امروز : شنبه, ۲۶ خرداد , ۱۴۰۳
پایداری | متن کامل رایگان | مدل پیشبینی مصرف انرژی با استفاده از یادگیری ماشین: مطالعه موردی ساختمانهای مسکونی در آفریقای جنوبی
۱٫ معرفی بر اساس گزارش آژانس بین المللی انرژی (IEA)، انتظار می رود مصرف کلی انرژی در آفریقا بین سال های ۲۰۱۹ تا ۲۰۴۰ ۶۰ درصد افزایش یابد، در حالی که تقاضا برای ساختمان های مسکونی از سال ۲۰۱۰ ۷۰ درصد افزایش یافته است. [۱]. آفریقای جنوبی بیشترین مصرف انرژی را در کشورهای جنوب صحرای […]
۱٫ معرفی
اگرچه در چند سال گذشته علاقه به استفاده از یادگیری ماشین برای کاهش مصرف انرژی در ساختمانهای مسکونی افزایش یافته است، اما هنوز تعدادی از مشکلات مرتبط با کاربرد آن وجود دارد، از جمله کمیت و کیفیت دادههای جمعآوریشده (دادههای از دست رفته، نقاط پرت و غیره)، دقت پیشبینی پایین، و انتخاب مدل یادگیری ماشین. در حالی که پیشرفتهای قابل توجهی انجام شده است، روشهای به کار گرفته شده تنوع بالایی را نشان میدهند و پیچیدگیهای ذاتی مشکلات چالشهای بزرگی را ایجاد میکنند و در نتیجه به طور مداوم توجه محققان را به خود جلب میکنند.
این مطالعه یک روش به خوبی تثبیت شده برای پیشبینی مصرف انرژی ساختمانهای مسکونی در آفریقای جنوبی اتخاذ میکند. هدف این مطالعه بهبود دقت پیشبینیهای مصرف انرژی با استفاده از مدلهای یادگیری ماشینی مانند جنگل تصادفی (RF)، درخت تصمیم (DT)، تقویت گرادیان شدید (XGBoost) و تقویت تطبیقی (AdaBoost) است که به طور گسترده در ادبیات پیش بینی انرژی این مدلهای رگرسیون عملکردهای پیشبینی و تفسیرپذیری متفاوتی دارند. به طور کلی انتظار می رود درختان رگرسیون تقویت شده که قابلیت تفسیر بالایی دارند نیز عملکرد خوبی داشته باشند (دقت پیش بینی بالا).
هدف اصلی این مطالعه پر کردن شکاف بین مدیریت کاهش بار و سازگاری مسکونی است. هدف این مطالعه تجهیز خانوارها، مشاغل و سیاستگذاران با بینش عملی برای کاهش اثرات کاهش بار با تسهیل پیشبینیهای دقیقتر و دقیقتر مصرف انرژی است. این مطالعه با ترکیب مدلهای پیشرفته یادگیری ماشین با چالشهای انرژی در دنیای واقعی به گفتمان جاری پیرامون مدیریت انرژی پایدار کمک میکند.
۲٫ کارهای مرتبط
مطالعه ما با استفاده از تکنیکهای رگرسیون مختلف و مهندسی ویژگیها، تأکید بر الگوهای تاریخی و جزئیات زمانی مانند تغییرات فصلی، به طور منحصر به فردی کمک میکند. هدف ما تعیین موثرترین مدلها برای پیشبینی مصرف ساعت بعدی، پر کردن جایگاهی در چشمانداز تحقیقاتی فعلی با استفاده از این روشها در یک منطقه جغرافیایی خاص با مجموعه چالشهای انرژی است.
این مطالعه با گنجاندن روندهای زمانی در مجموعه داده، مانند ویژگی هایی مانند روز هفته، ساعت، ماه، روز سال، سه ماهه ماه و سال مصرف، خود را متمایز می کند. این رویکرد به ما اجازه میدهد تا جزئیات زمانی ضروری، از جمله تغییرات فصلی و میانگینهای چرخشی را که برای دقت پیشبینی مدلهای ML ما حیاتی هستند، ثبت کنیم.
