системи [5]. Ці системи використовують алгоритми автоматизації, дані в режимі реального часу та оптимізації для прийняття рішень на основі ціноутворення на електроенергію, комфорту користувачів та екологічних умов [6], [7]. Нещодавні досягнення в протоколах IoT та комунікацій мають підвищення функціональності HEMS, що дозволяє безперебійній координації серед приладів, одиниць зберігання та сітки [8]. Прогнозувавши споживання домогосподарств та поновлюване покоління, HEMS сприяє більш збалансованій енерговитувальній пропозиції та пропозиції [9]сприяння надійності сітки та зниження викидів вуглецю [10]. Динамічні механізми ціноутворення, такі як критичні пікові ціноутворення (CPP) та час використання (TOU), пропонують споживачам економічні стимули для переведення споживання на пікові години [11]. HEMS відповідає на ці сигнали, розумно плануючи гнучкі навантаження, такі як кондиціонери та зарядні пристрої EV [12]. Крім того, з двонаправленим потоком енергії з систем PV та EV, домогосподарства стають активними способом енергетики, беручи участь у енергетичних ринках [13]. Однак кілька викликів зберігаються. Багато існуючих подолів не мають пристосованості до непередбачуваної поведінки користувачів та профілів завантаження [14]. Такі питання, як неоднорідність приладів, розриви стандартизації, справедливість, конфіденційність даних та обчислювальна масштабованість перешкоджають широкому прийняттю [15]. Ці виклики вказують на вимогу до більш адаптаційних, ефективних та розумних підходів у галузі управління житловою енергією.

У роботі вже опубліковано багато досліджень, які зосереджуються на економічно ефективних ЕМ та пов'язаних з ними тем. Тут на них дивляться жменька.

Кінг та ін., [16] запропонував рамку HEMS, що інтегрує розподілене покоління та ЕВС, використовуючи багатоцільову модель оптимізації, яка врівноважує індекс витрат на електроенергію та індекс ризику за допомогою вдосконаленого генетичного алгоритму. Незважаючи на те, що двоступенева оптимізація забезпечувала стабільний та економічний планування, підхід не вистачає пристосованості до динамічних умов через його залежність від заздалегідь визначених параметрів ризику, що обмежує масштабованість та гнучкість.

Голамі та Санджарі, [17] Виявляв об'єктивну функцію для домашніх енергетичних систем, вводячи індекс чутливості для вирішення зменшеної еластичності навантаження при використанні лише енергетичних витрат. Методологія оцінювала взаємозв'язок між витратами та чутливістю навантаження в системах PV- та ESS-інтегрованих. Сильні сторони включають посилене вирівнювання відповідей на попит та надійність за допомогою аналізу чутливості. Обмеження передбачають залежність від заздалегідь визначених моделей реакційності цін та обмеженої пристосованості до різної поведінки користувачів та системної динаміки.

Zupančič та ін., [18] Розробила багатоцільову рамку оптимізації для офлайн-управління домашньою енергією за допомогою стратегій на основі рішень. Методологія порівняла стратегії, засновані на розкладі, використовуючи генетичні алгоритми з підходами до рішень за допомогою генетичного програмування. Сильні сторони включають автоматичне виробництво правил та покращення продуктивності витрат без зміни звичок користувачів. Офлайн-природа моделі, зниження гнучкості до змінних обставин, і більш висока складність обчислювальної оптимізації на основі дерев у різних умовах будинку є деякими його недоліками.

Huy та ін., [19] запропонував ретельну модель системи управління енергією домашньої енергії, яка оптимізує операції з транспортними засобами та домашніми, за допомогою багатоцільових лінійних програм змішаного в цілому. Підхід врівноважує вартість енергії, PAR та індекс болю, поєднуючи збільшення ɛ-обмеження з лексикографічною оптимізацією. Сильні сторони включають багатоцільову оптимізацію та ефективну координацію побутових пристроїв. Обмеження передбачають складність вирішення моделей змішаного цілого цілого числа та опори на імітаційну перевірку, що обмежує практичне розгортання в динамічних домогосподарках.

Альхаснаві та Аль., [20] Розроблено ефективну стратегію оптимізації енергії для розумних міських будівель, використовуючи вдосконалений алгоритм синусового косинусу (ISCA) для управління попитом. Метод оптимізує графіки завантаження приладів для зменшення співвідношення піку до середнього, вартості електроенергії та часу очікування, зберігаючи комфорт користувача. Сильні сторони включають в себе посилену регуляцію навантаження та оптимізацію подвійної стадії за допомогою ISCA та MFOA. Обмеження передбачають складність алгоритму та залежність від заздалегідь визначених стратегій зсуву навантаження, які можуть вплинути на пристосованість у різних сценаріях.

