چارچوبی برای مدیریت هوشمند و مشارکتی انرژی در طراحی سیستم‌های پیش‌نگر انرژی بر پایه نظریه رابرت روزن

نویسندگان

  • زهرا حیدری دارانی * دانشجوی دکتری مدیریت، دانشگاه تربیت مدرس.
  • علی ذاکری استادیار آینده نگاری راهبردی، دانشگاه اصفهان.

https://doi.org/10.22105/mmaa.vi.132

چکیده

هدف: گذار از سیستم‌های متمرکز و سنتی انرژی به سیستم‌های هوشمند، توزیع‌شده و اجتماعی‌فنی، چالش‌های جدیدی را در مدیریت انرژی پدید آورده است. در چنین محیطی، رویکردهای صرفاً فنی و برنامه‌ریزی‌محور قادر به پاسخگویی به پیچیدگی‌های ناشی از تعامل فناوری، جامعه، سیاست و محیط‌زیست نیستند. هم‌زمان، افزایش عدم‌قطعیت و شتاب تغییرات فناورانه، نیاز به رویکردهای آینده‌نگر و اقدام‌محور را بیش از پیش برجسته ساخته است. در پاسخ به این تحول، پژوهش حاضر با هدف توسعه یک چارچوب مفهومی برای طراحی سیستم‌های پیش‌نگر انرژی بر پایه نظریه سیستم‌های پیش‌نگر رابرت روزن و تبیین سازوکارهای مدیریت هوشمند و مشارکتی انرژی انجام شده است

روش‌شناسی پژوهش: این پژوهش از نوع کاربردی-توسعه‌ای بوده و با بهره‌گیری از مرور نظام‌مند ادبیات، تحلیل محتوا، پویش محیطی و پنل خبرگان انجام شده است. برای طراحی چارچوب پیشنهادی، بیش از 400 مقاله مرتبط با آینده سیستم‌های انرژی، بیش از 220 گزارش و منبع برای شناسایی روندها، کلان‌روندها، نشانک‌های ضعیف تغییر و مسائل نوظهور و همچنین مجموعه‌ای از مطالعات مرتبط با ابعاد اجتماعی و فناورانه انرژی مورد بررسی قرار گرفت. سپس، بر مبنای نظریه روزن، سه زیرسیستم تصمیم‌ساز، تصمیم‌گیر و افکتورها طراحی و روابط میان آن‌ها تبیین شد.

یافته‌ها: یافته‌های پژوهش منجر به معرفی مفهوم «سیستم پیش‌نگر انرژی هوشمند» شد که در آن زیرسیستم تصمیم‌ساز وظیفه مدل‌سازی و پیش‌بینی رفتار انرژی را از طریق جمع‌سپاری، داده‌های بزرگ، مدل‌سازی مبتنی بر عامل، هوش مصنوعی و دوقلوهای دیجیتال بر عهده دارد. زیرسیستم تصمیم‌گیر نمایانگر اکوسیستم واقعی انرژی شامل شبکه‌های هوشمند، ریزشبکه‌ها، اجتماعات انرژی، زیرساخت‌های تولید و ذخیره‌سازی انرژی و کاربران است. همچنین، زیرسیستم افکتورها از مجموعه‌ای از افکتورهای اجتماعی‌فنی شامل تخیلات اجتماعی، روایت‌پردازی آینده، چشم‌اندازسازی جمعی، دموکراسی انرژی، اجتماعات انرژی و مشارکت شهروندان تشکیل می‌شود. نتایج نشان می‌دهد که تعامل مستمر این سه زیرسیستم می‌تواند ظرفیت پیش‌نگری، تاب‌آوری و اقدام‌محوری سیستم‌های انرژی آینده را تقویت کند.

