Wykorzystanie metod sztucznej inteligencji do zarządzania energią w budynku

• Autorzy: Walczak T.

Warianty tytułu

EN

Artificial intelligent methods for energy managment in building

• Konferencja: II Konferencja SOLINA 2008. Energia odnawialna. Innowacyjne rozwiązania. Materiały i Technologie dla Budownictwa. Solina, 28--31 maja 2008
• Języki publikacji: PL

Abstrakty

PL

Przedstawiono wstępne, bardzo zachęcające, wyniki uczenia się inteligentnego termostatu strategii wykorzystania tańszej taryfy energii elektrycznej do ogrzewania budynku za pomocą elementów grzejnych umieszczonych w jego masywnej konstrukcji. Do adaptacyjnego sterowania wykorzystano metodę sztucznej inteligencji — uczenie się ze wzmocnieniem. Przeprowadzono dynamiczną symulację rozpływu energii w budynku opartą na metodach różnic skończonych. Uzyskano 5% poprawę w stosunku do typowo wykorzystywanego sterowania czasowego.

EN

This paper deals with the issue of achieving thermal comfort in buildings with minimal energy consumption. The novel approach to optimal control of building active thermal energy storage has been presented. The proposed building control approach is based on reinforcement learning algorithm. An experimental study was carried out with real meteorological data from a station located in Warszawa-Ursus. 5% improvement of consumed energy cost in comparison to typical ON/OFF strategy has been obtain.

Słowa kluczowe

PL

budynek; zarządzanie energią; efektywność; sztuczna inteligencja

EN

building; energy management; effectiveness; artificial intelligence

• Wydawca: Oficyna Wydawnicza Politechniki Rzeszowskiej
• Czasopismo: Zeszyty Naukowe Politechniki Rzeszowskiej. Budownictwo i Inżynieria Środowiska
• Rocznik: 2008
• Tom: z. 47 [252]
• Strony: 513--520
• Opis fizyczny: Bibliogr. 9 poz., il.

Twórcy

autor

Walczak T.

• Instytut Podstawowych Problemów Techniki PAN, Zakład Problemów Eko-Budownictwa,

Bibliografia

• [1] Ben-Nakhi AE. Mahmoud MA. Energy conservation in buildings through efficient A/C control using neural networks. Applied Energy 2001; 73:5-23
• [2] K. Dalamagkidis, D. Kolokotsa, K. Kalatitzakis, G.S. Stavarakakis, Reinforcement learning for energy conservation and comfort in buildings. Building and Environment 42 (2007) 2686-2698.
• [3] Dounis AI, Manoklakis DE. Design of a fuzzy system for living space thermal-comfort regulation. Applied Energy 2001; 69(2): 119-44.
• [4] Kolokotsa D, Tsiavos D, Strvrakakis GS, Kalaitzakis K, Antonidakis E. Advanced fuzzy logic controllers design and evaluation for buildings' occupants thermal - visual comfort and indoor air quality satisfaction. Energy and Building 2001; 33:531-43
• [5] Morel N, Bauer M, El-Khoury M, Krauss J. Neurobat, a predictive and adaptive heating control system using artificial neural networks. International Journal of Solar Energy 2001; 21:161-201
• [6] Simens Liu, Gregor P. Henze, Experimental analysis of simulated reinforcement learning control for active and passive building thermal storage uwentory Part I. Theoretical foundation. Energy and Buildings 38 (2006) 142-147
• [7] Simens Liu, Gregor P. Henze, Experimental analysis of simulated reinforcement learning control for active and passive building thermal storage inventory Part II. Result and analysis. Energy and Buildings 38 (2006) 148-161
• [8] Sutton RS, Barto AG. Reinforcement learning: an introduction. Cambridge, MA: MIT Press; 1998.
• [9] JA Clarke, Energy Simulation in Building Design. Butterworth-Heinemann 2001