ОБЗОР МОДЕЛЕЙ УПРАВЛЕНИЯ МИКРОКЛИМАТОМ В ПОМЕЩЕНИИ. obzor-modeley-upravleniya-mikroklimatom-v-pomeschenii — копия. Инженерностроительный вестник Прикаспия 86
 Скачать 434.59 Kb.
|
Инженерно-строительный вестник Прикаспия 86 УДК 621.3:007; 621.3:001.891.57 ОБЗОР МОДЕЛЕЙ УПРАВЛЕНИЯ МИКРОКЛИМАТОМ В ПОМЕЩЕНИИ А. В. Карпенко, И. Ю. Петрова Астраханский государственный университет Астраханский государственный архитектурно-строительный университет В статье дается описание моделей управления микроклиматом в помещении. Модели, относящиеся к одному классу, могут оперировать различными микроклиматическими факторами в зависимости от нужд служащих для определения комфорт- ных микроклиматических условий. В статье приводятся схемы систем на основе нейронных сетей, нечеткой логики и нейро- нечеткого моделирования. Описываются формулы расчета для приведенных моделей и принципы их работы – от наиболее простых моделей, состоящих из дифференциальных уравнений, до сложных мультиагентых систем. Ключевые слова: микроклимат, микроклиматические факторы, нейронные сети, нечеткая логика, мультиагентные си- стемы. CONTROL INDOOR CLIMATE A. V. Karpenko, I. Yu. Petrova Astrakhan State University Astrakhan State University of Architecture and Civil Engineering The article describes the models of management climate in the room. Models belonging to the same class can handle a variety of microclimatic factors, depending on the needs of employees to determine the microclimate conditions. The article presents the neural network based schemes systems, fuzzy logic and neuro-fuzzy modeling. It describes the calculation formula for the described models and how they work from the most simple model consisting of differential equations to complex multi-agent systems. Keywords: microclimate, microclimate factors, neural networks, fuzzy logic, multi-agent systems. Введение При выполнении задачи проектирования «умного» дома важным аспектом является раз- работка эффективной системы управления отоплением, вентиляцией и кондиционирова- ния воздуха (ОВК) [1], которая направлена на поддержание комфортных микроклиматиче- ских параметров при обеспечении максимально возможного уровня экономии энергии. На протяжении многих лет с помощью моде- лирования и экспериментов вырабатывались стратегии, позволяющие найти приемлемый ба- ланс между комфортом жильцов и низким энер- гопотреблением. Так, одни модели учитывали температуру воздуха и наличие одежды, в то время как другие фокусировались на таких фак- торах, как, например, сквозняк. По мере изуче- ния данной области и развития систем управле- ния «умным домом» появлялись потребности для обеспечения задачи более эффективного поддержания комфортных параметров темпера- туры, вентиляции и кондиционирования воз- духа при проектировании зданий [2–6]. В работе [7] были рассмотрены модели обес- печения комфортных условий микроклимата в помещении, учитывающие условия минимиза- ции затрат энергии. В рамках статьи было уста- новлено что все модели можно разделить на три класса: 1. Модели «белого ящика», к которым отно- сятся модель Фангера (PMV/PDD), модели, учитывающие чувствительность человека к различным микроклиматическим факторам (ET*-DISC, PD, PS, TS), а также модель электро- тепловой аналогии (RC) и адаптивные модели [8–12]. 2. Модели «черного ящика», к которым можно отнести модели на основе нейронных се- тей, нечеткой логики и нейро-нечеткого моде- лирование [5, 13]. 3. Модели «серого ящика», являющиеся ги- бридными. В выводах работы [7] указано, что наиболь- шее распространение получила модель PMV, но в последние годы проявляется все больший интерес к моделям «черного ящика». В рамках данной статьи будут более подробно рассмот- рены и описаны перечисленные модели. PMV/PPD модель Среди исследований теплового комфорта наибольше распространение получили работы П. О. Фангера. Им была разработана модель, ис- пользующая уравнения теплового баланса и эм- пирические исследования о температуре кожи. Модель основана на показателях PMV (прогно- зируемая средняя оценка качества воздушной среды) и PPD (прогнозируемый процент недо- вольных температурой среды) [14, 15]. С помощью показателя PMV можно прогнози- ровать среднюю чувствительность к темпера- туре группы людей в помещении на основе ба- ланса