Контроль здания, ориентированный на жильцов
Управление зданием, ориентированное на жильцов , или управление, ориентированное на жильцов (OCC), — это стратегия управления внутренней средой, которая специально фокусируется на удовлетворении текущих потребностей жителей здания при одновременном снижении энергопотребления здания . OCC может использоваться для управления освещением и бытовой техникой, но чаще всего используется для управления отоплением, вентиляцией и кондиционированием воздуха ( HVAC ). [1] OCC использует данные, собранные в режиме реального времени об условиях окружающей среды в помещении, присутствии и предпочтениях жильцов, в качестве входных данных для стратегий управления энергосистемой. [2] Реагируя на входные данные в режиме реального времени, OCC может гибко обеспечивать надлежащий уровень энергетических услуг, таких как отопление и охлаждение, когда и где это необходимо жильцам. [3] Обеспечение предоставления энергетических услуг здания в нужном количестве призвано повысить комфорт жильцов, а предоставление этих услуг только в нужное время и в нужном месте призвано снизить общее потребление энергии.
В отличие от OCC, традиционные стратегии управления зданием, известные как системы управления энергопотреблением зданий (BEMS), обычно используют заранее определенные заданные значения температуры и графики понижения температуры. [1] Эти температуры и температурные графики часто определяются отраслевыми стандартами без участия жильцов здания. Обычные BEMS обычно имеют статические рабочие параметры, которые обеспечивают минимальную гибкость для удовлетворения меняющихся потребностей жильцов здания в течение дня, меняющихся потребностей новых арендаторов здания или разнообразных тепловых потребностей любой группы жильцов здания. [2]
Американское общество инженеров по отоплению, охлаждению и кондиционированию воздуха отметило, что на тепловой комфорт пассажиров влияют как условия окружающей среды, такие как излучающее тепло, влажность, скорость воздуха и время года, так и личные факторы, такие как физиология, носимая одежда и уровень активности. . [4] Этот динамичный и персонализированный характер теплового комфорта традиционно усложнял его интеграцию в системы управления HVAC, но увеличение сенсорных и вычислительных возможностей наряду со снижением затрат на сенсорные и вычислительные затраты сделали OCC эффективным и масштабируемым средством управления. построение энергетических систем. [1] Поскольку здания потребляют более 33% мировой энергии и производят почти 40% выбросов CO2 , OCC может сыграть значительную роль в сокращении глобального потребления энергии и выбросов CO2 . [5]
Фон
[ редактировать ]Входы управления, ориентированные на пассажира
[ редактировать ]OCC полагается на данные о занятости и предпочтениях пассажиров в реальном времени в качестве входных данных для алгоритма управления. Эти данные должны постоянно собираться различными методами и могут быть собраны в различных масштабах, включая все здание, этаж, комнату и подкомнату. Зачастую полезнее всего собирать данные в масштабе, соответствующем тепловому зонированию здания. Тепловая зона – это часть здания, в которой все кондиционируются при одной и той же заданной температуре. [6]
Данные о присутствии жильцов (занятых или незанятых) и уровнях занятости (количестве жильцов) можно собирать с помощью явных или неявных датчиков. [7] Явные датчики напрямую измеряют присутствие людей и могут включать в себя пассивные инфракрасные датчики, ультразвуковые детекторы движения и камеры подсчета входных групп. Неявные датчики измеряют параметр, который можно соотнести с занятостью посредством некоторой калиброванной зависимости. Примеры неявных датчиков присутствия включают CO 2 датчики и количество устройств, подключенных к Wi-Fi. [1] Выбор датчиков присутствия зависит от размера контролируемого помещения, бюджета на датчики, желаемой точности, цели датчика (обнаружение присутствия или количества людей) и соображений безопасности.
В отличие от данных о присутствии жильцов, получение данных о предпочтениях жильцов требует прямой обратной связи от жильцов здания. Эта обратная связь может быть запрошенной или незапрошенной. [7] Незапрошенные данные о предпочтениях жильцов могут включать время и величину изменения уставки термостата вручную. Хотя это может быть хорошим индикатором неудовлетворенности жильцов температурой, изменения уставки термостата могут быть нечастыми, создавая барьер для интеграции предпочтений жильцов в OCC. Запрошенная информация о предпочтениях жильцов часто используется как средство получения дополнительной информации о предпочтениях жильцов и принимает форму своевременных опросов или экологических мгновенных оценок ( EMA ). Эти опросы, обычно проводимые на компьютерах, смартфонах или умных часах, могут задавать участникам вопросы об их тепловых ощущениях, термическом удовлетворении или любых других факторах, отражающих их комфорт в пространстве. [7] [8] Внедрение информации о предпочтениях жильцов в OCC все еще находится на ранних стадиях, и ее практическое применение все еще изучается в академической среде.
