miercuri , 22 august 2018
roen

Art. 04 – Vol. 24 – Nr. 1 – 2014

CONTROL MULTI-AGENT
PENTRU SISTEME TERMICE ÎN CLĂDIRI

Delia Mihaela Rădulescu
delia.mihaela2010@gmail.com

Institutul Naţional de Cercetare-Dezvoltare în Informatică – ICI Bucureşti

Rezumat: Problema utilizării eficiente a energiei şi problema conservării energiei în interiorul unei clădiri în condiţiile asigurării unui grad  de confort sunt probleme complexe care au atras atenţia cercetătorilor în ultimele decenii. În lucrare se prezintă mai multe modalităţi de rezolvare a problemei utilizării eficiente a energiei în clădiri. La început se defineşte problema optimizării consumului de energie în clădiri, subiectele fiind: energie, confort si control. În continuare se prezintă pe scurt sistemele de control convenţionale în clădiri precum şi avantajele şi dezavantajele lor. Se pune accent pe tehnicile de inteligenţă artificială (Artificial Intelligence – AI) care au fost aplicate pentru controlul atât al clădirilor convenţionale cât şi al celor bioclimatice. Se descrie modul în care dezvoltarea sistemelor inteligente de control a îmbunătăţit eficienţa sistemelor de control pentru managementul mediului interior, luând în considerare preferinţele utilizatorilor. Sistemele de control ce au încorporate agenţi software autonomi, denumiţi agenţi de control, oferă o bază pentru controlul autonom al sistemelor distribuite senzor/acţionator. Prin schimbul de informaţii şi în cazuri speciale, raţionament, agenţii de control pot folosi în colaborare resursele sistemului de control într-un mod care să abordeze la nivel global sarcinile de sistem. Se prezintă în continuare o aplicaţie care are ca obiect realizarea controlului sistemelor termice în clădiri, cu accent special pe încălzire, ventilaţie, aer condiţionat şi producerea de apă caldă menajeră. Aplicaţia utilizează un control multi-agent.

Cuvinte cheie: energie, sisteme de control, controlere inteligente, sisteme fuzzy, control multi-agent.

Introducere

Sectorul construcţiilor acoperă o optime din totalul activităţii economice în Uniunea Europeană (UE), cu mai mult de opt milioane de angajaţi. Activitatea intensă în construcţii, împreună cu nevoia de economisire a energiei şi cu politica de protecţie a mediului, conduce la necesitatea elaborării unor soluţii optimizate de proiectare pentru clădiri. In clădiri se consumă 40 % din cantitatea totală de energie din Uniunea Europeană (UE). Directiva UE lansată în anul 2010, “Performanţa energetică a clădirilor” (‘‘Energy Performance of Buildings’’ – EPBD) se referă la utilizarea eficientă a energiei în clădiri şi îndeamnă naţiunile membre ale UE să stabilească reglementări mai stricte în ceea ce priveşte utilizarea eficientă a energiei în clădiri. Implementarea directivei EU pentru clădiri (reducerea consumului de energie cu 22%) ar putea să salveze 40Mtone (echivalent cu milioane tone de petrol) până în anul 2020. Din acest motiv, unul dintre obiectivele principale ale sistemelor de control avansate, care se aplică la clădiri, este minimizarea consumului de energie.

Pentru că oamenii petrec mai mult de 80% din viaţa lor în interiorul unor clădiri, gradul de confort într-un loc de muncă determină esenţial gradul de satisfacţie şi de productivitate al ocupanţilor. Pe de altă parte, după cum se ştie, consumul de energie într-o clădire este cu atât mai mare cu cât gradul de confort al ocupanţilor este mai mare. Prin urmare consumul de energie şi condiţiile de confort sunt, de cele mai multe ori, în conflict unul cu altul. În ultimii 20 de ani, un accent deosebit a fost pus pe arhitectura bioclimatică a clădirilor. Arhitectura bioclimatica este orientată spre confort şi economie de energie, folosind sisteme de geamuri, spaţii solare, ventilaţie naturală, sisteme de răcire, etc. Arhitectura bioclimatică se concentrează pe proiectarea şi construcţia de clădiri bioclimatice care utilizează radiaţia solară şi fluxul de aer natural pentru a ventila natural şi pentru o răcire pasivă.