اصالت/ارزش افزوده علمی: این پژوهش با انتقال نظریه سیستم‌های پیش‌نگر روزن به حوزه مدیریت انرژی، چارچوبی نو برای فهم و طراحی سیستم‌های انرژی آینده ارائه می‌کند. برخلاف رویکردهای متعارف که عمدتاً بر زیرساخت‌ها و فناوری تمرکز دارند، مطالعه حاضر نقش مدل‌سازی اجتماعی، مشارکت جمعی و تخیل آینده را به‌عنوان اجزای ضروری مدیریت انرژی برجسته می‌سازد. حاصل این بازنگری، تصویری از سیستم انرژی به‌مثابه یک اکوسیستم یادگیرنده و پیش‌نگر است که از طریق مشارکت ارادی کاربران و ادغام هوش انسانی و دیجیتال، ظرفیت بیشتری برای مواجهه با عدم‌قطعیت‌ها و شکل‌دهی آینده مطلوب خواهد داشت.

کلمات کلیدی:

سیستم پیش‌نگر روزن، طراحی، مدیریت هوشمند انرژی، سیستم‌های انرژی آینده، فرا رشتگی، آینده‌نگاری

مراجع

  1. [1] Bale, C.S., L. Varga, and T.J. Foxon, Energy and complexity: New ways forward. Applied Energy, 2015. 138: p. 150–159.
  2. [2] Houwing, M., P. Heijnen, and I. Bouwmans. Socio-technical complexity in energy infrastructures conceptual framework to study the impact of domestic level energy generation, storage and exchange. in 2006 IEEE International Conference on Systems, Man and Cybernetics. 2006. IEEE.
  3. [3] Houwing, M., et al. Model predictive control of fuel cell micro cogeneration systems. in 2009 International Conference on Networking, Sensing and Control. 2009. IEEE.
  4. [4] Rosen, J. and J.J. Kineman, Anticipatory systems and time: a new look at Rosennean complexity. Systems Research and Behavioral Science: The Official Journal of the International Federation for Systems Research, 2005. 22(5): p. 399–412.
  5. [5] van Duijne, F. and P. Bishop, Introduction to strategic foresight. Future, 2018. 1: p. 67.
  6. [6] Kowalski, J., et al. Significance of social factors for effective implementation of smart energy management systems in end-user households. in International Conference on Intelligent Human Systems Integration. 2017. Springer.
  7. [7] Raimi, D., et al., Global energy outlook 2024: Peaks or plateaus. Resources for the Future: Washington, DC, USA, 2024.
  8. [8] Le, M.-H. and S. Ploix, Robust anticipative energy management system: Application of a smart building platform. Building Services Engineering Research and Technology, 2017. 38(2): p. 226–248.
  9. [9] Yenginer, H., C. Cetiz, and E. Dursun. A review of energy management systems for smart grids. in 2015 3rd International Istanbul Smart Grid Congress and Fair (ICSG). 2015. IEEE.
  10. [10] Reka, S.S. and T. Dragicevic, Future effectual role of energy delivery: A comprehensive review of Internet of Things and smart grid. Renewable and Sustainable Energy Reviews, 2018. 91: p. 90–108.
  11. [11] Rhodes, D.H. and A.M. Ross. Anticipatory capacity: Leveraging model-based approaches to design systems for dynamic futures. in 2009 International Conference on Model-Based Systems Engineering. 2009. IEEE.
  12. [12] Ahvenharju, S., Futures consciousness as a human anticipatory capacity–Definition and measurement. 2022.
  13. [13] Nadin, M., Anticipation across disciplines. Vol. 29. 2016: Springer.
  14. [14] Nadin, M., The anticipatory profile. An attempt to describe anticipation as process. International Journal of General Systems, 2012. 41(1): p. 43–75.
  15. [15] Caillol, M.-H., Political anticipation and networks: creating anticipatory Systems for Government and Society, in Anticipation across disciplines. 2015, Springer. p. 379–391.
  16. [16] Dubois, D.M. Review of incursive, hyperincursive and anticipatory systems-foundation of anticipation in electromagnetism. in AIP Conference Proceedings. 2000. American Institute of Physics.
  17. [17] Fuller, T., Anxious relationships: The unmarked futures for post-normal scenarios in anticipatory systems. Technological forecasting and social change, 2017. 124: p. 41–50.
  18. [18] Poli, R., The many aspects of anticipation. foresight, 2010. 12(3): p. 7–17.
  19. [19] Louie, A.H., Robert Rosen's anticipatory systems. Foresight, 2010. 12(3): p. 18–29.
  20. [20] Zamenopoulos, T. and K. Alexiou, Collective design anticipation. Futures, 2020. 120: p. 102563.
