Akıllı Bina Otomasyon Sistemleri için Multi-objective Optimizasyonu

Akıllı Bina Otomasyonu

Akıllı bina otomasyon sistemleri, yolcuları entegre eden, dinamikleri ve bulut tabanlı analitikleri birleştiren basit programlanabilir mantık kontrolörlerinden gelişti.Bu sistemler aydınlatma, HVAC, güvenlik ve diğer alt sistemler arasında gerçek zamanlı olarak, operasyonel verimliliği geliştirmek, çünkü araziler için rahat bir ortam sağlamak için, net-zero enerji binaları ile sürücüyü, katı sürdürülebilirlik düzenlemeleri ile çiftleştirmiş, gelişmiş kontrol stratejilerinin hızlandırılmasına olanak sağlayan gelişmiştir.

Herhangi bir akıllı bina temeli, bu zenginlikleri anlamak, bir meydan okuma yapmak ve en iyi kontrol için kullanmak. Geleneksel yönetimsel veya PID kontrolörleri ile karşı karşıya kaldığı zaman, alt sistemler arasındaki geniş veri akışları ortaya koyar. Multi-objective optimizasyon, bu karmaşıklıkları gezinmek için sistematik bir çerçeve sağlar, bu verileri en uygun şekilde değiştirmeye nasıl teşvik eder: İlişkili veya PID kontrolörleri karşı karşıya kaldığı sürece, çatışma hedeflerine saygı duymayan çözümler sunar.

Multi-objective Optimizasyonun Temelleri

Multi-objective optimizasyon (MOO) iki veya daha objektif işlevleri olan sorunlarla aynı anda en aza indirmek veya en üst düzeye çıkarmak için uğraşır. Akıllı binalar bağlamında, tipik hedefler minimiz enerji tüketimi, en uygun ısıtımı içerir (örneğin, PMV veya PPD indeksleri ile sigortalanır), MOO, Pareto ön çözümü olarak bilinen bir işlem çözümü üretir.

Matematiksel olarak, çok-objective problem en aza (veya en üst) \ldotlar (\matbf{x}) = [f 1(\matbf{x}), f 2(\matbf{x}), \ldotlar, f k(\matbf{x}) Bu karar vektörü kısıtlamak için en iyi şekilde kullanır.

Pareto Optimality Açıklama

Pareto optimalliği kavramı, ekonomist Vilfredo Pareto'nun ardından adlandırılan, MOO'ya merkezidir. Bir çözüm, en azından bir amacı olmayan başka bir çözüm mevcut değilse, bu tür çözümlerin seti Pareto cephesini oluşturmak için, bu, herhangi bir enerji tüketimi seviyesini anlaması anlamına gelir, sistem en iyi şekilde rahatlatan veya en az bir rahatsızlık elde eden kontrol stratejiyi bulabilir.

Çok-objective Problemleri Çözme Yöntemleri

MOO yöntemlerinin üç geniş kategorisi vardır: önceki yöntemler, optimizasyondan önce tercihler belirlenir (örneğin, ağırlıklandırılmış); bir posterior yöntemleri, tüm Pareto cephesini oluşturan ve karar verenin daha sonra seçmesine izin verir (örneğin, NSGA-II, MOPSO); ve interaktif yöntemler, özellikle de büyük ölçekli bina uygulamaları dahil olmak üzere, bu tür bir bilgisayar optimizasyonunda, bu tür bir uygulamadaki kapsamlı bir görünüme sahip olur.

Multi-objective Optimizasyon Teknikleri Son Gelişmeler

Son on yıl MOO için algoritmak geliştirmede önemli ilerlemeye tanık oldu, karmaşık mühendislik sistemlerinin ihtiyaçları ve daha güçlü bilişim kaynaklarının kullanılabilirliği. Akıllı bina otomasyonunda, üç büyük akış öne çıkıyor: evrimsel algoritmaları, makine öğrenme entegrasyonu ve hibrid yaklaşımlar her ikisini bir araya getiriyor.

