Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Nghiên cứu về điều chỉnh thông minh tiết kiệm năng lượng điều hòa không khí dựa trên sự thoải mái nhiệt của con người
Journal of Ambient Intelligence and Humanized Computing - Trang 1-14 - 2021
Tóm tắt
Hệ thống điều hòa không khí là phần chính trong tiêu thụ năng lượng của tòa nhà. Với sáng kiến năng lượng xanh toàn cầu, giảm tiêu thụ năng lượng của điều hòa không khí có ý nghĩa lớn đối với việc thúc đẩy bảo tồn năng lượng tòa nhà và giảm phát thải. Do đó, bài báo này đề xuất một phương pháp điều khiển tiết kiệm năng lượng cho điều hòa không khí dựa trên hồi quy vector hỗ trợ (SVR) kết hợp với tối ưu hóa bầy đàn (PSO) để tối ưu hóa tiêu thụ năng lượng và sự thoải mái về nhiệt độ, trong khi cơ chế nội bộ độc lập với điều hòa không khí. Ngoài các yếu tố như nhiệt độ trong nhà, độ ẩm trong nhà, nhiệt độ ngoài trời, độ ẩm ngoài trời và các ràng buộc về sự thoải mái nhiệt, số lượng và sự phân bố vị trí của con người cũng như sự phân bố tải nhiệt trong nhà cũng được theo dõi. Điều chỉnh thông minh dựa trên mức độ thoải mái của con người sau khi tất cả các biến được nhập vào hệ thống thông minh. Trong thí nghiệm, một nền tảng được xây dựng để đánh giá hiệu suất của phương pháp đề xuất dưới nhiều cài đặt khác nhau bằng cách sử dụng Động lực học chất lỏng tính toán (CFD). Kết quả cho thấy phương pháp này có thể cải thiện độ chính xác trong dự đoán sự thoải mái nhiệt và đảm bảo rằng tiêu thụ năng lượng của điều hòa không khí được giảm trong khi nâng cao sự thoải mái nhiệt cho cư dân.
Từ khóa
#tiết kiệm năng lượng; điều hòa không khí; sự thoải mái về nhiệt; hồi quy vector hỗ trợ; tối ưu hóa bầy đàn; động lực học chất lỏng tính toánTài liệu tham khảo
Ahmadi MH, Sayyaadi H, Mohammadi AH, Barranco-Jimenez MA (2013) Thermo-economic multi-objective optimization of solar dish-Stirling engine by implementing evolutionary algorithm. Energy Convers Manage 73:370–380. https://doi.org/10.1016/j.enconman.2013.05.031
Ashrae (2004) ANSI/ASHRAE Standard 55–2004, Thermal environmental conditions for human occupancy. American Society of Heating, Refrigerating, and Air Conditioning Engineers, Inc, Atlanta
Barrett E, Linder S (2015) Autonomous HVAC control, a reinforcement learning approach in Joint European Conference on Machine Learning and Knowledge Discovery in Databases. Springer, London. https://doi.org/10.1007/978-3-319-23461-8_1.
Cheng Z, Mehdi Pazhoohesh (2017) Thermal comfort based occupancy-driven building energy saving control strategies. World Sustainable Built Environment Conference 2017 Hong Kong, pp. 2366–2370.
Chiang WH, Wang CY, Huang JS (2012) Evaluation of cooling ceiling and mechanical ventilation systems on thermal comfort using CFD study in an office for subtropical region. Build Environ 48(1):113–127. https://doi.org/10.1016/j.buildenv.2011.09.002
Fazenda P, Veeramachaneni K, Lima P, O’Reilly UM (2014) Using reinforcement learning to optimize occupant comfort and energy usage in HVAC systems. J Amb Intell Smart Environ 6(6):675–690. https://doi.org/10.3233/AIS-140288
Ferreira PM, Ruano AE, Silva S, Conceicao EZE (2012) Neural networks based predictive control for thermal comfort and energy savings in public buildings. Energy Build 55:238–251. https://doi.org/10.1016/j.enbuild.2012.08.002
Huang Z, Yu Y, Gu J et al (2017) An efficient method for traffic sign recognition based on extreme learning machine. IEEE Trans Cybernet 47(4):920–933. https://doi.org/10.1109/TCYB.2016.2533424
Klein L, Kwak J, Kavulya G, Jazizadeh F, Becerik-Gerber B, Tambe M (2012) Coordinating occupant behavior for building energy and comfort management using multi-agent system. Autom Constr 22:525–536. https://doi.org/10.1016/j.enbuild.2015.11.039
Kusiak A, Li M-Y (2010) Cooling output optimization of an air handling unit. Appl Energy 87(3):1–9. https://doi.org/10.1016/j.apenergy.2009.06.010
Lajoie P, Aubin D, Gingras V, Daigneault P, Ducharme Gauvin D, Fugler D, Leclerc J, Won D, Courteau M, Gingras S, Héroux M, Yang W, Schleibinger H (2015) The IVAIRE project – a randomized controlled study of the impact of ventilation on indoor air quality and the respiratory symptoms of asthmatic children in single family homes. Indoor Air 25(6):582–597. https://doi.org/10.1111/ina.12181
Li B, Xia L (2015) A multi-grid reinforcement learning method for energy conservation and comfort of HVAC in buildings. Automation Science and Engineering (CASE), 2015 IEEE International Conference on. IEEE 444–449.doi: https://doi.org/10.1109/CoASE.2015.7294119.