علاوه بر این، ما قابلیتهای پیشبینی مدلهای یادگیری ماشین خود را از طریق روشهای مهندسی ویژگیهای دقیق افزایش دادیم. این بهبود یک تمایز کلیدی مطالعه ما است، زیرا به مدلهای ما اجازه میدهد تا دقت بالاتری در پیشبینی مصرف انرژی ساختمانهای مسکونی در مقایسه با مطالعات قبلی به دست آورند. به طور خاص، مدلهای ما، به ویژه جنگل تصادفی (RF) و درخت تصمیم (DT)، دقت استثنایی را با معیارهایی مانند میانگین مربعات خطا (MSE)، میانگین خطای مطلق (MAE) و میانگین درصد مطلق خطا (MAPE) بسیار نزدیک به صفر این مطالعه با استفاده از مدلهای پیشرفته یادگیری ماشینی برای رسیدگی به چالشهای انرژی در دنیای واقعی در آفریقای جنوبی به گفتمان جاری در مورد مدیریت انرژی پایدار کمک میکند.
۳٫ رویکرد پیشنهادی
۳٫۱٫ خصوصیات مجموعه داده
در طول جمعآوری و پیشپردازش دادهها، با چالشهایی مانند دادههای گمشده و اطلاعات پرت مواجه شدیم. اینها با اجرای یک رژیم پردازش داده سختگیرانه که قرائت های نامعتبر و مقادیر گمشده را حذف می کرد (تقریباً ۱۱ میلیون رکورد حذف شد) برطرف شد. علاوه بر این، مجموعه داده به مقادیر ساعتی تجمیع شد که به کاهش نویز و بهبود یکپارچگی داده ها کمک کرد. ماهیت متنوع ساختمانهای مسکونی و الگوهای مصرف انرژی با گنجاندن ویژگیهایی مانند نوع مسکن، موقعیت جغرافیایی، و وضعیت اقتصادی-اجتماعی در نظر گرفته شد و اطمینان حاصل کرد که مدل تغییرات مصرف انرژی را بهطور دقیق نشان میدهد.
۳٫۲٫ چارچوب روش شناختی
استخراج ویژگی و مهندسی
ما روندهای زمانی را در مجموعه داده در نظر گرفتیم، مانند ویژگی هایی مانند روز هفته، ساعت، ماه، روز سال و ماه، سه ماهه و سال مصرف. آموزش و تست مدل ها با این ویژگی ها انجام شد.
ما ویژگی های زمانی مانند روز هفته، ساعت، ماه، روز سال، سه ماهه ماه و سال مصرف را از مجموعه داده استخراج کردیم. گنجاندن این ویژگیهای زمانی به عنوان پیشبینیکنندهها به مدلها اجازه میدهد تا جزئیات زمانی ضروری و تغییرات فصلی در الگوهای مصرف انرژی را ثبت کنند. دینامیک زمانی، از جمله تغییرات فصلی و میانگینهای چرخشی، توسط ویژگیهای مهندسی مانند مقادیر تاخیر (تأخیر ۱ و ۲) و ویژگیهای میانگین نورد ثبت شد. این ویژگیها به مدلها این امکان را میدهد که تاریخچه اخیر سریهای زمانی را هنگام پیشبینیها در نظر بگیرند و جزئیات زمانی ضروری را ثبت کنند.
ما همچنین مشاهده کردیم که پس از آموزش، آزمایش و اعتبارسنجی، پیشبینیها آنقدر دقیق نبودند: بنابراین از تکنیکهای مهندسی ویژگی برای تقویت پیشبینی مدل استفاده کردیم. همانطور که در مطالعه ذکر شد، ویژگیهای تاخیر شامل گنجاندن مقادیر گذشته متغیر هدف به عنوان ویژگیها بود. در کد، ویژگیهای تاخیر “lag_1” و “lag_2” با جابجایی مصرف برق، Unitsread، با یک مرحله زمانی ایجاد شدهاند. ما همچنین میانگین متحرک را در نظر گرفتیم تا روندها و فصلی بودن دادهها را که ممکن است اهمیت ویژگی اولیه آن را دریافت نکرده باشد، به تصویر بکشیم. در کد، یک ویژگی میانگین نورد برای هموار کردن نوسانات مصرف در طول زمان محاسبه شد. هدف این ویژگی های مهندسی شده پس از اعتبارسنجی، بهبود نتایج پیش بینی مدل ها است.