температуры тела по семибалльной шкале комфорта от –3 до 3. Современный вид формулы для расчета по- казателя PMV приведен в ГОСТ Р ИСО 7730-2009 [16, 17]: 0,303 ∙ , 0,028 ∙ 3,05 ∙ 10 5733 6,99 0,42 58,15 1,7 ∙ 10 " 5867 0,001434 # 3,96 ∙ 10 $ % &' # &' 273 ( #̅ * 273 ( % &' + & # &' # , (1) Научно-технический журнал 87 где M – скорость обмена веществ; W – эффектив- ная механическая энергия; f cl – коэффициент площади поверхности одежды; t a – температура воздуха; t cl – температура поверхности одежды; t̅ r – средняя температура излучения; h c – коэф- фициент конвективного теплообмена; p a – пар- циальное давление водяного пара. Температура поверхности одежды рассчиты- вается [18] как: # &' 35,7 0,028 - &' 3,96 ∙ 10 $ % &' # &' 273 ( #̅ * 273 ( % &' + & # &' # ,, (2) где I cl – коэффициент теплоизоляции одежды. Коэффициент конвективного теплообмена вычисляется по следующей формуле: + & . 2,38# &' # ,/" , если 4 5 2,16 г ," 12,16 г ," , если 4 8 12,16 г ," , (3) где 4 2,38# &' # ,/" , 6 г – скорость движения воздуха. Коэффициент площади поверхности одежды можно найти по формуле: % &' .1,00 1,29 ∙ - &' , если - &' 9 0,078 1,05 1,645 ∙ - &' , если - &' 5 0,078 (4) Значение PMV, равное нулю, является иде- альным. Оно соответствует сочетанию активно- сти, одежды и параметров среды, обеспечиваю- щих тепловую нейтральность. Для того чтобы предсказать число лиц, которые не удовлетво- рены в той или иной степени температурой окружающей среды, используется индекс PPD. По этому показателю люди, которые голосовали по шкале комфорта за значение, отличное от нуля, считаются недовольными. На рис. 1 изображена зависимость параметра PPD от рас- считанного значения PMV. Значение PPD можно вычислить [16] как: : 100 95 , "" ;< = > , /?@A;< B (5) На основании проведенных экспериментов с участием 1300 человек было установлено, что зона комфорта определяется комбинациями шести параметров, при которых доля недоволь- ных температурой среды составляет 10 %, а PMV находится в рекомендуемых пределах (-0,5 < PMV < +0.5) [3, 4]. Поскольку оценки теплового комфорта до- статочно точно определяются индексом PMV, возможно обеспечить хорошие внутренние условия для поддержания высокой производи- тельности людей при минимизации энергопо- требления. ET*-DISC модель ET*-DISC [18] использует модель теплового баланса для прогнозирования теплового ком- форта, но развивается во времени, не будучи в равновесном состоянии, как PMV. ET* означает «новая эффективная температура» с учетом ра- диационной и скрытой (латентной) передачи тепла. ET* может быть рассчитана с использова- нием двухузловой модели [17]. Эта модель опре- деляет поток тепла между областями окружаю- щей среды, кожи и тела в минуту. DISC прогно- зирует тепловой дискомфорт, используя темпе- ратуру и площадь влажной кожи. ET* является температурой окружающей среды при относительной влажности, равной 50 %, при которой человек потеряет такое же количества тепла, как и в реальной окружаю- щей среде. Уравнение может быть представ- лено [19] как: CD ∗ D FG H ∙ I J ∙ KL ∙ M 0,5 , (6) где p a – давление насыщенного водяного пара; p as – атмосферное давление; T op – оперативная температура; w – площадь влажной кожи; i m – проникающая эффективность одежды; LR – от- ношение Льюиса, измеряемое в (К/кПа), кото- рое представляет собой соотношение коэффи- циентов конвективной теплопередачи и испа- рения. SET* (стандартная эффективная темпера- тура) является продолжением разработки мо- дели ET*. Эта модель использовалась в качестве индекса комфорта как внутри помещения, так и во внешней среде. SET* численно пред- ставляет собой тепловую нагрузку, испытывае- мую моделью относительно «стандартного че- ловека» в «стандартной среде» [19]. При темпе- ратуре между 23 °C и 41 °C, SET* линейно зави- сит от температуры тела: NCD ∗ 34,95 ∙ D O 1247,6, (7) При температуре ниже 23 °C, отношение имеет вид: NCD ∗ 23 6,13 ∙ 36,4 D O ,@ , (8) И выше 41 °C: NCD ∗ 41 5,58 ∙ D O 36,9 ,$@ , (9) где Tb – средняя температура тела человека (°C). Степень комфортности полученного значе- ния определяется по шкале комфорта в диапа- зоне от –3 до 3. Далее кратко рассматриваются три эмпири- ческие модели (PD, PS и TS), которые были получены в результате статистической обра- ботки субъективного ощущения