  21. [21] Rosen, R., Anticipatory systems, in Anticipatory systems: Philosophical, mathematical, and methodological foundations. 2011, Springer. p. 313–370.
  22. [22] Rosen, R., Planning, management, policies and strategies: Four fuzzy concepts. International Journal of General System, 1974. 1(4): p. 245–252.
  23. [23] Zackery, A., Anticipatory system design based on concepts and tools derived from complexity science. Tehran University, 2016.
  24. [24] Gao, H., et al., Decentralized energy management for networked microgrids in future distribution systems. IEEE Transactions on Power Systems, 2017. 33(4): p. 3599–3610.
  25. [25] Sæle, H., et al. Utilization of distributed energy resources’ flexibility in power system operation–Evaluation of today’s status and description of a future concept. in 2018 53rd International Universities Power Engineering Conference (UPEC). 2018. IEEE.
  26. [26] Van Summeren, L.F., et al., Community energy meets smart grids: Reviewing goals, structure, and roles in Virtual Power Plants in Ireland, Belgium and the Netherlands. Energy Research & Social Science, 2020. 63: p. 101415.
  27. [27] Morfeldt, J., et al., If electric cars are good for reducing emissions, they could be even better with electric roads. Environmental Science & Technology, 2022. 56(13): p. 9593–9603.
  28. [28] Hadi, S. and L.M.D. Alfiansih, Integration of Blockchain and Internet of Things in Decentralized Energy Systems to Enhance Efficiency and Renewable Energy Sustainability. International Journal for Science Review, 2025. 2(6).
  29. [29] Jnr, B.A., Distributed Energy Prosumer Communities and the Application of Emerging Technologies: A Systematic Literature Review. Sustainable Futures, 2025: p. 100794.
  30. [30] Agyeman, J. and D. McLaren, Sharing cities. Environment: Science and Policy for Sustainable Development, 2017. 59(3): p. 22–27.
  31. [31] Luo, D., et al., Advancing smart net-zero energy buildings with renewable energy and electrical energy storage. Journal of Energy Storage, 2025. 114: p. 115850.
  32. [32] Wang, Z., R. Wennersten, and Q. Sun, Outline of principles for building scenarios–Transition toward more sustainable energy systems. Applied energy, 2017. 185: p. 1890–1898.
  33. [33] Magnusson, T., et al., Socio-technical scenarios and local practice–Assessing the future use of fossil-free alternatives in a regional energy and transport system. Transportation Research Interdisciplinary Perspectives, 2020. 5: p. 100128.
  34. [34] McDowall, W., Exploring possible transition pathways for hydrogen energy: a hybrid approach using socio-technical scenarios and energy system modelling. Futures, 2014. 63: p. 1–14.
  35. [35] Grünewald, P.H., et al., The socio-technical transition of distributed electricity storage into future networks—System value and stakeholder views. Energy Policy, 2012. 50: p. 449–457.
  36. [36] Rogge, K.S., B. Pfluger, and F.W. Geels, Transformative policy mixes in socio-technical scenarios: The case of the low-carbon transition of the German electricity system (2010–2050). Technological Forecasting and Social Change, 2020. 151: p. 119259.
  37. [37] Geels, F.W., A. McMeekin, and B. Pfluger, Socio-technical scenarios as a methodological tool to explore social and political feasibility in low-carbon transitions: Bridging computer models and the multi-level perspective in UK electricity generation (2010–2050). Technological Forecasting and Social Change, 2020. 151: p. 119258.
  38. [38] Wangel, J., S. Gustafsson, and Ö. Svane, Goal-based socio-technical scenarios: Greening the mobility practices in the Stockholm City District of Bromma, Sweden. Futures, 2013. 47: p. 79–92.
  39. [39] Melander, L., et al., Future goods transport in Sweden 2050: Using a Delphi-based scenario analysis. Technological Forecasting and Social Change, 2019. 138: p. 178–189.