۳٫۳٫ مدل های یادگیری ماشین
همانطور که قبلا ذکر شد، ما مجموعه داده های مسکونی را با استفاده از چهار مدل یادگیری ماشین آزمایش کردیم. این مدلها به طور خلاصه به شرح زیر هستند: درختهای تصمیم (DT)، جنگلهای تصادفی (RF)، تقویت گرادیان شدید (XGB)، و تقویت تطبیقی (AdaBoost).
۳٫۳٫۱٫ درختان تصمیم (DT)
۳٫۳٫۲٫ جنگل تصادفی (RF)
Random Forest (RF) یک مدل یادگیری است که چندین درخت تصمیم می سازد و پیش بینی های آنها را برای بهبود دقت و کاهش بیش از حد برازش ترکیب می کند. هر درخت با استفاده از یک زیرمجموعه تصادفی از دادههای آموزشی (کیسهبندی) و یک زیر مجموعه تصادفی از ویژگیها (کیسهبندی ویژگی) ساخته شد. پیش بینی نهایی با میانگین گیری یا کسب اکثریت آرا در میان پیش بینی های تک درختان انجام شد.
۳٫۳٫۳٫ تقویت گرادیان شدید (XGBoost)
۳٫۳٫۴٫ تقویت تطبیقی (AdaBoost)
جایی که خطای وزنی برای یادگیرنده ضعیف در تکرار است تی. علاوه بر این، پیشبینی نهایی (F(x)) برای یک ورودی جدید ایکس ترکیبی وزن دار از پیش بینی های ضعیف یادگیرندگان است که توسط
جایی که تی تعداد کل زبان آموزان ضعیف است و ساعتتی(ایکس) پیش بینی زبان آموز ضعیف است.
روشهای مهندسی ویژگی شامل ایجاد ویژگیهای تاخیر (تاخیر ۱ و ۲) و ویژگیهای میانگین چرخشی برای ثبت وابستگیها و روندهای زمانی بود. این روش ها با هموارسازی نوسانات و گرفتن الگوهای ضروری، به جلوگیری از برازش بیش از حد کمک می کنند. علاوه بر این، دادهها نرمالسازی شدند و تنها ویژگیهای مرتبط برای آموزش انتخاب شدند و خطر بیشبرازش را کاهش دادند. تکنیکهای اعتبارسنجی متقاطع نیز برای اطمینان از تعمیم مدلها به دادههای غیرقابل مشاهده به کار گرفته شد و مسائل بالقوه عدم برازش را برطرف کرد.
۳٫۴٫ معیارهای ارزیابی عملکرد
جایی که اندازه گیری واقعی است، مقدار پیش بینی شده است، میانگین مقادیر هدف واقعی، و تعداد اندازه گیری ها
ارتباط و محدودیت های MSE، MAE، MAPE، و R2 در این زمینه در ادامه ارائه می شود:
-
ارتباط:
-
MSE و MAE هر دو تفاوت بین مصرف انرژی پیش بینی شده و واقعی را نشان می دهند. مقادیر کمتر نشان دهنده پیش بینی بهتر است. MSE خطاهای بزرگتر را به شدت جریمه می کند، در حالی که MAE روی میانگین بزرگی خطاها تمرکز می کند.
-
MAPE هنگام برخورد با داده های حاوی نوسانات قابل توجه مفید است، زیرا خطاها را به عنوان درصدی از مصرف واقعی بیان می کند. این امکان مقایسه عادلانه تری را در سطوح مختلف مصرف فراهم می کند.
-
آر۲ نشان می دهد که مقادیر پیش بینی شده چقدر با روند واقعی همسو هستند. یک R بالاتر۲ همبستگی قوی بین مقادیر پیش بینی شده و واقعی را نشان می دهد.
-
-
محدودیت ها:
-
MSE به موارد پرت حساس است. یک خطای بزرگ می تواند به طور قابل توجهی MSE را افزایش دهد و به طور بالقوه یک پیش بینی خوب را پنهان کند.
-
MAE جهت خطا را در نظر نمی گیرد. کمتر برآوردی به اندازه یک تخمین بیش از حد، MAE یکسانی خواهد داشت که ممکن است ایده آل نباشد.
-
MAPE برای مواردی که مقادیر واقعی مصرف نزدیک به صفر است مناسب نیست، زیرا می تواند منجر به خطاهای تقسیم به صفر شود.
-
یک R بالا۲ می تواند حتی با کم یا بیش برآورد مداوم توسط مدل رخ دهد. این فقط قدرت رابطه خطی را منعکس می کند.