Calitatea vieţii în clădiri (gradul de confort) este determinată de trei factori de bază: confortul termic, confortul vizual şi calitatea aerului interior (Indoor Air Quality – IAQ). Confortul termic este determinat de indicele “Vot Mediu Predictiv” (Predictive Mean Vote – PMV) [1]. PMV se calculează prin ecuaţia lui Fanger [1], [2]. PMV estimează votul mediu de senzaţie termică pe o scară standard pentru un grup mare de persoane. Societatea Americană “American Society of Heating Refrigerating and Air Conditioning Ingineers – ASHRAE a dezvoltat indicele de confort termic prin utilizarea următoarei codificări: -3 pentru frig, -2 pentru rece, -1 pentru uşor rece, 0 pentru natural, +1 pentru puţin cald , +2 pentru cald şi +3 pentru foarte cald. PMV a fost adoptat de către standardul ISO 7730 [3]. ISO recomandă menţinerea PMV la nivel 0, cu o toleranţă de 0,5 ca cel mai bun confort termic.

Eficienţa energetică este definită prin două componente: eficienţa energetică pasivă şi eficienţa energetică activă. Eficienţa energetică pasivă se realizează prin dispozitive care au consum redus de energie, materiale izolatoare, etc.  Eficienţa energetică activă se realizează prin (a) optimizare prin automatizare şi reglaj şi (b) prin servicii de monitorizare, menţinere şi îmbunătăţire şi software de analiză.

Vizualizează articolul complet

Concluzii

În prima parte a acestui articol se realizează o trecere în revistă a modului de rezolvare a problemei utilizării eficiente a energiei în clădiri. Primele sisteme de control în clădiri studiate sunt sistemele de control convenţional: controlul cu ajutorul termostatelor, controlere de tip PID (Proportional–Integrate–Derivative) şi apoi strategii de control optimale şi predictive. Începând cu anii 1990, optimizarea consumului de energie în clădiri a fost realizată cu ajutorul tehnicilor de inteligenţă artificială. Tehnicile de inteligenţă artificială au fost aplicate pentru controlul atât al clădirilor convenţionale, cât şi al celor bioclimatice. Din cadrul acestora, tehnicile fuzzy sunt utilizate pentru confortul termic interior, confortul vizual sau calitatea aerului din interiorul unei clădiri. De observat că cerinţa pentru existenţa unui model matematic al funcţionării unei clădiri nu mai este necesară în cadrul unui astfel de model. Alte sisteme inteligente sunt sistemele hibride folosite pentru predicţie, controlul iluminatului artificial în clădiri, controlul sistemelor de încălzire hidraulice şi clădiri solare.

În partea a doua a articolului se prezintă o aplicaţie ce constă în controlul sistemelor termice în clădiri, cu accent special pe încălzire, ventilaţie, aer condiţionat şi producerea de apă caldă menajeră. Această aplicaţie utilizează un control multi-agent. Procesul este dinamic, fiecare pas începe cu primirea de informaţii actualizate de la sistemul fizic (valori actualizate ale senzorilor) şi se termină cu asignarea de valori elementelor de acţionare care controlează sistemul. În cadrul procesului se combină diferiţi algoritmi ce permit selectarea, optimizarea şi alocarea resurselor în funcţie de criterii alese.

