کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
4911455 1428370 2017 16 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Occupancy learning-based demand-driven cooling control for office spaces
ترجمه فارسی عنوان
کنترل خنک کاری مبتنی بر تقاضا برای فضاهای اداری مبتنی بر یادگیری
کلمات کلیدی
یادگیری مسکن، پیش بینی مسکن، کنترل تقاضای محرک، سیستم تهویه مطبوع، بهره وری انرژی، سیستم های هوشمند
ترجمه چکیده
اتمام ساختمان ها یکی از عوامل کلیدی برای استفاده از انرژی تهویه مطبوع است. حضور و غیاب شدن در محل، تصادفی است. با این حال، برنامه های عملیات استاتیک به طور گسترده ای توسط بخش های تاسیسات برای سیستم های تهویه مطبوع در ساختمان های تجاری استفاده می شود. در نتیجه، چنین سیستمی نمی تواند با تقاضای واقعی انرژی برای دفاتر که در طول زمان کارشان به طور کامل اشغال نشده، سازگار باشد. این مطالعه یک دوره 7 ماهه اطلاعات اشغال را براساس سیگنال های حرکتی جمع آوری شده از شش دفتر با ده نفر از مسافرین در یک ساختمان تجاری، که شامل دفاتر خصوصی و چند نفره است، تحلیل می کند. بر اساس تجزیه و تحلیل شغل، یک استراتژی کنترل مبتنی بر یادگیری مبتنی بر تقاضا برای خنک کننده معقول ارائه شده است. پیش بینی حضور بعدی شش نفر و مدت حضور موجودی باقی مانده از یک روز با یادگیری رفتار آنها در روزهای گذشته و حال، و سپس اطلاعات پیش بینی شده اشغال به طور غیر مستقیم به منظور تعیین درجه تنظیمات بازده بر اساس قواعد مشخص شده در این مطالعه استفاده می شود. این استراتژی برای کنترل یک سیستم خنک کننده با استفاده از پرتوهای خنثی منفذ برای خنک سازی مناسب فضاهای اداری اعمال می شود. در طول دو ماه، هر دو کنترل پایه و پیش بینی شده توسط کنترل تقاضا بر اساس چهل و دو روز کاری از محل اقامت دنیای واقعی عمل می کردند. با استفاده از کنترل تقاضا، صرفه جویی در انرژی 3/20٪ در مقایسه با معیار بدست آمد. ما دریافتیم که پتانسیل صرفه جویی در انرژی در یک دفتر منحصربفرد با میزان اشغال آن رابطه معکوس دارد.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی انرژی انرژی های تجدید پذیر، توسعه پایدار و محیط زیست
پیش نمایش مقاله
کنترل خنک کاری مبتنی بر تقاضا برای فضاهای اداری مبتنی بر یادگیری
چکیده انگلیسی
Occupancy in buildings is one of the key factors influencing air-conditioning energy use. Occupant presence and absence are stochastic. However, static operation schedules are widely used by facility departments for air-conditioning systems in commercial buildings. As a result, such systems cannot adapt to actual energy demand for offices that are not fully occupied during their operating time. This study analyzes a seven-month period of occupancy data based on motion signals collected from six offices with ten occupants in a commercial building, covering both private and multi-person offices. Based on an occupancy analysis, a learning-based demand-driven control strategy is proposed for sensible cooling. It predicts occupants' next presence and the presence duration of the remainder of a day by learning their behavior in the past and current days, and then the predicted occupancy information is employed indirectly to infer setback temperature setpoints according to rules we specified in this study. The strategy is applied for the controls of a cooling system using passive chilled beams for sensible cooling of office spaces. Over the period of two months both a baseline control and the proposed demand-driven control were operated on forty-two weekdays of real-world occupancy. Using the demand-driven control, an energy saving of 20.3% was achieved as compared to the benchmark. We found that energy savings potential in an individual office was inversely correlated to its occupancy rate.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Building and Environment - Volume 122, September 2017, Pages 145-160
نویسندگان
, , , ,