Javed et al., [21] Запропоновано хмарною системою автоматизації на основі Edge для Smart Energy Systems, використовуючи стрілку Eclipse та архітектуру, орієнтовану на сервіс. Це дає можливість безпечного, низькокласного спілкування між пристроями IoT в розумних будинках та галузях. Обчислювальні обчислення, керовані AI, оптимізують відповідь на попит на рівні номерів. Підхід був обмежений сумісністю інфраструктури та складністю координації ШІ через неоднорідні пристрої.

Кумар та ін., [22] Запропоновані HEMS для житлових домогосподарств у мікросетках, інтегруючи дані розумного лічильника з конкурентною технікою відстеження цін. Модель включає в себе генерацію сонячної енергії, стан акумулятора та поведінку використання приладів для планування керованих навантажень, враховуючи комфорт користувача та конкретні фактори очікування. Модельований за допомогою Typhoon HIL, підхід підвищує оперативну ефективність. Обмеження включають залежність від детальних даних на рівні приладу та калібрування, що специфікують системи для оптимальної продуктивності.

Альхаснаві та Аль., [23] Запропоновано вдосконалену техніку управління енергією за допомогою змішаного лінійного програмування для мікросетки з підтримкою IoT. Підхід інтегрує новий двигун управління на бік попиту з дворівневою платформою комунікації, використовуючи протоколи TCP/IP та MQTT. Система була модельована в MATLAB з розподіленими відновлюваними джерелами та гібридними конфігураціями. Це підвищує ефективність витрат та якість електроенергії. Однак, покладаючись на складну інфраструктуру та централізовану координацію, вводить масштабованість та проблеми з впровадженням у різних умовах.

Юссеф та ін., [24] Запропоновано вдосконаленим методом пошуку лисих орелів (IBES) для оптимального управління енергією будинку, орієнтуючись на мінімізацію витрат на електроенергію, час очікування пристроїв та середнє значення. Метод інтегрує стратегію перетворення навантаження, планування на основі фітнесу та динамічне програмування для оптимізації роботи пристрою. Він підтримує декілька моделей цін. Сильні сторони включають підвищений комфорт користувачів та економічну ефективність. Обмеження передбачають складність перенесення в режимі реального часу та залежності від точного прогнозування попиту.

Існуючі методи в системах управління енергією будинку представляють кілька критичних обмежень. Багато підходів оптимізації, такі як вдосконалені генетичні алгоритми та лінійне програмування змішаного цілого цілого числа, не мають пристосованості до зміни поведінки користувачів та динамічних тарифів на енергію. Офлайн та стратегії, що базуються на розкладі, не зможуть ефективно реагувати на коливання в режимі реального часу, тоді як методи дерева рішень впроваджують високі обчислювальні накладні витрати. Кілька моделей покладаються на заздалегідь визначені показники чутливості або статичні профілі навантаження, які обмежують гнучкість та практичну застосовність за різноманітними сценаріями домогосподарств. Алгоритми оптимізації, такі як вдосконалені методи пошуку синуса, косинусу та лисих орлів, часто підкреслюють вартість або зменшення кількості, але нехтують балансом між комфортом користувача, обмеженнями планування пристроїв та ефективністю обчислень. Крім того, інтеграція джерел розподіленого генерації та двонаправлених енергетичних потоків залишається недостатньою. Багато досліджень не перевіряють масштабованість або узагальненість за допомогою декількох наборів даних у реальному світі, що призводить до невизначеності щодо ефективності в різних житлових умовах. Залишається чіткий розрив для адаптованих, надійних та обчислювально можливих багатоцільових рішень.

Для подолання цих обмежень це дослідження пропонує синергетичну стратегію, яка інтегрує HDNN з COA для HEMS. HDNN ефективно фіксує складні та нелінійні тимчасові закономірності споживання енергії, що дозволяє точно прогнозувати поведінку навантаження домогосподарств. Доповнюючи це, COA використовується для того, щоб оптимально планувати операції з приладів під динамічними цінами та обмеженнями комфорту користувача. На відміну від звичайних методів, запропонована гібридна модель ефективно адаптується до коливання вимог та різноманітних сценаріїв використання. Врівноважуючи мінімізацію витрат та зменшення PAR, модель підвищує планування надійності, покращує адаптованість навантаження та забезпечує стабільність прогнозування. Ця подвійна рамка пропонує більш інтерпретаційну, стійку та практичну стратегію управління енергією, розроблену для розумних житлових умов.

Сектори решти рукопису розташовані як: Сектор 2 роз'яснює ілюстрацію того, як налаштовано запропоновані EMS для розумних будинків. Сектор 3 наводить запропонований метод COA-HDNN для HEMS. У секторі 4 результати та обговорення з'ясовуються. Сектор 5 завершує документ.