Прогнозирующий контроль
[ редактировать ]OCC можно разделить на реактивное управление или прогнозирующее управление. [1] Реактивное управление использует предпочтения обитателей в реальном времени и предоставляет обратную связь для немедленного изменения условий в пространстве. Хотя этот подход полезен для управления системами с быстрым временем отклика, такими как системы освещения, реактивный OCC не идеален для систем с медленным временем отклика, таких как HVAC. Для этих медленно реагирующих систем прогнозирующее управление позволяет предоставлять услуги в здании, такие как отопление, в нужное время без задержки между временем, когда услуга необходима, и временем, когда услуга предоставляется.
В отличие от реактивного управления, прогнозирующее управление использует данные о предпочтениях и присутствии пассажиров в режиме реального времени для информирования и обучения алгоритмов прогнозирующего управления, а не напрямую влияет на работу системы. Средства прогнозного управления имеют «горизонт прогнозирования», который представляет собой промежуток времени, в течение которого OCC потребуется изменить заданное значение или скорость вентиляции для достижения определенной температуры или уровня качества воздуха в помещении. Необходимый горизонт прогнозирования для OCC будет варьироваться в зависимости от времени реагирования здания. [9] К характеристикам зданий, которые способствуют необходимости более длительного прогнозирования при управлении системами HVAC, относятся большие открытые помещения, высокая тепловая масса и помещения с быстрыми изменениями уровня занятости. [1]
Для коммерческого HVAC OCC алгоритмы прогнозирования будут основываться на шести информационных уровнях (IG), установленных ASHRAE. Этими IG являются присутствие жильцов, количество жильцов и предпочтения жильцов, каждый из которых рассматривается на уровне здания и тепловой зоны. [3] На основании данных о присутствии пассажиров OCC может предсказать самое раннее время прибытия и самое позднее время ухода. На основе подсчета жильцов OCC может спрогнозировать максимальное ожидаемое количество жильцов здания и время его появления. На основе данных о предпочтениях жильцов OCC может прогнозировать желаемую температуру и влажность помещения в течение дня. Обладая этой информацией, OCC может предсказать, когда ему потребуется изменить заданные значения температуры и скорости вентиляции для достижения желаемой температуры и уровня качества воздуха в определенное время. Алгоритмам прогнозирования требуется достаточное количество данных, а также относительно регулярные предпочтения и шаблоны присутствия пассажиров для разработки точных прогнозов управления.
Развитие системы управления, ориентированной на пассажиров
[ редактировать ]Развитие OCC в настоящее время поддерживается Приложением 79 Международного энергетического агентства (МЭА) «Энергия в зданиях и сообществах» (EBC). [10] Приложение 79, которое будет действовать с 2018 по 2023 год, представляет собой международную совместную инициативу, направленную на разработку и внедрение технологий, методов сбора данных, методов моделирования, алгоритмов управления, политики внедрения и стратегий применения, направленных на проектирование зданий и управление ими, ориентированные на жильцов. Это сотрудничество направлено на применение знаний, полученных из предыдущего Приложения 66, которое действовало с 2013 по 2018 год. [11] Приложение 66 было призвано понять, как поведение жильцов связано с потреблением энергии в здании, а также как эксплуатация и конструкция здания влияют на тепловой комфорт жильцов. Это было сделано в первую очередь за счет сбора данных о поведении пассажиров и разработки методов моделирования.
Дополнительные группы, работающие над разработкой OCC, включают Многопрофильную рабочую группу ASHRAE по поведению жильцов в зданиях (MGT.OBB) и Центр будущего труда Национального научного фонда по интеллектуальным средам. [3]
Алгоритмы управления, ориентированные на пассажира
[ редактировать ]OCC все еще находится в разработке, и основное внимание уделяется созданию и оценке различных алгоритмов управления. Алгоритмы, которые были изучены для OCC, включают, помимо прочего, итеративные методы объединения данных, машинное обучение без учителя и обучение с подкреплением. Каждый из этих алгоритмов имеет разные уровни вычислительной сложности, необходимых входных данных и потенциала снижения энергии.
Итеративные методы объединения данных являются примером реактивного контроля OCC и представляют собой средство объединения данных из двух или более источников. В этом методе данные о предпочтениях нескольких жильцов и данные об условиях окружающей среды в помещении используются для балансирования двух целей оптимизации : средней удовлетворенности жильцов и экономии энергии. Чтобы сбалансировать эти цели, каждый раз, когда в систему вводятся новые данные, алгоритм определяет, необходимы ли какие-либо управляющие действия, например изменение заданного значения температуры, на основе набора правил управления, которые определяют, насколько хорошо достигаются цели оптимизации. [12]
Машинное обучение без присмотра можно использовать для кластеризации жителей на основе их «тепловых личностей». Эти кластеры затем можно использовать для информирования реактивного или прогнозирующего управления путем понимания тепловых предпочтений конкретных обитателей помещения. В этом методе запрошенная информация о предпочтениях жильцов передается в неконтролируемый машинный алгоритм, который группирует жильцов на основе того, насколько схожи их тепловые предпочтения. [8] Количество и размер групп зависит от типа используемого неконтролируемого алгоритма, а также анализируемых данных.