комфорта мно- Рис. 1. Зависимость функции PPD от значения PMV 75 25 10 5 10 25 75 0 20 40 60 80 -2 -1 -0,5 0 0,5 1 2 PPD PMV Инженерно-строительный вестник Прикаспия 88 жества респондентов с учетом наличия движе- ния воздуха (сквозняка) и влажности в поме- щении [19, 20]. Модель PD Модель PD прогнозирует процент недоволь- ных из-за нежелательного местного охлажде- ния (сквозняка). Входными данными являются температура воздуха, скорость движения воз- духа и интенсивность турбулентности воздуш- ного потока. Уравнение модели может быть представлено как: : 3,413 ∙ 34 D ∙ 6 0,05 ,// 0,3696 D P 34 D 6 0,05 ,// (10) где T u – интенсивность турбулентности, выра- женная в процентах (0 % – ламинарный поток; 100 % означает, что среднеквадратическое от- клонение скорости воздушного потока за опре- деленный период имеет такой же порядок вели- чины, что и средняя скорость движения воз- духа); v a – скорость движения воздуха (м/с); T a – температура воздуха (°C). Уравнение было выведено в ходе исследова- ний, при которых 100 человек подвергались воздействию различных комбинаций темпера- туры воздуха, скорости потока воздуха с различ- ной интенсивностью турбулентности. Для каж- дой комбинации условий людей опрашивали, чувствуют ли они сквозняк. Таким образом, PD представляет собой процент людей, проголосо- вавших за то, что они чувствовали сквозняк, а значит, не удовлетворены микроклиматиче- скими условиями. Модель PS Модель основана на выборе комфортного уровня скорости движения воздуха. Уравнение модели прогнозирует скорость движения воз- духа, которая будет выбрана человеком при определенной температуре воздуха. Урав- нение может представлено как: N 1,13QD FG 0,24D FG 2,7Q6 0,996 , (11) где T op – оперативная температура (°C); v a – ско- рость движения воздуха (м/с). Уравнение было получено при исследовании, в котором принимало участие 50 человек. PS – процент людей, выбравших конкретную ско- рость движения воздуха при известной темпе- ратуре Модель TS Уравнение модели представляет собой про- гнозирование теплового ощущения с использо- ванием линейной функции температуры воз- духа и парциального давления паров [11]. Урав- нение записывается как: DN 0,24D 0,248 6,475, (12) где T a – температура воздуха (°C); p – парциаль- ное давление паров (кПа). Уравнение было получено в ходе исследова- ний аналогичных моделей, описанных в преды- дущих разделах. Адаптивные модели Адаптивные модели [20] позволяют рассчи- тывать комфортные условия в помещении с уче- том изменений наружного климата. Уравнения могут быть применены как к помещениям с си- стемой управления микроклиматом, так и без нее: D R 23,9 ,/A"∙S TTU // V W XTTUYBB B=√B [ B , (13) D R 9,22 0,48 ∙ D 0,14 ∙ D JJF , (14) где T n – нейтральная температура; T a – темпера- тура воздуха; T mmo – среднемесячная темпера- тура наружного воздуха. RC-модель В расчетах тепловых процессов методом электротепловой аналогии нередко в качестве аналога напряжения принимают разность тем- ператур между рассматриваемыми точками теп- ловой цепи, а в качестве аналога электрического тока – тепловой поток в цепи [21]. Однако часто используют и другой вид электротепловой ана- логии, где в качестве аналога для теплового по- тока принимают производную по времени от энтропии системы SТ [11, 22]: В этом случае произведение теплового потока (реакции) и теплового напряжения (воздействия) имеет размерность мощности (Вт). Таблица 1 иллюстрирует соответствие между понятиями тепловой и электрической RC-моделей. Таблица 1 Сопоставление понятий тепловой и электрической RC-моделей Тепловая модель Электрическая модель Температура \ S D (K) Напряжение U (В) Изменение энтропии во времени - S ]^ ]_ (Вт/К) Сила тока I (А) Сопротивление L S ` X a X S ср ∙' c∙M (К 2 /Вт): T ср – средняя температура, l, s – длина и площадь поперечного сечения тепловой цепи, λ – коэффициент теплопроводности Сопротивление R (Ом) Емкость d S ^ X S ср & e ∙f S g F (Дж/К 2 ): V 0 – объем, в котором происходит теплообмен; c p - удельная теплоемкость при постоянном давлении; ρ – плотность вещества Емкость C (Кл/В) Научно-технический журнал 89 Выведенные соответствия позволяют опи- сать тепловые процессы как систему линейных дифференциальных уравнений и оценить дина- мические изменения параметров в реальном