BIBLIOGRAFIE

  1. FANGER, P.O.: Thermal Comfort: Analysis and Applications in Environmental Engineering. New York: McGraw-Hill; 1972.
  2. CHEN, K.; JIAO, Y.; LEE, E.S.: Fuzzy Adaptive Networks in Thermal Comfort. Applied Mathematics Letters 2006;19(5):420–6.
  3. ISO 7730 (International Standard). Moderate thermal environments—determination of the PMV and PPD indices and specification of the conditions for thermal comfort; 1994.
  4. WANG, S.; JIN, X.: Model-based Optimal Control of VAV Air-conditioning System Using Genetic Algorithms. Building and Environment 2000;35:471–87.
  5. KUMMERT, M.; ANDRE, P.; NICOLAS, J.: Optimal Heating Control in a Passive Solar Commercial Building. Solar Energy 2001;69(Nos. 1–6):103–16.
  6. CURTIS, P.S.; SHAVIT, G.; KREIDER, K.: Neural Networks Applied to Buildings – A Tutorial and Case Studies in Prediction and Adaptive Control. ASHRAE Transactions 1996;102(1).
  7. MOREL, N.; BAUER, M.; EL-KHOURY, KRAUSS J.: Neurobat, a Predictive and Adaptive Heating Control System Using Artificial Neural Networks. International Journal of Solar Energy 2000;21:161–201.
  8. NESLER, C.G.: Adaptive Control of Thermal Processes in Buildings. IEEE Control Systems Magazine 1986;6(4):9–13.
  9. LOPEZ, L.; SANCHEZ; HAGRAS, H. C. V.: An Evolutionary Algorithm for the Off-line Data Driven Generation of Fuzzy Controllers for Intelligent Buildings. In: Systems, Man and Cybernetics, 2004.
  10. CALVINO, F.; GENNUSCA, M. L.; RIZZO, G.; SCACCIANOCE, G.: The Control of Indoor Thermal Comfort Conditions: Introducing a Fuzzy Adaptive Controller. Energy and Buildings 2004;36:97–102.
  11. J.; SINGH, N.; SHARMA, J. K.: Fuzzy Modelling and Control of HVAC Systems – A Review. Journal of Scientific and Industrial Research 2006;65(6):470–6.
  12. ARTHUR MAC, J. W.; GRALD, E. W.: Optimal Comfort Control for Variable-Speed Heat Pumps. ASHRAE Transactions 1998;94:1283–97.
  13. FEDERSPIEL, C. C.; ASADA, H.: User-adaptable Comfort Control for HVAC Systems. Journal of Dynamic SystemsMeasurement and Control 1994;116(3):474–486.
  14. FRAISSE, G.; VIRGONE, J.; ROUX, J. J.: Thermal Comfort of a Discontinuously Occupied Building Using a Classical and a Fuzzy Logic Approach. Energy andBuildings (26), 1997, pp. 303–316.
  15. KOLOKOTSA, D.; KALAITZAKIS, K.; STAVRAKAKIS, G. S.; TSOUTSOS, T.: Applying Genetic Algorithms for the Decision Support of Thermal, Visual Comfort, Indoor Air Quality and Energy Efficiency In Buildings. Proceedings of NTUA RENES Conference in Renewable Energy Sources – Priorities in the Liberalization of the Energy Market, Athens, Greece, 2001.
  16. DOUNIS, A.I.; SANTAMOURIS, M.; LEFAS, C.C.; ARGIRIOU, A.: Design of a Fuzzy Set Environment Comfort System. Energy and Buildings 1994;22:81–87.
  17. SHEPHERD, A. B.; BATTY, W. J.: Fuzzy Control Strategies to Provide Cost and Energy Efficient High Quality Indoor Environments in Buildings with High Occupant Densities. Building Service Engineering Research and Technology 2003;24(1): 35–45.
  18. LIANG, J. D. U. R.: Thermal Comfort Control Based on Neural Network for HVAC Application. In: Control applications 2005, CCA 2005, proceedings of IEEE conference, 2005, pp. 819–24.
  19. ARDEHALI, M. M.; SABOORI, M.; TESHNELAB, M.: Numerical Simulation and Analysis of Fuzzy PID and PSD Control Methodologies as Dynamic Energy Efficiency Measures. Energy Conversion and Management 2004;45:1981–92.
  20. LAH, M. T.; BORUT, Z.; PETERNELJ, J.; KRAINER, A.: Daylight illuminance Control with Fuzzy Logic. Solar Energy 2006;80:307–21.
  21. JANG, J. S. R.; SUN, C. T.; MIZUTANI, E.: Neuro-fuzzy and Soft Computing. Prentice Hall; 1996.
  22. MOREL, N.; BAUER, M.; EL-KHOURY, K. J.: Neurobat, a Predictive and Adaptive Heating Control System Using Artificial Neural Networks. International Journal of Solar Energy 2000;21:161–201.
  23. KANARACHOS, A.; GERAMANIS, K.: Multivariable Control of Single Zone Hydronic Heating Systems with Neural Networks. Energy Conversion Management 1998;13(13):1317–36.

Creative Commons License
This work is licensed under a Creative Commons Attribution 4.0 International License.