Друзі, донедавна у вас була можливість читати друкований журнал AW-Therm, єдине в Україні видання у сфері HVAC.

Ми намагалися просто і доступно пояснювати управління мікрокліматом житлових і службових приміщень через розумні інженерні системи. Наш журнал був настільним посібником для монтажників, головних інженерів, проектувальників, керівників, менеджерів з продажу інженерного обладнання, забудовників та всіх, хто цікавиться темою.

Повномасштабна агресія росії змусила припинити випуск друкованого AW-Therm. Проте, наш медіаресурс продовжує свою роботу в електронному форматі на сайті та в соцмережах: Facebook, Instagram, Telegram, YouTube, TikTok.

Тематика опалення, енергоефективних технологій, водопостачання, кондиціювання, вентиляції, автоматики та систем віддаленого контролю залишається важливою і потрібною. Ми прагнемо зробити її доступною для кожного, хто хоче покращити свій дім у Вільній Україні.

AW-Therm продовжує пропонувати цікаві інженерні рішення та новинки ринку HVAC, які важливо знати і вивчати. Якщо наша робота корисна вам, підтримайте українське видання AW-Therm донатом, щоб отримувати актуальну інформацію про світовий і український інженерний ринок.


Я БАЖАЮ ПІДТРИМАТИ

Рекуператор для квартири

Адаптивний будинок-термостат

Зображення адаптивний будинок Дослідники Національної лабораторії Оук-Ридж (ORNL, США) розробили та випробували в реальних умовах алгоритм, який допоможе власникам підтримувати комфортну температуру у своїх будинках протягом усього року, мінімізуючи при цьому комунальні витрати.

Інтелектуальне керування опаленням, вентиляцією та кондиціонуванням повітря (HVAC) за допомогою глибокого посиленого навчання (deep reinforcement learning, DRL) останнім часом привертає велику увагу завдяки своїй здатності оптимально контролювати складну поведінку системи HVAC. Однак є необхідність у додаткових дослідженнях щодо розуміння проблем адаптивності, з якими об'єкт DRL може зіткнутися на етапі розгортання (тобто коли система зі штучним інтелектом напрацьовує варіанти оптимального управління конкретною системою HVAC у конкретному будинку за місцевих умов).

Виявилося, що навіть хмарні системи підтримки для онлайн-навчання для таких програм не є ефективними з огляду на нереально тривалий період самонавчання та, ймовірно, погане управління комфортом під час навчального процесу системи для напрацювання оптимального алгоритму.

Вважалося, що поліпшити показники якості керування та скоротити час для самонавчання допоможуть математичні моделі будинку, які система AI використовуватиме на етапі пошуку оптимального алгоритму для конкретних умов. Однак, розробка точної будівельної моделі для кожного будинку та впровадження моделі DRL з попереднім самонавчання для контролю HVAC не буде економічно ефективною. Точна мат.модель будинку - дороговартісний продукт, що потребує тривалого часу та окремої верифікації.

«Видається непрактичним намагатися створити окрему модель для кожної будівлі», - сказала Гелія Занді з ORNL. «Ми шукаємо такий алгоритм, який можна було би застосувати до різних будівель, який би автоматично вивчав характеристики навколишнього середовища та спосіб, яким чином мінімізувати експлуатаційні витрати при максимальному комфорті».

Мета алгоритму - зробити модель якомога універсальнішою, щоб вона могла адаптуватися до будь-якої системи і потребувала би для цього мінімального обсягу необхідних даних про неї.

У дослідженні ORNL науковці зосередилися на оцінці здатності системи управління HVAC на основі методу DRL забезпечити економію витрат, попередньо навчившись лише на одній будівельній моделі (BIM) та потім вдосконалюючи свою роботу для різних будинків з різними вимогами користувачів до зручностей.

Результати свідчать, що подібний алгоритм може заощадити власникам будинків до 25% на річних рахунках за комунальні послуги.
Комп'ютерні розрахунки показали, що можна досягти близько 30% зниження витрат порівняно з базовим сценарієм, коли дію алгоритма перевіряли в імітаціонному середовищі. Фактично при натурних випробуваннях дослідники досягли зниження витрат до 21% при розміщенні такої системи управління HVAC в реальних будинках.

Таким чином, метод DRL має потенціал для адаптації до різного домашнього середовища та параметрів комфорту без застосування аж надто точної моделі будинку.

З часом (і набагато швидше, ніж зазвичай) алгоритм сам навчається підтримувати в будинку бажані температурні налаштування для мешканців, мінімізуючи витрати на енергію та самостійно пристосовуючись до умов навколишнього середовища, і все це без точних знань про конкретну будівлю.

Більше важливих статей і новин в Telegram-каналі та корисні відео на Youtube-каналі та у TikTok.  Долучайтесь!

Переглянуто: 1 868 / 2021-07-12 09:26:30


Залишити коментар

Telegram