времени, используя метод энергоинформацион- ных моделей [11]. ПИД-регулирование Все модели на основе пропорционально-ин- тегрально-дифференциального регулятора (ПИД-регулятора) можно разбить на две группы. В первой группе ПИД-регулятор ис- пользуется для поддержки заданного значения температуры в помещении с достаточно высо- кой точностью. При этом ПИД-регулятор может не использовать какую-либо математическую модель термодинамических процессов в си- стеме ОВК. Во второй группе показатель PMV используется как некий регулируемый пара- метр. В первой группе ПИД-закон регулирования обеспечивает достаточно высокую точность поддержания температуры. Мощность N, кото- рая должна выделяться нагревателем, выра- женная в процентах от его максимальной мощ- ности, рассчитывается по формуле [23]: h ? i e j∆D ? i l m ∆Dn# o ] ]S ]_ ? p (15) где K p , K i , K d – пропорциональный, интегральный и дифференциальный коэффициенты регулиро- вания соответственно (ПИД-коэффициенты). Существует проблема подбора этих трех ко- эффициентов, что требует разработки эффек- тивных правил проектирования контроллера для каждого здания. Процедура настройки мо- жет занимать достаточно много времени. Кроме того, большие отклонения температуры от среднестатистических значений могут быть обработаны с ошибками. Во второй группе модуль PMV включается в контур управления [24, 25]. На рис. 2 показаны две схемы управления с использованием модуля PMV в контуре ПИД-регулирования. а) б) Рис. 2. Схемы управления на основе модуля PMV В схеме 2а вычисляется разность между теку- щим и идеальным значением PMV (идеальное значение PMV = 0); в схеме 2б вычисляется раз- ность между измеренной температурой в поме- щении и расчетной температурой комфорта в модуле PMV. Интеллектуальное управление на основе нечеткой логики Управление на основе методов теории нечет- ких множеств применяется в нелинейных систе- мах, идентификация которых слишком трудо- емка. При этом используются знания эксперта для управления такой системой. С помощью не- четкой логики можно описать уровни теплового комфорта лингвистически, без точных оценок температуры или влажности в помещении. Применение нечеткого логического управле- ния к системам вентиляции, кондиционирова- ния и отопления в зданиях эффективно, так как это нелинейные системы с динамически изме- няющимися параметрами. Системы с нечеткой логикой функциони- руют по следующему принципу: показания из- мерительных приборов фаззифицируются (пе- реводятся в нечеткий формат), обрабатыва- ются, дефаззифицируются и в виде обычных сигналов подаются на исполнительные устрой- ства (например, на частотный регулятор двига- теля компрессора кондиционера). Функции системы с нечеткой логикой направ- лены на стабилизацию значений температуры, относительной влажности, подвижности воздуха Инженерно-строительный вестник Прикаспия 90 и других параметров в помещении. На рис. 3 представлена система, в которой пользователь может задать весовой коэффициент соотноше- ния комфорт/экономика. Многокритериальная оптимизация трех номинальных значений пара- метров (Ti*nom, AER*nom, B*pos,nom) основана на нечетком алгоритме, который подробно опи- сан в [26]. Рис. 3. Схема нечеткой системы мониторинга и управления климатом в помещении T 0 , T i – внешняя и внутренняя температуры (°С); Ti* nom – оптимальная номинальная температура (°С); φ 0 , φ i – внешняя/внутренняя относительная влажность (%); СO 20 , CO 2i – внешняя/внутренняя концентрация C0 2 (мг/м 3 ); Ф 0 Ф i – внешняя/внутренняя освещенность (лк); AER* nom – оптимальная норма воздухообмена (1/час); B* pos , nom – оптимальное положение жалюзи (1/0); Pres – присутствие человека (0/1); λ – весовой коэффициент (0...1); Q heat – мощность нагрева (Вт); Q dist – внешние источники тепла (Вт); X dist - внешние источники влажности (г/кг/час); CO 2dist – внешние источники CO 2 (мг/м 3 /час) Другие системы управления с нечеткой логи- кой используют параметры PMV, определяющие для человека комфорт окружающей среды по величине индексов дискомфорта D n и изме- рению ряда параметров (температура, влаж- ность, концентрация углекислого газа, освещен- ность, скорость движения воздуха и др.). Чело- век в такой системе выступает в роли не только дополнительного теплогенератора, но и интел- лектуального