Model neuronowy predykcji temperatury wewnętrznej w lokalach mieszkalnych budynku wielorodzinnego

• Autorzy: Bylicki Jan , Kajewska-Szkudlarek Joanna , Stańczyk Justyna , Łomotowski Janusz , Licznar Paweł

Identyfikatory

DOI

10.36119/15.2019.9.4

Warianty tytułu

EN

Neural model for internal temperature prediction in the multi-family building premi

• Języki publikacji: PL

Abstrakty

PL

Stosowane obecnie w ciepłownictwie Inteligentne Systemy Grzewcze, których obsługa odbywa się za pomocą platform SCADA (ang. Supervisory Control and Data Acquisition), są źródłem wielkiej ilości danych pomiarowych. Bardzo często informacje w nich zawarte są tracone, ponieważ ich analiza stwarza problemy natury metodologicznej. W niniejszym artykule przedstawiono wyniki badań nad wykorzystaniem jednej z metod eksploracji danych (ang. Data Mining) do predykcji temperatury powietrza w 31 lokalach mieszkalnych budynku wielorodzinnego. W tym celu za pomocą Sztucznych Sieci Neuronowych (ang. Artificial Neural Networks - ANN) analizowano szeregi czasowe temperatury wewnętrznej oraz dobowych sum temperatury wewnętrznej w trakcie jednego sezonu grzewczego (październik-maj). Jakość utworzonych neuronowych modeli predykcji oceniano na podstawie wartości współczynników korelacji liniowej oraz ilorazu odchyleń standardowych pomiędzy danymi rzeczywistymi i prognozowanymi. Wykazano, że zaproponowana metoda może być stosowana jako narzędzie wspomagające naliczanie opłat za użytkowanie sieci grzewczej w przypadku krótkotrwałych awarii systemu monitoringu.

EN

Intelligent Heating Systems, operated by SCADA (Supervisory Control and Data Acquisition) that are used today in heating systems are a source of great amount of measurement data. Very often information contained therein is lost because data analysis creates problems of a methodological nature. This paper presents the results of research on the use of data mining methods to predict air temperature in 31 premises of a multi-family building. For this purpose, the time series of indoor temperature and daily sums of indoor temperature during one heating season (October-May) were analyzed using Artificial Neural Networks (ANN). The quality of neuron prediction models was assessed on the basis of values of linear correlation coefficients and the quotient of standard deviations between actual and predicted data. It has been shown that the proposed method can be used as a tool to support the calculation of heating fees in the case of short-term failures of the monitoring system.

Słowa kluczowe

PL

predykcja zapotrzebowania na ciepło; metody eksploracji danych; Sztuczne Sieci Neuronowe; Inteligentne Systemy Grzewcze; SCADA

EN

heat demand prediction; methods of data mining; Artificial Neural Networks; Intelligent Heating Systems; SCADA

• Wydawca: Ośrodek Informacji "Technika instalacyjna w budownictwie''
• Czasopismo: Instal
• Rocznik: 2019
• Tom: nr 9
• Strony: 31--35
• Opis fizyczny: Bibliogr. 20 poz., rys., tab., wzory

Twórcy

autor

Bylicki Jan

• Szkoła Główna Gospodarstwa Wiejskiego w Warszawie

autor

Kajewska-Szkudlarek Joanna

• Uniwersytet Przyrodniczy we Wrocławiu, Instytut Inżynierii Środowiska, pl. Grunwaldzki 24, 50-363 Wrocław

autor

Stańczyk Justyna

• Uniwersytet Przyrodniczy we Wrocławiu, Instytut Inżynierii Środowiska, pl. Grunwaldzki 24, 50-363 Wrocław

autor

Łomotowski Janusz

• Uniwersytet Przyrodniczy we Wrocławiu, Instytut Inżynierii Środowiska, pl. Grunwaldzki 24, 50-363 Wrocław

autor

Licznar Paweł

• Politechnika Wrocławska, Katedra Wodociągów i Kanalizacji, pl. Grunwaldzki 9, 50-377 Wrocław