-
۴٫ نتایج و بحث
این بخش نتایج مدل های پیش بینی را ارائه می دهد. با توجه به اندازه داده ها، ما الگوریتم های هر مدل را در سیستم محاسباتی با کارایی بالا (HPC) دانشگاه آفریقای جنوبی (UNISA) اجرا کردیم. توجه ما عمدتاً مبتنی بر این واقعیت است که مدلهای انتخاب شده به طور گسترده در ادبیات پیشبینی انرژی استفاده میشوند.
عملکرد برتر مدلهای جنگل تصادفی (RF) و درخت تصمیم (DT) را میتوان به توانایی آنها در مدیریت مؤثر ابعاد و پیچیدگی مجموعه داده نسبت داد. این مدلها به دلیل استحکام نسبت به برازش بیش از حد و تواناییشان در گرفتن روابط غیرخطی درون دادهها شناخته شدهاند. تفسیرپذیری مدلهای RF و DT، همراه با معیارهای اهمیت ویژگی، امکان درک بهتر و بهینهسازی مدلها را فراهم کرد. از سوی دیگر، تقویت مدلهایی مانند XGBoost و AdaBoost، اگرچه قدرتمند هستند، ممکن است به تنظیم دقیقتر و مجموعه دادههای بزرگتری برای دستیابی به عملکرد مشابه نیاز داشته باشند.
محدودیت های مطالعه
مفروضات اصلی مدل های پیش بینی توسعه یافته عبارتند از:
- (۱)
-
داده های تاریخی استفاده شده نشان دهنده الگوهای مصرف آینده است.
- (۲)
-
ویژگی های استفاده شده در مدل ها به اندازه کافی عوامل موثر بر مصرف برق را در بر می گیرد.
- (۳)
-
مدلها هیچ تغییر قابلتوجهی در زیرساخت انرژی یا تغییر سیاستهای عمده در طول دوره پیشبینی ندارند.
اگرچه مدلهای پیشنهادی نتایج امیدوارکنندهای را در پیشبینی مصرف انرژی مسکونی با مجموعه دادههای DEL نشان دادند، برخی محدودیتهای مهم در رابطه با بازنمایی این مجموعه داده و سوگیریهای بالقوه وجود دارد. نماینده مجموعه داده DEL کل جمعیت آفریقای جنوبی باید مورد بررسی قرار گیرد. مجموعه داده های DEL طیف متنوعی از محیط های شهری، غیررسمی (شهرستانی) و روستایی و همچنین مناطق مختلف آب و هوایی و گروه های درآمدی را پوشش می دهد. با این حال، روش نمونهگیری خاص و میزانی که گروههای جمعیتی مختلف در مجموعه دادهها نشان داده میشوند به وضوح مشخص نشدهاند. اگر مناطق یا بخشهای اجتماعی-اقتصادی خاصی از جمعیت کمتر یا بیش از حد ارائه شده باشند، مدلهای پیشبینی ممکن است سوگیری نشان دهند و نتوانند الگوهای مصرف را به طور دقیق برای آن گروهها نشان دهند.
۵٫ نتیجه گیری و کار آینده
این مطالعه چندین مدل یادگیری ماشین را برای پیشبینی مصرف انرژی ساختمانهای مسکونی در آفریقای جنوبی بررسی کرد. ما از مدلهای RF، DT، XGBoost و AdaBoost برای کمک به پیشبینی مصرف استفاده کردیم و متوجه شدیم که مدلهای RF و DT از مدلهای تقویتکننده (XGBoost و AdaBoost) بهتر عمل میکنند. دلیل عملکرد بهتر مدلهای DT و RF از مدلهای تقویتکننده (XGBoost و AdaBoost) میتواند به تفسیرپذیری DT و RF پس از مهندسی ویژگی در مجموعه داده مربوط باشد. در این مورد، با توجه به اینکه متغیرهای پیشبینیکننده و آستانهها مستقیماً در تقسیمها قابل مشاهده شدند، DT و RF از مدلهای درخت تقویتی که کمتر قابل تفسیر هستند، عملکرد بهتری داشتند.