датчика. Благодаря субъектив- ному восприятию состояния воздуха человек отмечает личные ощущения в виде лингвисти- ческих выражений: тепло, холодно, влажно, сухо, комфортно и т. п. Эти выражения преобра- зуются в нечеткие значения, которые ассоции- руются со значениями функций теплового ком- форта. За эталон берутся стандартные предпо- чтения людей, пользующихся такой системой. Величины D n отражают уровни различных фак- торов, от значения которых зависит комфорт человека: температура, влажность, интенсив- ность воздушных потоков, тип одежды (лет- няя/зимняя) и др. [27]. Такие системы позволяют моделировать не- линейные функции любой сложности при до- статочно высоком быстродействии и устойчи- вости системы. Преимуществами нечетких систем управле- ния по сравнению с классическими моделями являются: плавное изменение температуры и относительной влажности; соблюдение допу- стимой скорости потока воздуха; поддержка нормированного газового состава в помещении; подбор оптимального режима работы при за- данных условиях кондиционирования; эконо- мия электроэнергии до 20 %; малое количество используемых датчиков; быстрый выход си- стемы на заданные параметры. К недостаткам нечетких систем можно отне- сти экспоненциальное возрастание сложности вычислений при увеличении количества вход- ных переменных и, как следствие, увеличение количества правил в базе, что существенно усложняет понимание работы системы. Интеллектуальное управление на основе искусственной нейронной сети Для обеспечения более высокого уровня ав- томатизации управления в ОВК часто использу- ется управление на основе нейронных сетей. Нейронные сети работают как модель «черного ящика», не требуя никаких предварительных знаний о здании или климатической подси- стеме. Простейшая модель двухслойного нейросетевого контроллера с двумя входами Научно-технический журнал 91 и одним выходом показана на рис. 4. Здесь ∆q – разность между опорным сигналом PMV и изме- ренным сигналом PMV (сигнал обратной связи), ∆qr – производная этой разности по времени, а s – управляющий сигнал в зону кондициони- рования. Входные сигналы ∆q и ∆qr умножаются на ве- совые коэффициенты (синаптические веса) w 11 и w 12 и суммируются в результирующий сигнал, смещенный на величину w 0 Система уравнений, описывающая процессы в нейронной сети [4]: 6 H ?? ∆q H ?/ ∆qr H t (16) s %6 ? ?>VuG v B (17) ∆H wx y zC zH wx y ∙ zC zPMV ∙ zPMV zs ∙ zs zH wx y ∗ ∙ zC zPMV ∙ zs zH wx (18) где 6 –- вход в выходном слое нейронной сети (NN); w 11 и w 12 – синаптические веса; w 0 – синап- тический вес фиксированного входного смеще- ния b = 1; %6 – функция активации (однополяр- ная сигмоидная функция); u – выход в выходном слое; η* – параметр скорости обучения. Рис. 5. Модель нейросетевого контроллера Выходные данные сети вычисляются на ос- нове входных данных, весов сети и передаточ- ных функций. Обучение нейронной сети сво- дится к регулированию ее весовых коэффициен- тов таким образом, чтобы минимизировать функцию активации. Модели, использующие искусственные нейронные сети, обладают способностью к адаптации через процесс настройки, и они все чаще используются в инновационных системах управления тепловым комфортом в здании. Со- гласно исследованию [3], количество слоев нейронной сети колеблется от 2 до 6, а суммар- ное количество нейронов в сети – от 12 до 500. Нейросетевые модели делает возможной об- работку большого количества входных пере- менных и данных, что позволяет предсказывать потребление энергии и обеспечивает надежную работу системы. Нейро-нечеткие системы интеллектуаль- ного управления Применение методов нечеткой логики в управлении системами ОВК затруднено по следующим причинам: • увеличение входных переменных (темпе- ратура, влажность, освещенность, тепловой комфорт и др.) повышает сложность вычисле- ний экспоненциально; • как следствие, увеличивается база правил, что затрудняет ее восприятие. Для преодоления этих проблем и разработки базы оптимальных правил используют нейро- нечеткие модели, сочетающие как нечеткую ло- гику (нечеткие правила), так и искусственные нейронные сети (нейронный механизм реализа- ции этих правил). Типичные способы реализа- ции нейро-нечетких моделей для систем управ- ления приведены в [28]. Совместное использование аппарата