Liu GG, Huang X, Guo W et al (2015a) Multilayer obstacle-avoiding x-architecture steiner minimal tree construction based on particle swarm optimization. IEEE Trans Cybernetics 45(5):989–1002. https://doi.org/10.1109/TCYB.2014.2342713
Liu G, Guo W, Niu Y et al (2015b) A PSO-based timing-driven Octilinear Steiner tree algorithm for VLSI routing considering bend reduction. Soft Comput 19(5):1153–1169. https://doi.org/10.1007/s00500-014-1329-2
Luo F, Guo W, Yu Y et al (2017) A multi-label classification algorithm based on kernel extreme learning machine. Neurocomputing 260:313–320. https://doi.org/10.12783/dtcse/csae2017/17476
Magdalena H, Marco G, Marcus M (2013) Calibrated CFD simulation to evaluate thermal comfort in a highly-glazed naturally ventilated room. Build Environ 70:73–89. https://doi.org/10.1016/j.buildenv.2013.08.020
Marshall E, Steinberger J, Dupont V, Foxon T (2016) Combining energy efficiency measure approaches and occupancy patterns in building modelling in the UK residential context. Energy Build 111:98–108. https://doi.org/10.1016/j.enbuild.2015.11.039
Nasruddin S, Pujo S, Teuku MIM, Niccolo G, Kiyoshi S (2019) Optimization of HVAC system energy consumption in a building using artificial neural network and multi-objective genetic algorithm. Sust Energy Technol Assess 35:48–57. https://doi.org/10.1016/j.seta.2019.06.002
Nikovski D, Xu J, Nonaka M (2013) A method for computing optimal set-point schedules for HVAC systems. REHVA World Congress CLIMA 10:23–34
Perez-Lombard L, Ortiz J, Pout C (2008) A review on buildings energy consumption information. Energy Build 40(3):394–398. https://doi.org/10.1016/j.enbuild.2007.03.007
Wang Y, Velswamy K, Huang B (2017) A long-short term memory recurrent neural network based reinforcement learning controller for office heating ventilation and air conditioning systems. Processes 5(3):46. https://doi.org/10.3390/pr5030046
Wei X, Kusiak A, Li M, Tang F, Zeng Y (2015) Multi-objective optimization of the HVAC (heating ventilation, and air conditioning) system performance. Energy 83:294–306. https://doi.org/10.1016/j.energy.2015.02.024
Wei T, Wang Y, Zhu Q (2017) Deep reinforcement learning for building HVAC control. Design Automation Conference 54th ACM/EDAC/IEEE. IEEE, p. 1–6.
Xia Y, Wang J (2015) Low-dimensional recurrent neural network-based Kalman filter for speech enhancement. Neural Netw 67:131–139. https://doi.org/10.1016/j.neunet.2015.03.008
Xia Y, Wang J (2016) A Bi-Projection neural network for solving constrained quadratic optimization problems. IEEE Trans Neural Netw Learning Syst 27(2):214–224. https://doi.org/10.1109/TNNLS.2015.2500618
Xiong L et al (2019) Multi-feature fusion and selection method for an improved particle swarm optimization. J Ambient Intell Hum Comput. https://doi.org/10.1007/s12652-019-01624-4
Xiong L et al (2020) Color disease spot image segmentation algorithm based on chaotic particle swarm optimization and FCM. J Supercomput. https://doi.org/10.1007/s11227-020-03171-8
Yu Y, Sun Z (2017) Sparse coding extreme learning machine for classification. Neurocomputing 261:50–56. https://doi.org/10.1016/j.neucom.2016.06.078Getrightsandcontent
Zenger A, Schmidt J, Krödel M (2013) Towards the Intelligent Home: using reinforcement-learning for optimal heating control. Annual Conference on Artificial Intelligence. Springer. 304–307. doi: https://doi.org/10.1007/978-3-642-40942-4
Zhang S, Xia Y, Wang J (2015) A complex-valued projection neural network for constrained optimization of real functions in complex variables. IEEE Trans Neural Netw Learning Syst 26(12):3227–3238. https://doi.org/10.1109/TNNLS.2015.2441697
Zhong S, Chen T, He F et al (2014) Fast Gaussian kernel learning for classification tasks based on specially structured global optimization. Neural Netw 57:51–62. https://doi.org/10.1016/j.neunet.2014.05.014