مصرف ملی ساعتی پیشبینیشده میتواند با تسهیل پیشبینیهای دقیقتر و دقیقتر مصرف انرژی، خانوارها، مشاغل و سیاستگذاران را به بینشهای عملی، از جمله در مورد مصرف ملی و محلی و شناسایی پیک مجهز کند. این مطالعه با ترکیب تکنیک های پیشرفته یادگیری ماشین با چالش های انرژی در دنیای واقعی به گفتمان جاری پیرامون مدیریت انرژی پایدار کمک می کند.
پیامدهای عملی این تحقیق قابل توجه است. با پیشبینی دقیق الگوهای مصرف انرژی در منازل مسکونی، ذینفعان مانند تأمینکنندگان انرژی، سیاستگذاران و خانوارها میتوانند تصمیمات آگاهانهای برای بهینهسازی مصرف انرژی و کاهش مسائلی مانند کاهش بار بگیرند. پیشبینیهای دقیق، ارائهدهندگان انرژی را قادر میسازد تا عرضه و تقاضا را بهتر مدیریت کنند و خطر خرابی شبکه و قطعی طولانی مدت برق را کاهش دهند. علاوه بر این، خانوارها میتوانند از این پیشبینیها برای اجرای اقدامات صرفهجویی در مصرف انرژی در دورههای اوج تقاضا استفاده کنند، که به طور بالقوه منجر به صرفهجویی در هزینه و کمک به چشمانداز انرژی پایدارتر میشود. سیاست گذاران همچنین می توانند از این بینش ها برای توسعه ابتکارات و مشوق های هدفمند برای ارتقای بهره وری انرژی در بخش مسکونی، همسو با اهداف ملی برای امنیت انرژی و پایداری زیست محیطی استفاده کنند.
برای استفاده از نقاط قوت مدلهای فردی، کاهش محدودیتهای ذاتی آنها و ارائه دقت پیشبینی افزایش یافته، ما قصد داریم مدلهای یادگیری مجموعهای از جمله مدلهای AdaBoost، میانگینگیری، پشتهبندی و رأیگیری را با هدف افزایش دقت پیشبینی مصرف انرژی ساختمان اجرا کنیم. بخش مسکونی با ترکیب بهترین ویژگیهای تک مدلهای ML، مدلهای گروهی اشکالات هر مدل را کاهش داده و دقت پیشبینی را بهبود میبخشند.
مقایسههای بیشتر بر اساس سایر ویژگیها (ویژگیها)، مانند استفاده از دستگاه، ویژگیهای مربوط به ساختمانها (فیلم مربع، طبقات در هر ساختمان و غیره)، شرایط آبوهوایی، الگوهای اشغال و تعرفههای انرژی به عنوان بخشی از جزئیات آینده اضافه خواهد شد. کار کردن
علاوه بر این، در کار آینده، ما همچنین قصد داریم دادههای مربوط به کاهش بار را با شناسایی نوع دادههای مورد نیاز برای در نظر گرفتن کاهش بار، از جمله ظرفیت انرژی ملی برای برآوردن مصرف ملی و محلی، شناسایی پیک، تجزیه و تحلیل در زمان کاهش بار، تجزیه و تحلیل کنیم. و علل ریزش بار. با تجزیه و تحلیل دادههای کاهش بار تاریخی، میتوانیم بینشی در مورد نحوه واکنش ساکنان به کاهش در دسترس بودن نیرو کسب کنیم. این دانش را میتوان در مدلهای پیشبینی برای پیشبینی بهتر نحوه تغییر الگوهای مصرف در دورههای اوج تقاضا یا قطعیهای احتمالی گنجاند. تجزیه و تحلیل دادههای کاهش بار تاریخی بینشهای ارزشمندی را در مورد چگونگی تغییر الگوهای مصرف برق در دورههای کاهش در دسترس بودن توان ارائه میدهد. این اطلاعات میتواند با گنجاندن رویدادهای کاهش بار به عنوان ویژگیهای مدلها، توسعه مدلهای پیشبینی قویتر و تطبیقی را نشان دهد. درک الگوهای مصرف در دورههای اوج تقاضا یا قطعیهای بالقوه، امکان استراتژیهای پاسخگویی به تقاضای بهتر و بهینهسازی توزیع انرژی را فراهم میآورد که در نهایت منجر به بهبود انعطافپذیری شبکه برق میشود.