искус- ственных нейронных сетей (ANN) и нечеткой логики (FLC) позволяет проводить идентифика- цию сложных нелинейных динамических объек- тов и синтезировать для них нелинейные за- коны управления, что дает возможность решать рассматриваемую задачу синтеза системы управления в условиях неопределенности на ос- нове имеющихся экспериментальных данных, полученных на объекте. В работе [29] рассмотрена искусственная нейронная сеть, которая выполняет прогноз внутренней температуры на основе метеоусло- вий и подает эти данные на блок нечеткой ло- гики, управляющий системой кондиционирова- ния (рис. 5). Благодаря наличию динамической обратной связи с пользователем система уста- навливает комфортную температуру в помеще- нии с учетом предпочтений человека. Инженерно-строительный вестник Прикаспия 92 Рис. 5. Архитектура системы с нейро-нечеткой логикой Мультиагентные системы управления Мультиагентная система управления – это система, образованная несколькими взаимодей- ствующими интеллектуальными агентами (контроллерами), способными получать, хра- нить, обрабатывать и передавать информацию в интересах решения как собственных, так и об- щих для группы объектов задач. Для управления микроклиматом в здании можно выделить следующие параметры: индекс PMV, уровень освещенности (лк) и концентра- ция углекислого газа CO 2 (ppm). Исполнитель- ные устройства, позволяющие регулировать микроклимат: система отопления/охлаждения, механическая вентиляция, жалюзи и электриче- ское освещение. В работе [4] для управления климатом в помещении используется несколько локальных контроллеров-агентов (FCA1…FCA3) нижнего уровня. Управление ими осуществляет контроллер более высокого уровня – интеллек- туальный координатор. Контроллер FCA1: входной сигнал – уровень освещенности, выходы – управляющие сигналы на жалюзи и электрическое освещение. Кон- троллер FCA2: входные сигналы – индекс PMV и внешняя температура, выходы – управляю- щие сигналы в систему ОВК, на жалюзи и на от- крытие/закрытие окон. Контроллер FCA3: вход- ные сигналы – концентрация CO 2 и скорость ее изменения, выход – управляющие сигналы на открытие/закрытие окон. Операции связи контроллера-агента с его окружением схематически изображены на рис. 6. Для каждого контроллера агента FCA i (i = 1–3) есть сигнал активации H w %I s#g w , w , где пе- ременная q i обозначает состояние контроллера- агента. Сигнал активации w делает контроллер- агент активным (q i = 1) или неактивным (q i = 0). Рис. 6. Блок-схема мультиагентной системы (FCA1…FCA3 – контроллеры-агенты) В определенный дискретный момент вре- мени контроллер-агент выполняет ряд коммуни- кационных задач. Во-первых, он получает вы- борку текущих измерений параметров микро- КОНТРОЛЛЕР НЕЧЕТ- КОЙ ЛОГИКИ Научно-технический журнал 93 климата в помещении и использует их для вы- числения сигнала активации ( w , который от- правляет интеллектуальному координатору. Ко- гда интеллектуальный координатор получает все сигналы активации от контроллеров, а также текущие метеоданные, индекс PMV, измеренные параметры среды, то он принимает решение и от- правляет сигналы на активацию или деактива- цию каждого агента. Если контроллер-агент по- лучает положительное подтверждение, он стано- вится (или остается) активным, в противном слу- чае он становится (или остается) неактивным. Наконец, если контроллер-агент активен, он вы- числяет управляющее воздействие и посылает его к исполнительным механизмам. Более по- дробную информацию можно найти в статье [4]. Применение генетических алгоритмов для настройки контроллеров с нечеткой логикой Генетические алгоритмы позволяют осуще- ствить многокритериальную оптимизацию множества параметров внешней и внутренней среды в помещении с учетом предпочтений пользователя быстрее, чем другие методы слу- чайного поиска. При этом обеспечивается сходи- мость и устойчивость вычислений. Генетические алгоритмы используются для поиска оптимальных параметров регулято- ров системы ОВК, для поиска оптимальных по- ложений функций принадлежности в фаззи-ре- гуляторах и для обучения нейронных сетей, а также для идентификации моделей объектов управления. Чаще всего они используются сов- местно с нейронными сетями и контроллерами с нечеткой логикой. В работе [3] приведено несколько типов ге- нетических