  40. [40] Baillargeon, P., J. Yoon, and A. Zhang, Who puts the" social" in" social computing"?: Using a neurodiversity framing to review social computing research. Proceedings of the ACM on Human-Computer Interaction, 2025. 9(2): p. 1–44.
  41. [41] Wang, F.-Y., et al., Social computing: From social informatics to social intelligence. IEEE Intelligent systems, 2007. 22(2): p. 79–83.
  42. [42] Azar, E. and H. Al Ansari, Multilayer agent-based modeling and social network framework to evaluate energy feedback methods for groups of buildings. Journal of Computing in Civil Engineering, 2017. 31(4): p. 04017007.
  43. [43] Howe, J., The rise of crowdsourcing. Wired magazine, 2006. 14(6): p. 176–183.
  44. [44] Liang, Y., J. Zhao, and D. Srinivasan, Handling and Application of Big Data in Modern Power Systems for Situational Awareness and Operation. Smart Cyber‐Physical Power Systems: Solutions from Emerging Technologies, 2025. 2: p. 209–253.
  45. [45] Bayrak, F., Prediction of photovoltaic panel cell temperatures: Application of empirical and machine learning models. Energy, 2025. 323: p. 135764.
  46. [46] Alvarez, D.I., et al., The Evolution of AI Applications in the Energy System Transition: A Bibliometric Analysis of Research Development, the Current State and Future Challenges. Energies, 2025. 18(6): p. 1523.
  47. [47] Reusswig, F., N. Komendantova, and A. Battaglini, New governance challenges and conflicts of the energy transition: renewable electricity generation and transmission as contested socio-technical options, in The geopolitics of renewables. 2018, Springer. p. 231–256.
  48. [48] Hoppe, T. and G. De Vries, Social innovation and the energy transition. 2018, MDPI. p. 141.
  49. [49] Lee, D.H., et al., Analysis of the energy and environmental effects of green car deployment by an integrating energy system model with a forecasting model. Applied energy, 2013. 103: p. 306–316.
  50. [50] Shahmohammadi, M.S., et al., A decision support system for evaluating effects of Feed-in Tariff mechanism: Dynamic modeling of Malaysia’s electricity generation mix. Applied Energy, 2015. 146: p. 217–229.
  51. [51] Ukoba, K., et al., Optimizing renewable energy systems through artificial intelligence: Review and future prospects. Energy & Environment, 2024. 35(7): p. 3833–3879.
  52. [52] Dunphy, N.P. and B. Lennon, Whose transition?: A review of citizen participation in the energy system. Routledge handbook of energy transitions, 2023.
  53. [53] Batel, S., A critical discussion of research on the social acceptance of renewable energy generation and associated infrastructures and an agenda for the future. Journal of environmental policy & planning, 2018. 20(3): p. 356–369.
  54. [54] Biresselioglu, M.E., et al., Examining the barriers and motivators affecting European decision-makers in the development of smart and green energy technologies. Journal of cleaner production, 2018. 198: p. 417–429.
  55. [55] Wahlund, M. and J. Palm, The role of energy democracy and energy citizenship for participatory energy transitions: A comprehensive review. Energy Research & Social Science, 2022. 87: p. 102482.
  56. [56] Delina, L.L., Energy democracy in a continuum: Remaking public engagement on energy transitions in Thailand. Energy Research & Social Science, 2018. 42: p. 53–60.
  57. [57] Schubert, C., Green nudges: Do they work? Are they ethical? Ecological economics, 2017. 132: p. 329–342.
  58. [58] Gaddi, M., The role and potential of green nudges as a normative tool for sustainability policies: bridging the gap between theory and practice. Euro-Balkan Law and Economics Review, 2025(1): p. 52–94.

چاپ شده

2026-08-24

شماره

مقالات آماده انتشار

نوع مقاله

مقالات شماره جاری

ارجاع به مقاله

حیدری دارانی ز., & ذاکری ع. (2026). چارچوبی برای مدیریت هوشمند و مشارکتی انرژی در طراحی سیستم‌های پیش‌نگر انرژی بر پایه نظریه رابرت روزن. مدیریت: مدلسازی، تحلیل‌ها و کاربرد. https://doi.org/10.22105/mmaa.vi.132
Crossref
Scopus
Google Scholar
Europe PMC

مقالات مشابه

##common.pagination##

همچنین برای این مقاله می‌توانید شروع جستجوی پیشرفته مقالات مشابه.