الگوریتم های یادگیری ماشین نیز می توانند برای پیش بینی مصرف برق در زمان واقعی استفاده شوند. پیشبینی بلادرنگ مصرف برق برای کاربردهای مختلف از جمله مدیریت انرژی، پاسخ به تقاضا، بهینهسازی شبکه و یکپارچهسازی انرژیهای تجدیدپذیر ضروری است. مدلهای ارائهشده در مطالعه ما میتوانند به تجزیه و تحلیل دادههای مصرف تاریخی، الگوهای زمانی از روز و سایر عوامل مرتبط برای پیشبینی دقیق تقاضای برق آینده و همچنین استفاده کارآمد کمک کنند. عوامل متعددی وجود دارد که به امکانسنجی پیشبینی بلادرنگ کمک میکند، از جمله در دسترس بودن دادهها، تأخیر مدلها و مهندسی ویژگیهای پیشرفته. مدل بلادرنگ به عنوان یک ادغام در سیستمهای IoT و نیروگاهها عمل میکند و به عنوان منبعی برای جمعآوری دادههای بلادرنگ عمل میکند. ادغام مدلهای پیشبینی بلادرنگ در زیرساختها و سیستمهای موجود امکانپذیر است، اما نیاز به چندین چالش دارد. در دسترس بودن داده ها بسیار مهم است. بنابراین، مکانیسم های زمان واقعی جمع آوری داده ها باید ایجاد شود. تأخیر مدل باید به حداقل برسد تا از پیش بینی های به موقع اطمینان حاصل شود، که می توان با بهینه سازی کارایی محاسباتی مدل ها به آن دست یافت. تکنیکهای مهندسی ویژگیهای پیشرفته، مانند عادیسازی بلادرنگ و مدیریت دادههای از دست رفته، برای حفظ دقت مدل ضروری هستند. چالشهای بالقوه شامل تضمین حریم خصوصی دادهها، مدیریت بار محاسباتی و ادغام با سیستمهای قدیمی است. راه حل ها شامل استقرار زیرساخت های مبتنی بر ابر مقیاس پذیر و توسعه پروتکل های مدیریت داده قوی است. در کار آینده، ما قصد داریم بررسی کنیم که آیا این واقعاً کار می کند یا خیر.
ما همچنین قصد داریم نرم افزاری را بر اساس مدل پیش بینی پیشنهادی توسعه دهیم. این مدل می تواند به عنوان بخشی از یک سیستم مدیریت انرژی پیاده سازی شود و پیش بینی ها و بینش های بلادرنگ را به کاربران ارائه دهد. این نرم افزار می تواند شامل ویژگی هایی مانند تجسم داده ها در زمان واقعی، سیستم های هشدار برای دوره های اوج تقاضا و توصیه هایی برای بهینه سازی مصرف انرژی باشد.
جنبهای از مجموعه دادههای DEL که در کار مورد توجه قرار نگرفت، وسایلی است که هر خانوار دارد و این که چگونه بر مصرف تأثیر میگذارد. با استفاده از تکنیکهای پیشبینی مبتنی بر این دادهها، ساکنان میتوانند استفاده از منابع را بهینه کنند، فعالیتهای حیاتی را اولویتبندی کنند و مصرف انرژی را در خانههای خود بهبود بخشند. علاوه بر این، سیاست گذاران و ارائه دهندگان خدمات می توانند از پیش بینی های دقیق تری برای هماهنگ کردن برنامه های کاهش بار استفاده کنند که در عین حال تلاش های صرفه جویی انرژی را به حداکثر می رساند.
منبع:
۱- shahrsaz.ir , پایداری | متن کامل رایگان | مدل پیشبینی مصرف انرژی با استفاده از یادگیری ماشین: مطالعه موردی ساختمانهای مسکونی در آفریقای جنوبی
,۲۰۲۴-۰۵-۲۲ ۰۳:۳۰:۰۰
۲- https://www.mdpi.com/2071-1050/16/11/4365
آفریقای , از , استفاده , انرژی , با , پایداری , پیشبینی , جنوبی , در , رایگان , ساختمانهای , کامل , ماشین , متن , مدل , مسکونی , مصرف , مطالعه , موردی , یادگیری
- دیدگاه های ارسال شده توسط شما، پس از تایید توسط تیم مدیریت در وب منتشر خواهد شد.
- پیام هایی که حاوی تهمت یا افترا باشد منتشر نخواهد شد.
- پیام هایی که به غیر از زبان فارسی یا غیر مرتبط باشد منتشر نخواهد شد.