алгоритмов и описано их примене- ние для управления системами ОВК. На рис. 7 представлен фрагмент системы управления ОВК с переменным расходом воздуха (VAV) для многоэтажного крупного здания [13], кото- рый включает в себя модуль моделирования VAV и модуль оптимизации на основе двух гене- тических алгоритмов. Инструмент сбора дан- ных принимает и обрабатывает измеренные данные через Интернет (то есть неполные, не- четкие данные). Инструмент прогнозирования нагрузки предсказывает на период оптимиза- ции с использованием онлайн измеренных дан- ных предыдущего периода. Инструмент выбора оптимальных решений используется для вы- бора решения в соответствии с двумя целевыми функциями: обеспечение теплового комфорта в помещениях f(PMV) и минимизация энергоза- трат f(E). Рис. 7. Фрагмент системы управления ОВК с переменным расходом воздуха (VAV) на основе генетических алгоритмов В каждый период оптимизации ∆# программа генетического алгоритма посылает заданные значения в модуль VAV, где вырабатываются но- вые значения целевых функций f(PMV) и f(E). Инженерно-строительный вестник Прикаспия 94 Модель VAV определяет использование энергии и показатели теплового комфорта в зависимо- сти от изменения внешних условий и парамет- ров внутри помещения (независимые перемен- ные), а также учитывает пробные значения, ге- нерируемые генетическим алгоритмом (зависи- мые переменные). Заключение Управление микроклиматом в помещении является сложной задачей, в рамках которой необходимо учитывать непрерывно изменяю- щиеся воздействующие условия. Для выполне- ния этой задачи было разработано и применя- ется множество различных методов управле- ния. Та или иная стратегия выбирается для ис- пользования в зависимости от проектируемого здания и условий его эксплуатации. Модели, от- носящиеся к так называемому «белому ящику», имеют узкую направленность, и среди них можно выделить как наиболее универсальную модель Фангера (PMV/PPD). Модели «черного ящика», основанные на ме- тодах интеллектуальных вычислений, позво- ляют достичь требуемого баланса между обес- печением приемлемого уровня комфорта и сни- жением энергопотребления. Такие модели облают рядом недостатков, к которым можно отнести: потребность в большом количестве данных и сложность настройки при увеличении их числа, длительный процесс обучения. В то же время популярными эти модели делают их пре- имущества: высокая точность, быстродействие, устойчивость к динамически изменяющимся внешним условиям, надежное прогнозирование, гибкость в управлении. Таким образом, рассмотренные модели обла- дают возможностями для поддержания тепло- вого комфорта в помещении, и для достижения этой цели наиболее эффективным является ис- пользование методов интеллектуального вы- числения. Список литературы 1. Петрова И. Ю., Зарипова В. М., Лежнина Ю. А. Проектирование информационно-измерительных и управляющих систем для интеллектуальных зданий. Направления дальнейшего развития // Вестник МГСУ. 2015. № 12. С. 147–160. 2. Метаковский М. Экономическая эффективность эксплуатации «Интеллектуальных объектов». URL: http://www.bacnet.ru/knowledge-base/articles/index.php?ELEMENT_ID=769 (дата обращения: 24.04.2016). 3. ГОСТ Р ИСО 7730-2009 7790-2009. Эргономика термальной среды. Аналитическое определение и интерпретация ком- фортности теплового режима с использованием расчета показателей PMV и PPD. 4. Dounis A. I., Caraiscos C. Advanced control systems engineering for energy and comfort management in a building environment: A review // Renewable and Sustainable Energy Reviews, 13. 2009. P. 1246–1261. URL: http://top-technologies.ru/ru/article /view?id=33884 (дата обращения: 15.05.2016). 5. Kramer R., van Schijndel J., Schellen H. Simplified thermal and hygric building models: A literature review // Frontiers of Archi- tectural Research. 2012. Vol. 1 (4). P. 318–325. 6. Perera D. W. U., Pfeiffer C. F., Skeie N.-O. Control of temperature and energy consumption in buildings – A review // International journal of Energy and Environment. 2014. Vol. 5, Issue 4. Р. 471–484. 7. Петрова И. Ю., Карпенко А. В. Модели управления микроклиматом в помещении // Фундаментальные исследования. 2016 № 7-2. С. 224–229. 8. Кувшинов Ю. Я. Теоретические основы обеспечения микроклимата помещения. М. : Изд-во Ассоциации строительных вузов, 2007. С. 26–27. 