توصيفگر ها :
بهينه‌سازي انرژي , تهويه‌مطبوع , شاخص آسايش حرارتي , مدل كنترل پيش‌بين , هوشمند‌سازي
چكيده فارسي :
انرژي الكتريكي يك جزء حياتي براي مصارف خانگي و صنايع است. به دليل محدوديت منابع و افزايش روز افزون مصرف انرژي، بهينه‌سازي انرژي امري ضروري است. در مناطق مختلف آب و هوايي به طور متوسط بيش از 50% انرژي الكتريكي مصرف شده در ساختمان‌ها مربوط به سيستم‌هاي گرمايش، تهويه و تهويه‌مطبوع است؛ بنابراين، با كنترل مناسب اين سيستم‌ها امكان ذخيره‌سازي مقدار قابل‌توجهي انرژي الكتريكي وجود دارد. سيستم‌هاي كنترل سنتي با اعمال نقاط تنظيم ثابت به اجزاي سيستم تهويه قادر به صرفه‌جويي در مصرف انرژي و برقراري سطح آسايش حرارتي مطلوب در شرايط مختلف نخواهند بود. جهت رسيدن به هدف صرفه‌جويي در مصرف انرژي مي‌بايست تمام اجزاي سيستم تهويه با نقاط تنظيم متغير با شرايط كنترل شوند؛ از طرفي بايد توجه نمود كه اين صرفه‌جويي در مصرف انرژي موجب از بين رفتن حس آسايش حرارتي افراد حاضر در محيط نشود. هدف اصلي اين پژوهش صرفه‌جويي هر چه بيشتر در مصرف انرژي الكتريكي و حفظ شاخص آسايش حرارتي در بازه مطلوب است؛ اين دو هدف در تقابل با هم قرار دارند؛ سيستم تهويه بايد به نحوي كنترل شود كه هر دو هدف به صورت هم‌زمان برآورده شوند. سيستم تهويه مركزي مدنظر اين پژوهش از چيلر جذبي خورشيدي در فصل تابستان و بويلر در فصل زمستان تشكيل شده است؛ اين سيستم تهويه بر روي يك ساختمان تك منطقه‌اي متشكل از 10 اتاق مجزا و دو كاربري متفاوت مسكوني و اداري نصب شده؛ سيستم تهويه در نرم‌افزار ترنسيس و ساختمان در نرم‌افزار اسكچاپ شبيه‌سازي شدند؛ همچنين جهت توليد اطلاعات آب و هوايي محل از نرم‌افزار متنورم استفاده شد. به منظور كنترل هم‌زمان تمام اجزاي سيستم تهويه، كنترل‌كننده در سطح نظارتي پياده‌سازي شد. كنترل‌كننده بر مبناي مدل كنترل پيش‌بين است؛ اين مدل با توجه به اطلاعات آب و هوايي داخل و خارج از ساختمان و به كمك يك شبكه عصبي مصنوعي وضعيت آينده سيستم را پيش‌بيني كرده و موجب بهبود عملكرد كنترل‌كننده مي‌شود. كنترل‌كننده در هر گام زماني با استفاده از اطلاعات پيش‌بيني شده شاخص آسايش حرارتي را محاسبه كرده، سپس با توجه به مقدار اين شاخص و زمان حضور افراد در ساختمان به صورت بلادرنگ دستور به افزايش، كاهش يا ثابت ماندن توان هر يك از اجزاي سيستم تهويه مي‌دهد. فرمول‌هاي محاسباتي شاخص آسايش حرارتي به صورت بازگشتي بوده و با كنترل بلادرنگ سازگاري ندارند؛ بنابراين، از يك شبكه عصبي مصنوعي ديگر جهت محاسبه دقيق و بلادرنگ شاخص آسايش حرارتي استفاده مي‌شود؛ داده‌هاي مورد نياز جهت آموزش اين شبكه عصبي از ابزار CBE استخراج شده‌اند. دو الگوريتم كنترلي مختص فصول گرم و سرد سال طراحي شدند؛ اين دو الگوريتم در نرم‌افزار متلب كد نويسي شده و به صورت برخط و بلادرنگ سيستم تهويه را كنترل مي‌كنند. شبيه‌سازي در دو بازه 45 روزه براي فصل تابستان و زمستان انجام شد؛ نتايج نشان دادند كه الگوريتم‌هاي كنترلي مي‌توانند تحت شرايط مختلف محيطي، انساني و آب و هوايي بين 7% تا 70% در مصرف انرژي الكتريكي صرفه‌جويي كرده و شاخص آسايش حرارتي را در بازه مطلوب محدود نگه دارند.
چكيده انگليسي :
Energy is a vital component for household and industrial purposes. Due to resource constraints and the escalating energy consumption, energy optimization becomes imperative. In various climatic regions, over 50% of energy consumed in buildings is attributed to heating, ventilation, and air conditioning (HVAC) systems. Therefore, effective control of these systems offers significant potential for energy savings. Traditional control systems, relying on fixed setpoints for HVAC components, fail to efficiently conserve energy and maintain desired thermal comfort under diverse conditions. To achieve energy savings, all HVAC system components must be dynamically controlled. Simultaneously, care must be taken not to compromise the thermal comfort of individuals in the environment.The primary goal of this research is to maximize energy savings while preserving thermal comfort within acceptable ranges. These two objectives are inherently conflicting; thus, the HVAC system must be controlled in a way that simultaneously fulfills both goals. The central HVAC system in this study comprises a solar absorption chiller in summer and a boiler in winter. The system is installed in a single-zone building with 10 separate rooms serving two different residential and office uses. The HVAC system and building were simulated using TRANSYS and SketchUp software, respectively. Additionally, weather data for the location were obtained from a Meteonorm software.To concurrently control all HVAC system components, a controller was implemented at the supervisory level. The controller is based on a predictive control model, utilizing weather information inside and outside the building, and predicting the future system state using an artificial neural network. At each time step, the controller calculates the thermal comfort index based on the predicted data. Subsequently, considering the comfort index and the occupants' presence duration, it dynamically issues commands to increase, decrease, or maintain the power of each HVAC component in real-time. The recursive nature of the thermal comfort index calculation renders traditional control formulations incompatible. Therefore, another artificial neural network is employed for accurate and real-time computation of the thermal comfort index, with training data extracted from CBE tools.Two control algorithms were designed for the warm and cold seasons, coded in MATLAB, and control the HVAC system online and adaptively. Simulations were conducted for two 45-day intervals representing summer and winter. The results indicate that the control algorithms can achieve energy savings ranging from 7% to 70% under various environmental, occupancy, and weather conditions, while keeping the thermal comfort index within acceptable bounds.
