Забезпечення оптимального мікроклімату у приміщеннях та енергоефективне керування інженерними системами будівель за допомогою цифрових двійників
Вантажиться...
Файли
Дата
Науковий керівник
Редактор
Інші учасники
Відповідальний
ORCID
Назва журналу
Номер ISSN
Назва тому
Альтернативна назва
Анотація
У статті описані недоліки алгоритмів керування наявних систем автоматизації інженерних систем будівель, які приводять до надмірного енергоспоживання. Розглянуто проблеми підтримки оптимального мікроклімату у приміщеннях, вказано фактори, які суттєво впливають на його забезпечення.
Виконано аналіз сучасних підходів до забезпечення температурного комфорту у приміщеннях та підвищення енергоефективності будівель за допомогою інноваційних технологій і методів. Висвітлено використання цифрових двійників та алгоритмів машинного навчання для моделювання мікроклімату та оптимізації роботи систем опалення, вентиляції та кондиціонування. Підкреслено роль сучасних інформаційних технології, які дозволяють застосовувати адаптивні підходи до керування інженерними системами будівель.
Запропоновано використання додаткових датчиків сонячного випромінювання, швидкості руху повітря для оцінки рівня комфорту в приміщенні, а також надані рекомендації щодо вибору і обчислення коефіцієнтів ізоляційних властивостей одягу та метаболічної активності людей у приміщенні.
У статті запропонована архітектура системи для побудови цифрового двійника мікроклімату у приміщенні, що передбачає розділення процесів збору, накопичення та обробки даних між різними сервісами, які запускаються у Docker контейнерах в середині Kubernetes кластера. Запропонована архітектура забезпечує гнучкість розгортання цифрового двійника, з можливістю його використання як на локальних серверах так і у хмарному середовищі. Розглянуто процес збору та інтеграції даних завдяки розширених бібліотек Node-Red. Цифровий двійник передбачає застосування моделі NeuralProphet, яка адаптована для використання в системах з періодичною зміною станів та умов. Навчена модель дозволяє прогнозувати зміни індексу Predicted Mean Vote, що використовується для оцінки рівня комфорту у приміщенні. Дані прогнозів використовуються для корекції керуючих сигналів контролерів температури повітря, теплої підлоги та вентиляції, при цьому забезпечуючи найбільш енергоефективне підтримання мікроклімату у приміщеннях.
Опис
Ключові слова
УДК
Тип документа
Мова
ISSN
Посилання на публікацію
Серія, номер
ISBN
ББК
Інші ідентифікатори
Пов’язані матеріали
Спонсорська підтримка
Правовласник
Бібліографічний опис
Поліщук І. А., Гікало П. В., Шевченко М. Г. Забезпечення оптимального мікроклімату у приміщеннях та енергоефективне керування інженерними системами будівель за допомогою цифрових двійників // Наукові праці Вінницького національного технічного університету. Електрон. текст. дані (PDF: 646 КБ). 2024. № 3. URI: https://praci.vntu.edu.ua/index.php/praci/article/view/755.
Зібрання
Схвалення
Рецензія
Доповнено
Цитується в
Список використаної літератури (6)
- Shahinmoghadam M., Natephra W., Motamedi A. BIM- and IoT-based virtual reality tool for real-time thermal comfort assessment in building enclosures. Building and Environment. July 2021. Vol. 199. P. 107905. DOI:10.1016/j.buildenv.2021.107905.
- ElArwady Z., Kandil A., Afiffy M., Marzouk M. Modeling indoor thermal comfort in buildings using digital twin and machine learning. Development in the Built Environment. 2024. Vol. 19. P. 100480. DOI:10.1016/j.dibe.2024.100480.
- Taleghani M., Tenpierik M., Kurvers S., Dobbelsteen van den A. A review into thermal comfort in buildings. Renewable and Sustainable Energy Reviews. October 2013. Vol. 26. P. 201 – 215. DOI:10.1016/j.rser.2013.05.050.
- Hui S. C. M., Leung J. Y. C. Thermal comfort and energy performance of chilled ceiling systems. Conference: Fujian-Hong Kong Joint Symposium. 2012. 29 – 30 June 2012. Fuzhou, China. P. 36 – 48.
- Du Y., Zandi H., Kotevska O., Kurte K., Munk J., Amasyali K., Mckee E., Li F. Intelligent multi-zone residential HVAC control strategy based on deep reinforcement learning. Applied Energy. January 2021. Vol. 281. P. 116117. DOI:10.1016/j.apenergy.2020.116117.
- Azuatalam D., Lee Wee-Lih, Nijs de F., Liebman A. Reinforcement learning for whole-building HVAC control and demand response. Energy and AI. November 2020. Vol. 2. P. 100020. DOI:10.1016/j.egyai.2020.100020.