Bibliografia

• [1] Ahn J., Cho S. Chung D. H. Analysis of energy and control efficiencies of fuzzy logic and artificial neural networks technologies in the heating energy supply system responding to the changes of user demands. Applied Energy 190, 2017, p. 222-231. DOI: 10.1016/j.apenergy.2016.12.155.
• [2] Aleksiejuk P: Model prognostyczny zapotrzebowania na ciepło z wykorzystaniem struktur sztucznych sieci neuronowych. Instal, 2, 2016, s. 13-15.
• [3] Alibabei N., Fung A. S., Raahemifar K., Moghimi A. Effects of intelligent strategy planning models on residential HVAC system energy demand and cost during the healing and cooling seasons. Applied Energy 185, 2017, p. 29-43. DOI: 10.1016/j.apenergy.2016.10.062 0306-2619.
• [4] Al-Shammari E. I., Keivani K., Shamshirband S., Mostafaeipour A., Yee P. L., Pełkovic D., Ch. S. Prediction of heal load in district heating systems by Support Vector Machine with Firefly searching algorithm. Energy 95, 2016, p. 266-273. DOI: 10.1016/j.energy.2015.11.079.
• [5] Balas P., Falba Ł. Inteligentna Sieć Ciepłownicza w Warszawie - charakterystyka projektu modernizacji Warszawskiej Sieci Ciepłowniczej. Instal 1, 2016, p. 5-10.
• [6] Chou J.-S., Bui D.-K. Modeling cooling and heating loads by artificial intelligence for energy-efficient building design. Energy and Buildings 82, 2014, p. 437-446. DOI: 10.1016/j.enbuild.2014.07.036.
• [7] Figueiredo J., Sa da Costa J. A SCADA system for energy management in intelligent buildings. Energy and Buildings 49, 2012, p. 85-98. DOI: 10.1016/j.enbuild.2012.01.041.
• [8] Lilis G., Conus G., Asadi N., Kayal M. Towards the next generation of intelligent building: An assessment study of current automation and future loT based system with a proposal (or transitional design. Sustainable Cities and Society 28, 2017, p. 473-481. DOI: 10.1016/j.scs.2016.08.019.
• [9] Mba L., Meukam P., Kemajou A. Application of artificial neural network for prediction hourly indoor air temperature and relative humidity in modem building in humid region. Energy and Buildings 121, 2016, p. 32-42. DOI: 10.1016/j.enbuild.2016.03.046.
• [10] Medved S., Babnik M., Vidrih B., Arkar C. Parametric study on the advantages of weather-predicted control algorithm of free cooling ventilation system. Energy 73, 2014, p. 80-87. DOI: 10.1016/j.energy.201405.080 0360-5442.
• [11] Mielnicki J. S. Centralne ogrzewanie. Regulacja i eksploatacja. Arkady Warszawa, 1984, pp. 697.
• [12] Nielsen H. A., Madsen H., Modeling the heat consumption in district heating systems using a grey-box approach. Energy and Buildings 38, 2006, p. 63-71. DOI: 10.1016/j.enbuid.2005.05.002.
• [13] Pena M., Biscarri F., Guererro J. I., Monedero I., Leon C. Rule-based system to detect energy efficiency anomalies in smart buildings, a data mining approach. Expert Systems with Applications 56, 2016, p. 242-255. DOI: 10.1016/j.eswa.2016.03.002 0957-4174.
• [14] Petkovic D., Protic M., Shamshirband S., Akib S., Raos M., Markovic D. Evaluation of the most influential parameters of heat load in district heating systems. Energy and buildings 104, 2015, p. 264-274. DOI: 10.1016/j.enbuid.2015.06.074 0378-7788.
• [15] Popescu D., Ungureanu E., Hernandez-Guerrero A. Simulation models for the analysis of space heat consumption of buildings. Energy 34, 2009, p. 1447-1453. DOI: 10.1016/j.energy.2009.05.035.
• [16] Profic M., Shamshirband S., Petkovic D., Abbasi A., Kiah M. L. M., Unar J. A., Zivkovic L., Raos M. Forecasting of consumers heat load in district heating systems using the support vector machine with a discreet wavelet transform algorithm. Energy 86, 2016, p. 343-351. DOI: 10.1016/j.energy.2015.04.109.
• [17] Sajjadi S., Shamshirband S., Alizamir M., Yee P. L., Mansor Z., Manaf A. A., Altameem T. A., Mostafaeipour A. Extreme learning machine for prediction of heat lead in district heating systems. Energy and Buildings 122, 2016, p. 222-227. DOI: 10.1016/j.enbuild.2016.04.021.
• [18] Shamshirband S., Petkovic D., Enayatifar R., Abdullah A. H., Markovic D., Lee M., Ahmad R. Heat load prediction in district heating systems with adaptive neuro-fuzzy method. Renewable and Sustainable Energy Reviews 48, 2015, p. 760-767. DOI: 10.1016/j.rser.2015.04.020.
• [19] Sholahudin S., Han H. Simplified dynamic neural network model to predict heating load of a building using Tagudii method. Energy 115. 2016, p. 1672-1678. DOI: 10.1016/j.energy.2016.03.057.
• [20] Zheng Z., Wang L., HienWong N. Intelligent Control System Integration and Optimization for Zero Energy Buildings to Mitigate Urban Heat Island. Procedia Engineering 169, 2016, p. 100-107. DOI: 10.1016/j.proeng.2016.10.012.

Uwagi

PL

Opracowanie rekordu w ramach umowy 509/P-DUN/2018 ze środków MNiSW przeznaczonych na działalność upowszechniającą naukę (2019).