Evrimsel Algoritmalar

Evrimsel algoritmaları (EAs) biyolojik evrim tarafından ilham edilen nüfus temelli metaheuristiklerdir. Onlar bu şekilde seçim, geçiş ve bir dizi aday çözümü geliştirmek için mutasyonlar. MOObjective Parçacık Swarm Optimizasyonu (MOPSO) için gelişmiştir.

Genetik Algoritmalar Bina Kontrolleri için

Genetik algoritmaları (GAs) özellikle doğrusal olmayan, çok yönlü ve ayrı değişkenleri ele alma yeteneği nedeniyle bina optimizasyonu için etkilidir. Örneğin, bir GA aynı anda ayarlı sıcaklıkları optimize edebilir, damper pozisyonları ve aydınlatma programları ile çalışır.A study byuring:0),Jahangiri ve Allinson (2020) , modern sıcaklıkların ve hızların gerektirdiği gibi, modern bir sıcaklıkların faydalarını azaltımı sağlarken, modern bir aradaki hıza izin verilen bir çözüm yolları da dahil etmek için gerekli olan binlerce olası kontrol stratejisini araştırır.

Parçacık Swarm Optimizasyonu

Parçacık optimizasyonu (PSO) kuşların akın veya balık okullaşmalarının sosyal davranışını taklit eder. Her parçacığı, kendi en iyi bilinen çözümüne dayanan konumunu ayarlar ve en iyi bilinen çözüm için uygun şekilde, çok-objective (MOPSO), bir arşiv mağazaları objektif olmayan tahminlere göre ayarlar.

Makine Öğrenme Yaklaşımları

Makine öğrenimi (ML) MOO'yu iki birincil şekilde geliştirir: Gerçek zamanlı optimizasyon modelleri inşa ederek, milisaniyeler veya konfor profillerini öğrenmek için.Garogate modelleri, Gaussian süreçleri veya sinir ağları gibi, hesaplamalı olarak pahalı fizik tabanlı simülasyonlar yerine, gerçek zamanlı bir optimizasyon mümkün hale getirebilir. Örneğin, derin bir sinir ağı, milisaniyeler içinde herhangi bir kontrol eyleminin enerji ve konfor etkisini tahmin edebilir.

Dahası, ML, deri sıcaklığından bireysel yurtsever konforunu, kalp hızından veya hatta yüz ifadeden, kişiselleştirilmiş kontrol sağlar. Bu tür modeller içeren çok sayıda kontrol, ticaretten ayrılan bir bölgedeki özel yolcuların rahatlığına karşı enerji tasarruflarını sürekli olarak dengeleyebilir.Son bir projede, Ulusal Yenilenebilir Enerji Laboratuvarı (NREL)))[Melekler, araştırmacılar MOO ile ticaret-öğrenme kararlarını sürekli olarak geliştirmek için bir araya geldiler.

Hybrid Yöntemler

Hibrit yöntemler EAs, ML ve matematiksel programlamanın güçlü yönlerini birleştirir. Örneğin, bir popülasyonun çeşitliliğine dayanan bir MOO algoritmasına sahip olmak için bir başka yaklaşım, bu tür karmaların değerlendirmede daha üstün performans gösterdiği ve bina otomasyonunda daha fazla uygulanabileceği anlamına gelir.A example is a sinir ağı in a MOO algoritması içinde bir mikro ağ, nüfusun çeşitliliğine göre % 60 oranında azaltılabilir.

Akıllı Bina Sistemlerinde Uygulamalar ve Faydaları

Akıllı binalardaki çoklu-objective optimizasyonun pratik uygulamaları birkaç alanda somut faydalar sağlar. Aşağıdaki bölümler en etkili uygulamaları vurgulamaktadır.