9. Низовцев М. И. Расчетно-экспериментальные исследования энергоэффективных элементов ограждающих конструкций и климатического оборудования зданий : дис. … д-ра техн. наук. Тюмень, 2009. 305 с. 10. Luikov A. V. Systems of differential equations of heat and mass transfer in capillary porous bodies // Int. J. Heat Mass Transfer. 1975. Vol. 18. Р. 1–14. 11. Табунщиков Ю. А., Бродач М. М. Математическое моделирование и оптимизация тепловой эффективности зданий. М. : АВОК-ПРЕСС, 2002. С. 174–175. 12. Устинов В. Микроклимат и качество воздуха в офисных зданиях. Сравнение норм России и ЕС // АВОК. 2015. № 3. URL: http://zvt.abok.ru/upload/pdf_articles/197.pdf (дата обращения: 24.04.2016). 13. Nassif N., Kajl S., Sabourin R. Optimization of HVAC Control System Strategy Using Two-Objective Genetic Algorithm // Interna- tional Journal of HVAC&R Research. July 2005. Vol. 11. №. 3. P. 459–486. 14. Fanger P. O. Thermal comfort: Analysis and applications in environmental engineering // Danish Technical Press. 1970. P. 244. 15. Ahmad M. W., Mourshed M., Yuce B., Rezgui Y. Computational intelligence techniques for HVAC systems: A review // BUILD SIMUL. 2016. Vol. 9. P. 359–398, DOI 10.1007/s12273-016-0285-4. 16. Collotta M., Messineo A., Nicolosi G. and Pau G. A Dynamic Fuzzy Controller to Meet Thermal Comfort by Using Neural Network Forecasted Parameters as the Input // Energies. 2014. Vol. 7. P. 4727–4756. DOI 10.3390/en7084727. 17. Давыдова Ю. А., Черунова И. В., Сирота Е. Н., Савин В. С. Подходы в математическом моделировании системы теплооб- мена с участием человека // Современные наукоемкие технологии. 2014. № 5-2. С. 22–24. 18. Rabadi N. J., Developing a Software to Predict Thermal Comfort of Humans at Work // Jordan Journal of Mechanical and Indus- trial Engineering. 2011. Vol. 5. № 4. P. 359–368. 19. Auliciems A. and Szokolay S. V. Thermal Comfort // PLEA Notes. 1997. P. 65. 20. Ferreira A. P., Mose D., Jae C. Oh Thermal Faults Modeling using a RC model with an Application to Web Farms // 19th Euromicro Conference on Real-Time system (ECRTS’07). 2007. P. 113–124. 21. Fountain M., Huizenga C. A thermal sensation prediction software tool for use by the profession // ASHRAE Transactions. 1997. Vol. 103, part 2. P. 130–136. 22. Босворт Р. Ч. Л. Процессы теплового переноса. М. : Гостехиздат, 1957. 23. Зорин С. В. ПИД-закон регулирования. Методы нахождения ПИД-коэффициентов. URL: http://www.termodat.ru/ pdf/pid.pdf (дата обращения: 12.05.2016). Научно-технический журнал 95 24. Donaisky E., Oliveira G. H. C. and Mendes N. Real-time implementation of PID-based thermal comfort control algorithms // Pro- ceedings of 19th International Congress of Mechanical Engineering (COBEM 2007), November 5–9, 2007, Brasilia, DF. URL: http://www.abcm.org.br/anais/cobem/2007/pdf/COBEM2007-2052.pdf 25. Kishore S. P., Yashwanth V., Suresh Kumar Real time thermal comfort sensing using a computer aided module // IJARECE. 2016. Vol. 5, issue 2. February. Р. 412–415. 26. Gassmann O., Meixner H. Sensors in Intelligent Buildings, Volume 2. GmbH : Wiley-VCH Verlag, 2001. DOI: 10.1002/3527600302. 27. Aparicio P. at al. Control of HVAC system comfort by sampling // Proceedings of International Conference on Industrial Engi- neering and Operations Management (ICIEOM 2012). Portugal, Guimarães, July 9–11, 2012. P. 10. 28. Андриевская Н. В., Резников А. С., Черанев А. А. Особенности применения нейро-нечетких моделей для задач синтеза систем автоматического управления // Фундаментальные исследования. 2014. № 11. С. 1445–1449. 29. Zaripova V., Petrova I. System of Conceptual Design Based on Energy-Informational Model // PROGRESS IN SYSTEMS ENGI- NEERING. Proceedings of the 23rd International Conference on Systems Engineering, August, 2014, Las Vegas, NY. 2015. Series: Ad- vances in Intelligent Systems and Computing, Vol. 1089. Р. 365–373. © А. В. Карпенко, И. Ю. Петрова Ссылка для цитирования: Карпенко А. В., Петрова И. Ю. Обзор моделей управления микроклиматом в помещении // Инженерно-строительный вестник Прикаспия : научно-технический журнал / Астраханский государственный архитектурно-строительный университет. Астрахань : ГАОУ АО ВО «АГАСУ», 2016. № 4 (18). С. 86–95. |