کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
8071782 1521399 2018 34 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
A zone-level, building energy optimisation combining an artificial neural network, a genetic algorithm, and model predictive control
ترجمه فارسی عنوان
یک سطح منطقه، بهینه سازی انرژی ساختمان، ترکیبی از شبکه عصبی مصنوعی، یک الگوریتم ژنتیک و کنترل پیش بینی مدل است
کلمات کلیدی
مدیریت انرژی ساختمان، شبکه های عصبی مصنوعی، الگوریتم ژنتیک، کنترل پیش بینی مدل، کنترل پنوماتیک تنظیم گرمایش نقطه زمانبندی،
ترجمه چکیده
ساختمان ها بخش قابل توجهی از مصرف انرژی جهانی و گازهای گلخانه ای جهانی را تشکیل می دهند. با توجه به رشد دستگاه های هوشمند و سنسور ها، فرصتی برای توسعه نسل جدیدی از کنترلرهای ساختمان هوشمند و آگاهانه تر وجود دارد. بنابراین، در این کار، شبکه های عصبی مصنوعی جایگزین، که آب و هوای، اشغال و دمای داخلی را به عنوان ورودی می گیرند، ایجاد شده است. اینها به عنوان یک موتور ارزیابی توسط یک الگوریتم ژنتیکی با هدف به حداقل رساندن مصرف انرژی مورد استفاده قرار می گیرند. سفارشی 24 ساعته، برنامه تنظیم حرارت برای هر منطقه در یک ساختمان کوچک در کاردیف، انگلستان تولید می شود. استراتژی بهینه سازی را می توان در دو حالت، بهینه سازی روز پیش رو و یا به عنوان کنترل پیش بینی مدل که هر ساعت دوباره بهینه سازی شده است. در طول هفته آزمایش فوریه، بهینه سازی نشان می دهد که مصرف انرژی در حدود 25 درصد نسبت به یک استراتژی گرمایی پایه کاهش می یابد. وقتی یک تعرفه زمانی استفاده می شود، بهینه سازی به منظور به حداقل رساندن هزینه به جای مصرف انرژی تغییر می یابد. استراتژی بهینه سازی با موفقیت بارگیری به دوره های ارزان قیمت را کاهش می دهد و هزینه انرژی را حدود 27 درصد نسبت به استراتژی پایه کاهش می دهد.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی انرژی انرژی (عمومی)
پیش نمایش مقاله
یک سطح منطقه، بهینه سازی انرژی ساختمان، ترکیبی از شبکه عصبی مصنوعی، یک الگوریتم ژنتیک و کنترل پیش بینی مدل است
چکیده انگلیسی
Buildings account for a substantial proportion of global energy consumption and global greenhouse gas emissions. Given the growth in smart devices and sensors there is an opportunity to develop a new generation of smarter, more context aware, building controllers. Therefore, in this work, surrogate, zone-level artificial neural networks that take weather, occupancy and indoor temperature as inputs, have been created. These are used as an evaluation engine by a genetic algorithm with the aim of minimising energy consumption. Bespoke 24-h, heating set point schedules are generated for each zone in a small office building in Cardiff, UK. The optimisation strategy can be deployed in two modes, day ahead optimisation or as model predictive control which re-optimises every hour. Over a February test week, the optimisation is shown to reduce energy consumption by around 25% compared to a baseline heating strategy. When a time of use tariff is introduced, the optimisation is altered to minimise cost rather than energy consumption. The optimisation strategy successfully shifts load to cheaper price periods and reduces energy cost by around 27% compared to the baseline strategy.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Energy - Volume 151, 15 May 2018, Pages 729-739
نویسندگان
, , , ,