Enerji Yönetimi ve Peak Load Azalt

Enerji tüketimi en acil uygulamadır. Problemi çok fazla oyuncaklı bir ticaretle finanse etmek, kontrolcüleri, elektrik faturalarını tipik ticari binalarda %20-30 azaltarak, talep yanıt sinyalleri, zaman kullanım fiyatı ve benzeri yenilenebilir bir nesilde yapılan bir testte azaltılabilir.Örneğin, MOO'nun kullandığı akıllı bina kontrol cihazı, düşük maliyetli gece elektrik faturalarını kullanarak binayı% 20-30 oranında azaltır.

Occupant Comfort ve Verimlilik

Occupant rahatlık tek bir ölçüm değildir; Güneşli bir öğleden sonra, kör pozisyonları ve dkkkküm ışıklarını ayarlaması için sisteme izin verir.Çok-objective optimizasyon, sistemin aynı anda bu konuya olumlu bir getiri gösterebilir. Örneğin, optimize edici bir şekilde, en iyi sıcaklık ayarlandığında 1°C'yi azaltabilir, böylece verimli ekonomik değerde küçük iyileştirmeler de dahil edilebilir.

Güvenlik ve Güvenlik Ticareti

Güvenlik sistemleri, erişim kontrolü ve gözetimi gibi, enerji tüketimi, yanıt süresi ve yanlış alarm oranları dengelemelidir. Akıllı bir binada, aynı optimizasyon çerçevesi güvenlik hedeflerini içerecek şekilde uzatılabilir. Örneğin, saatlerden sonra, kameralar enerji tasarrufu için daha düşük bir karara geçebilir, ancak yine de algılama doğruluğunu koruyabilir. Optimizers, enerji tasarrufu elde edebilir.

Uygulama Challenges and Solutions

Sözcülüğe rağmen, MOO'yu gerçek bina otomasyon sistemlerinde dağıtma birkaç engeli vardır. İlk, hesaplamalı bir üst düzey: Her birkaç dakika içinde çok sayıda değişkenle ilgili bir çok basitleştirilmiş, her ikisine de gerçek zamanlı kontrol için çok yavaş olabilir.Gelişme yardımları, asimli modeller, doğrulayıcı olmayan yöntemlerin kullanılması gibi, özellikle de pratik olmayan bir şekilde, doğrulayıcıları açıklayarak, doğrulayıcıları açık bir şekilde geliştirmeyi gerektirir.

Future Yol Tarifi

Akıllı binalar için çok-objective optimizasyon alanı hızla ilerliyor. Üç trend özellikle dikkat çekicidir. İlk olarak, akıllı ikizlerin şirketleştirilmesi, aynaların gerçek zamanlı statüsüyle ilgili olarak, kişisel konfor modellerini sürekli olarak öğrenmelerine izin verir. Bu kişiselleştirme, bir set tabanlı yaklaşımdan insan-in-the-loop'ya bir yaklaşımdan gelene kadar optimizasyonu mümkün kılar.

Sürdürülebilirlik düzenlemeleri sıkı bir şekilde, bina kodları, yeni inşaatlar için çok-objective optimizasyonunu görevleyebilir. Zaten, Avrupa Birliği'nin Enerji Verimliliği Bina Yönergesi (EPBD) bir binayı optimize etme yeteneğinin kabul edilmesini teşvik eder. Gelecekte MOO, Siemens, Johnson Controls ve Schneider Electric gibi şirketlerden standart bir bina yönetimi yazılımın bir bileşeni haline gelebilir.

Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç

Multi-objective optimizasyondaki ilerlemeler akıllı bina otomasyon sistemlerini yeniden şekillendiriyor.Tek-objective kontrolünün ötesine geçerek, bina yöneticileri enerji verimliliğini geliştiren, yolcu konforunu ve operasyonel maliyeti aynı anda güçlendiriyor. evrimsel algoritmaların gelişimi, makine öğrenimi sorgular ve hibrit teknikler, büyük ticari binalar için bile gerçek zamanlı optimizasyon sorunları devam ettirecek.