Огляд інформаційних технологій управління енергоспоживанням систем розумного будинку
Abstract
У цій роботі проводиться огляд сучасних підходів і технологій у сфері управління системами опалення, вентиляції та кондиціювання повітря (HVAC - Heating, ventilation, and air conditioning). Огляд охоплює ключові концепції, такі як прогнозування теплового комфорту, машинне навчання системи, моделювання поведінки людей, їх вплив на розвиток галузі. Основна увага приділяється машинному навчанню системи, особливо в концепції прогнозування теплового режиму приміщень, що сприяє подальшому розвитку систем HVAC. Крім того, розглядаються майбутні перспективи та можливі виклики в реалізації цих технологій.
References
Беліков А.С., Железняков Є.О. Визначення критичних умов мікроклімату та безпеки експлуатації систем теплопостачання при аварійних відключеннях теплопостачання. Системи управління, навігації та зв'язку. 2023. № 4. DOI:10.26906/SUNZ.2023.4.147
Aibing Q., Ze Y., Qiangwei D., Jianlan L., Liangliang S., Jingsong W. Modeling of HVAC Systems for Fault Diagnosis. 2020. DOI:10.1109/ACCESS.2020.3015526
Boutahri Y., Tilioua A. Machine learning-based predictive model for thermal comfort and energy optimization in smart buildings. Results in Engineering. 2024. 22 p. 102148. DOI:10.1016/j.rineng.2024.102148.
Mistry V. Smart Thermostats: Revolutionizing HVAC Control in Building Automation. International Journal of Science and Research (IJSR). 2022. 11. DOI:10.21275/SR24203203502.
Alden R., Jones E., Poore S., Ionel D. Smart Home HVAC Digital Twin ML Meta-model for Electric Power Distribution Systems with Solar PV and CTA-2045 Controls. IEEE Transactions on Industry Applications. 2024. PP. 1-12. DOI:10.1109/TIA.2024.3458941.
Bai Y., Liu K., Wang Y. Comparative analysis of thermal preference prediction performance in different conditions using ensemble learning models based on ASHRAE Comfort Database II. Build. Environ. 2022. № 223. 109462, DOI:10.1016/j.buildenv.2022.109462.
Deng Z., Chen Q. Reinforcement learning of occupant behavior model for crossbuilding transfer learning to various HVAC control systems. Energy Build. 2021. № 238. 110860. DOI:10.1016/j.enbuild.2021.110860.
Vakiloroaya V., Samali B., Fakhar A., Pishghadam K. A review of different strategies for HVAC energy saving. Energy Convers. Manag. 2014. № 77. PP. 738–754. DOI:10.1016/j.enconman.2013.10.023.
Zhang W., Wen Y., Tseng K.J. Demystifying thermal comfort in smart buildings: an interpretable machine learning approach. IEEE Internet Things J. 2021. № 8 (10). PP. 8021–8031. DOI:10.1109/JIOT.2020.3042783.
Chaudhuri T., Soh Y.C., Hua L., Li H., Xie L. Machine learning driven personal comfort prediction by wearable sensing of pulse rate and skin temperature. Build. Environ. 2020. № 170. 106615. DOI:10.1016/j.buildenv.2019.106615.
Cosma A.C., Simha R. Machine learning method for real-time non-invasive prediction of individual thermal preference in transient conditions. Build. Environ. 2019. № 148. PP. 372–383. DOI:10.1016/j.buildenv.2018.11.017.
Nabavi A., Saluz U., Wolf M., Geyer P. HVAC System Performance Modeling Using Component-Based Machine Learning. 2024. DOI:10.26868/25222708.2023.1531.
Sharma V., Singh A. Optimizing HVAC Energy Consumption through Occupancy Detection with Machine Learning based Classifiers. 2021. DOI:10.13140/RG.2.2.19927.48808.
Faiz M., Sajid M., Sial S., Javed K., Ayaz Y. Energy modeling and predictive control of environmental quality for building energy management using machine learning. 2023. № 74. PP. 381-395. DOI:10.1016/j.esd.2023.04.017.
Ogundiran J., Asadi E., Gameiro da Silva M. A Systematic Review on the Use of AI for Energy Efficiency and Indoor Environmental Quality in Buildings. Sustainability. 2024. № 16. 3627 p. DOI:10.3390/su16093627.
