Inteligentne sterowanie ogrzewaniem podłogowym

• Autorzy: Walczak T.

Warianty tytułu

EN

Artificial intelligent approach for floor heating control

• Języki publikacji: PL

Abstrakty

PL

W pracy przedstawiono wyniki eksperymentów numerycznych związanych z aktywnym wykorzystaniem masy termicznej budynku jako magazynu energii cieplnej, pochodzącej z tańszej taryfy nocnej. Element grzejny umieszczono w masywnej podłodze a do jego sterowania wykorzystano zaawansowane techniki sztucznej inteligencji. Uzyskano kilkuprocentowe obniżenie kosztów ogrzewania w stosunku do obecnie stosowanych systemów sterowania.

EN

The results of the investigation of energy performance of massive building envelope with a heating element placed in the massive floor has been shown in the paper. The proposed control approach of floor heating system is based on the advanced artificial intelligent methods. The results show that the floor heating system has good thermal storage performance, which can be used to a night-running model to obtain energy-saving benefits efficient and economic running cost. Investigated algorithm shows a few percent potential to decrease energy cost, in comparison to typical used control systems.

Słowa kluczowe

PL

sztuczna inteligencja; inteligentne sterowanie; symulacja budynku

EN

artificial intelligence; intelligent control; building simulation

• Wydawca: Instytut Fizyki Budowli Katarzyna i Piotr Klemm S.C.
• Czasopismo: Fizyka Budowli w Teorii i Praktyce
• Rocznik: 2010
• Tom: T. 5, nr 2
• Strony: 51--54
• Opis fizyczny: Bibliogr. 9 poz.

Twórcy

autor

Walczak T.

• Polska Akademia Nauk, Zakład Problemów Eko-Budownictwa Świętokrzyska 21, 00-049 Warszawa,

Bibliografia

• [1] J. A. Clarice. Energy Simulation in Building Design. Butterworth-Heinemann 2001
• [2] K. Dalamagkidis, D. Kolokotsa, K. Kalaitzakis, G.S. Stravrakakis Reinforcement learning for energy conservation and comfort in building. Building and Environment 42 (2007) 2686-2698
• [3] J.A. Duffie, W.A. Beckman. Solar Engineering of Thermal Processes. WILEY 2006
• [4] Gawin D., Kossecka E. [red.], Typowy Rok Meteorologiczny do symulacji procesów wymiany ciepła i masy w budynkach, Wyd. Politechniki Łódzkiej, Łódź 2002
• [5] M.F. Moller: A Scaled Conjugate Gradient Algorithm for Fast Supervised Learning. Neural Networks Vol.6 1993
• [6] Simeng Liu, Gregor P. Henze Experimental analysis of simulated reinforcement learning control for active and passive building thermal storage inventory. Part I. Theoretical foundation. Energy and Buildings 38 (2006) 142-147
• [7] Simeng Liu, Gregor P. Henze Experimental analysis of simulated reinforcement learning control for active and passive building thermal storage inventory. Part 2. Results and analysis. Energy and Buildings 38 (2006) 142-147
• [8] Sutton R.S., Barto A.G. Reinforcement learning: an introduction. Cambridge, MA: MIT Press; 1998
• [9] Walczak T., Cichosz P., A Distributed Learning Control System for Elevator Groups, Lecture Notes in Computer Science 4029, 1226-1232, 2006