Машинное обучение с подкреплением можно использовать в качестве алгоритма прогнозирующего управления с целью оптимизации удовлетворенности пассажиров и экономии энергии. В этом методе алгоритм принимает данные о присутствии и предпочтениях жильцов и использует их для изучения предпочтений жильцов без необходимости обучения алгоритма на предыдущих данных. [13] Алгоритм будет оценивать каждое принимаемое им управляющее решение, чтобы максимизировать вознаграждение, основанное на его способности оптимизировать удовлетворенность пассажиров и экономию энергии. Этот алгоритм способен вносить постоянные корректировки на основе получаемой новой информации.
Ссылки
[ редактировать ]- ^ Jump up to: а б с д и ж Нейлор, Софи; Гиллотт, Марк; Лау, Том (ноябрь 2018 г.). «Обзор стратегий управления зданием, ориентированных на жильцов, для снижения энергопотребления в здании» . Обзоры возобновляемой и устойчивой энергетики . 96 : 1–10. дои : 10.1016/j.rser.2018.07.019 . ISSN 1364-0321 . S2CID 115839796 .
- ^ Jump up to: а б О'Брайен, Уильям; Вагнер, Андреас; Швейкер, Марсель; Махдави, Ардешир; Дэй, Джулия; Кьергаард, Миккель Баун; Карлуччи, Сальваторе; Донг, Бинг; Тахмасеби, Фарханг; Ян, Да; Хун, Тяньчжэнь (01 июля 2020 г.). «Представляем Приложение 79 IEA EBC: Ключевые проблемы и возможности в области проектирования и эксплуатации зданий, ориентированных на жильцов» . Строительство и окружающая среда . 178 : 106738. doi : 10.1016/j.buildenv.2020.106738 . ISSN 0360-1323 . S2CID 218952231 .
- ^ Jump up to: а б с Ланжевен, Джаред. «Контроль в здании, ориентированный на жильцов: масштабная оценка потенциального энергетического воздействия» (PDF) .
- ^ «Стандарт ASHRAE 55» (PDF) .
- ^ «Здания – Темы» . МЭА . Проверено 12 декабря 2021 г.
- ^ «Термальные зоны» . Energycodeace.com . Проверено 12 декабря 2021 г.
- ^ Jump up to: а б с Гюнай, Бурак, доктор философии, профессор технических наук и др. «Использование управления, ориентированного на пассажиров, в коммерческих системах отопления, вентиляции и кондиционирования». Журнал ASHRAE 63.5 (2021): 30,32,34-36,38-40. ПроКвест. Веб. 12 декабря 2021 г.
- ^ Jump up to: а б Джаятисса, Прагит; Кинтана, Матиас; Суд, Тапис; Назарян, Негин; Миллер, Клейтон (01 ноября 2019 г.). «Уютен ли ваш циферблат? Методика умных часов для сбора данных о комфорте пассажиров на месте» . Физический журнал: серия конференций . 1343 (1): 012145. Бибкод : 2019JPhCS1343a2145J . дои : 10.1088/1742-6596/1343/1/012145 . ISSN 1742-6588 .
- ^ Стоппс, Хелен; Хучук, Брент; Тучи, Марианна Ф.; О'Брайен, Уильям (01 января 2021 г.). «Есть ли кто-нибудь дома? Критический обзор внедрения интеллектуальных систем управления HVAC, ориентированных на жильцов, в жилых домах» . Строительство и окружающая среда . 187 : 107369. doi : 10.1016/j.buildenv.2020.107369 . ISSN 0360-1323 . S2CID 228892420 .
- ^ «IEA EBC || Приложение 79 || Проектирование и эксплуатация зданий с учетом поведения жильцов || IEA EBC || Приложение 79» . Приложение79.iea-ebc.org . Проверено 12 декабря 2021 г.
- ^ «Введение | Приложение 66 МЭА-ЕДС» . www.annex66.org . Проверено 12 декабря 2021 г.
- ^ С. Пердон, Б. Куси, Р. Джурдак и Г. Чаллен, «Безмодельное управление ОВКВ с использованием обратной связи от жильцов», 38-я ежегодная конференция IEEE по локальным компьютерным сетям - семинары , 2013, стр. 84-92, doi: 10.1109 /LCNW.2013.6758502.
- ^ Валладарес, Уильям; Галиндо, Марк; Гутьеррес, Джордж; Ву, Ву-Че; Ляо, Куо-Кай; Ляо, Джен-Чунг; Руководитель Куанг-Чин; Ван, Чи-Чуань (15 мая 2019 г.). «Оптимизация энергопотребления, связанная с тепловым комфортом и контролем воздуха в помещении с помощью алгоритма глубокого обучения с подкреплением» . Строительство и окружающая среда . 155 : 105–117. дои : 10.1016/j.buildenv.2019.03.038 . ISSN 0360-1323 . S2CID 117156449 .