محمد حسین امین ابراهیم آبادی

ما یک متدولوژی کم هزینه و غیر سرزده را برای تعیین اتلاف انرژی مبتنی بر مصرف کننده-انرژی (CBB-EW) در بهره برداری و کنترل سیستم های گرمایش ، تهویه و تهویه مطبوع (HVAC) توسعه می دهیم. با استفاده از داده های سنسور دما و رطوبت ، ما مدل های Machine Learning (ML) جریان گرما از محیط (محیط-جزء) و جریان گرما را به دلیل عملکرد HVAC (مؤلفه HVAC) تهیه می کنیم. برای تعیین وضعیت HVAC ON / OFF و مصرف انرژی HVAC از مدل های مؤلفه محیط و HVAC استفاده می شود. ما CBB-EW را به دو مؤلفه ، یعنی هدر رفت غیرمحصولی (CBB-EW-NOC) و هدر رفت مبتنی بر اشغال تقسیم می کنیم (CBB-EW-OCC). با کمک وضعیت HVAC ، حسگر حرکت و اطلاعات متنی ، ما یک روش همجوشی داده را برای تعیین CBB-EW-NOC پیشنهاد می کنیم. ما برای تعیین تنظیمات حرارتی مطلوب مورد نیاز برای بهره برداری از واحد HVAC در محدوده PMV خنثی ، از مدل میانگین رای گیری پیش بینی شده (PMV) استفاده می کنیم. تفاوت بین میزان انرژی مصرف شده توسط واحد HVAC در تنظیمات حرارتی بهینه و کنترل شده توسط کاربر ، به ما این امکان را می دهد تا CBB-EW-OCC را محاسبه کنیم. ما روش پیشنهادی خود را با استفاده از داده های واقعی از یک مطالعه موردی تجربی که شامل کاربرانی است که واحدهای HVAC را در اتاق های اداری جداگانه خود کنترل می کنند ، تأیید می کنیم. ما مشاهده می کنیم که کاربران به دلیل عملکرد غیر ضروری HVAC و تنظیمات حرارتی زیر بهینه ، معمولاً مقدار زیادی انرژی (در بعضی موارد بیش از ۵۰٪) را هدر می دهند. علاوه بر این ، الگوی هدر رفت انرژی کاربران مختلف نیز به طور قابل توجهی متفاوت است ، که دلالت بر نیاز به بازخورد و مداخلات سفارشی برای تلقین رفتار حفظ انرژی دارد.