يك مدل شبكه عصبي مبتني بر داده ترموستات واي فاي هوشمند براي كنترل آسايش حرارتي در منازل مسكوني از طريق برآورد ميانگين دماي تابشي

A SMART WIFI THERMOSTAT DATA-BASED NEURAL NETWORK MODEL FOR CONTROLLING THERMAL COMFORT IN RESIDENCES THROUGH ESTIMATES OF MEAN RADIANT TEMPERATURE

آسايش حرارتي داخلي در ساختمان‌هاي مسكوني معمولاً توسط مستاجرين به دست مي‌آيد كه به صورت دستي نقاط تنظيم دماي ثابت را تنظيم مي‌كنند؛ اين به عنوان يك روش استاتيك شناخته مي شود. تحقيقات قبلي كنترل خودكار آسايش حرارتي را بر اساس مفهوم شاخص ميانگين راي پيش‌ بيني‌شده (PMV) مورد بررسي قرار داده است، كه براي ارائه مدلي از آسايش درك شده انسان ايجاد شده است. با اين حال، يكي از سهم هاي غالب در اين شاخص، ميانگين دماي تابشي (MRT)، به طور موثر ميانگين دماي تابشي سطوح داخلي اطراف، يكي از اين موارد بوده است: 1) به طور نادرست با دماي هواي داخل يكسان فرض شده است؛ و/يا 2) به دليل نياز به تعداد زيادي سنسور اضافي، اجرا پرهزينه است. تحقيقات به منظور استفاده از كار قبلي در برآورد خودكار مقادير R ديوارها و سقف ها با استفاده از تركيبي از ترموستات هوشمند WiFi، هندسه ساختمان و مصرف انرژي تاريخي براي تخمين MRT با دقت و در نتيجه ارائه ابزاري براي كنترل آسايش، به جاي دما به تنهايي، مطرح شده است. به منظور ارزيابي پتانسيل صرفه جويي در انرژي كنترل آسايش براي هر محل سكونت، يك مدل يادگيري ماشيني دماي داخل خانه بر اساس يك شبكه عصبي NARX استفاده شده است. اين مدل از داده‌هاي ترموستات تاريخي و آب و هوا استفاده مي‌كند تا ابزاري براي پيش‌بيني ديناميكي دماي داخلي ايجاد كند. با يك مدل توسعه‌يافته، مي‌توان نقاط تنظيم دما را در دماي داخلي شبيه‌سازي كرد و بنابراين دماي نقطه تنظيم بهينه را در همه زمان‌هاي مورد نياز براي حفظ شرايط راحتي معقول شناسايي كرد. استفاده از اين مجموعه دماي ايده‌آل براي حداقل آسايش انسان در داده‌هاي آب و هواي تاريخي و شرايط آب‌وهواي داخلي مي‌تواند تخميني براي حداقل انرژي سرمايشي ارائه دهد. نتايج اوليه صرفه جويي انرژي خنك كننده را به ترتيب بيش از 83% و 95% براي اقامتگاه هاي با راندمان بالا و كم نشان داد. بر اساس اين تحقيق، پيشنهاد مي‌شود كه رويكرد تخمين MRT را مي‌توان براي محاسبه مقدار دقيق‌تر PMV و نمايش بهتر آسايش انسان، بدون چيزي بيش از يك ترموستات WiFi هوشمند با داده‌هاي در دسترس استفاده كرد. بنابراين، يك استراتژي كنترل مبتني بر اين پارادايم مي‌تواند هم آسايش حرارتي در ساختمان‌هاي مسكوني و هم مصرف انرژي كمتري را به دست آورد. علاوه بر اين، يك كنترل كننده پيش بيني مدل (MPC) براي تحقق كنترل واقعي تر و معقول تر توسعه يافته است. حفاظت از كمپرسور نيز در توسعه كنترلر در نظر گرفته شده است.