بخشی از مقاله
چکیده
سیستم مدیریت انرژی هوشمند ساختمان - BIEMS - در بخش زیر سیستم تهویه مطبوع، باید موجب صرفهجویی انرژی شده و همزمان کیفیت هوا و آسایش دمایی را نیز حفظ نماید. از اینرو طراحی چنین سیستمی، به ویژه برای ساختمانهای وسیع با موتورخانههای بزرگ و تجهیزات متعدد، یک مساله چند هدفه و پیچیده است و روشهای مرسوم و متمرکز نمیتوانند بخوبی پاسخگو باشند. بنابراین استفاده از رویکرد کنترلی توزیع شده برای مدیریت ساختمانهای بزرگ مناسب است تا بتوان به این اهداف متقابل دست یافت. در اینجا ما یک BEMS چند عامله همکار پیشنهاد مینماییم که در آن هریک از عاملها کنترل یکی از اجزای موتورخانه سرمایشی را برعهده دارد. به دلیل عدم دسترسی به حسگر سخت افزاری، حسگرهای نرم را پیشنهاد داده و برای پیادهسازی آنها از شبکههای عصبی RBF بهره بردهایم. جهت ارزیابی روش پیشنهادی نیز، یک BEMS با روش متداول مبتنی بر استراتژی متمرکز پیاده سازی شده است و هر دو روش با الگوریتم های کنترلی و شرایط اولیه یکسان مورد آزمایش قرار گرفتهاند. طرح پیشنهادی در مقایسه با روش متمرکز، علاوه بر اینکه دارای امتیاز توسعهپذیری و استقلال در تصمیمگیری است، حدود %60 در مصرف پردازشگر و %12 در مصرف حافظه اصلی بهرهوری ایجاد میکند.
کلید واژه- سیستم مدیریت انرژی ساختمان، سیستم چند عامله، شبکه هوشمند برق، حسگر نرم، شبکه عصبی RBF
.1 مقدمه
هم اکنون بازار 1BEMS، شاهد سریعترین رشد و امیدبخش-ترین امواج نوآوری در صنعت ساخت و ساز است . عواملی مانند افزایش دانش و گسترش کنترل دیجیتالی در صنعت ساختمان، تمرکز بر بهرهوری انرژی در میان شرکتها و دولت-ها و ظهور مدیریت دادهها مبتنی بر ابر2 و دادههای عظیم3 از دلایل پشت پرده توسعه انفجاری بازار BEMS هستند .[1] با توجه به تجزیه و تحلیل بازار جهانی پیش بینی میشود که بازار سیستمهای مدیریت انرژی هوشمند و یا خودکار، در سال 2020 چهار برابر اندازه فعلی خواهد بود و بیش از یک بیلیون دلار ارزش خواهد داشت. باید توجه داشت که هسته بازار BEMS، نرمافزار است و در بر گیرنده 52 درصد درآمد حاصله است. حفظ تمایز و موفقیت در بازار BEMS مستلزم سرمایه-گذاری و بهرهبرداری از فنآوریهای نوین و دانش روز، هم در استراتژیهای طراحی و هم در پیادهسازی و روش اجرا است .[3] [2]
سیستمهای مدیریت انرژی ساختمان سنتی که تاکنون متداول بودهاند، فاقد ورودیهای بلادرنگ و عوامل دینامیک مثل رفتار، تصمیمات و اولویتهای ساکنین ساختمان و ویژگیهای متغیر محیطی هستند. حتی با افزودن این اطلاعات به آنها ، این سیستمها هنوز نقص کمبود استنتاج هوشمند جهت رسیدگی به ورودیهای متعدد، توزیع شده و دینامیک را دارند .[4] BEMS های جدید باید مجهز به کنترلرها و مولفههای هوشمندی باشند که بتوانند حسگرهای و عملگرهای متعدد و توزیع شده در بخشهای مختلف ساختمان را بهم متصل نموده و آنها را تحت نظارت و سلطه خود در آورند و از استراتژیهای مدیریت آسایش و انرژی انعطافپذیر و دارای قابلیت انطباق مناسب با ورودیها و عوامل پویای مختلف، استفاده کنند. این سیستمها همچنین تا جای ممکن باید خودکار بوده تا بتوانند در مواقع لازم بطور مستقل تصمیم بگیرند و واکنش مقتضی را ارائه کنند.
در این راستا، موسسات و گروههای تحقیقاتی جهت توسعه برنامههای ساختمان انرژی-کارآمد، اکثر سیستمهای کنترل فازی پیچیده، دستگاهها و شبکههای حسگر بیسیم و همچنین مفاهیم سیستم هوشمند و هوش محیطی را برای بکارگیری در ساختمانهای هوشمند مورد ارزیابی و بررسی قرار دادند. با توجه به اینکه گرمایش، سرمایش و تهویه هوا منبع اصلی مصرف انرژی در ساختمانها هستند و در برخی از کشورها حدود % 50 مصرف انرژی ساختمان را تشکیل میدهند، محققان شروع به طراحی سیستمها و کنترلکنندههای هوشمندی نمودهاند که توان مصرفی بخش سیستم تهویه مطبوع 4 - HVAC - را به نحو کارآمدی مدیریت کند و استفاده از حسگرها و ترموستاتهای هوشمند را در سیستم گرمایش و تهویه هوا آزمایش کردهاند. اهداف زیر سیستم مدیریت انرژی HVAC عبارتند از: سطح راحتی بالا، صرفه جویی در انرژی وکنترل کیفیت هوا. این سه هدف در بسیاری از شرایط در تقابل با یکدیگرند. بنابراین مساله کنترل بهینه HVAC، خود به تنهایی یک مساله بهینهسازی چند هدفه و چند متغیره است. به ویژه برای ساختمانهای بزرگی مثل ادارات و ساختمانهای تجاری که شامل موتورخانههای عظیم و تجهیزات متعدد هستند، این مساله بغرنجتر و پیچیدهتر است .[6] [5] از این رو برای دستیابی به اهداف مذکور در اینگونه محیطها، باید رویکرد توزیعشده و هوشمند برای طراحی 5BIEMS در نظر داشت تا هم بتوانیم اطلاعات پراکنده و مختلف حسگرها و عملگرهای متعدد را کنترل نماییم و هم بتوانیم همزمان به چالشهای مرتبط به این اهداف متضاد رسیدگی کنیم .[9] [8] [7]
بطور کلی رویکردهای کنترل انرژی ساختمانها، به سه دسته
تقسیم میشوند: الف - روشهای کلاسیک ب - تکنیکهای هوش محاسباتی ج - سیستمهای کنترلی هوشمند مبتنی بر عامل .[8] روش ابتدایی برای کاهش اتلاف انرژی، بکارگیری ترموستات با کنترل فیدبک دما و کنترلکننده 1PID است که اگر چه این کنترلر وضعیت را بهبود میدهد، ولی ممکن است منجر به ناپایداری سیستم شود. [10] بنابراین، طراحان به تکنیکهای کنترل تطبیقی و پیشگویانه متوسل شدند که توانایی خود تنظیمی و انطباق با شرایط آب و هوایی در ساختمانهای گوناگون را دارند .[11] اما این تکنیکها همیشه راهحلهای امکان پذیر و عملی نیستند زیرا به یک مدل از ساختمان نیاز دارند و به نویز نیز حساس هستند. ضمن اینکه این تکنیکها مسأله آسایش ساکنین را در نظر نمیگیرند و از روشهای یادگیری استفاده نمی کنند .[8] در سیستم های پیچیده، مدل سازی ریاضی به سختی میتواند یک سیستم واقعی در زمان واقعی را توصیف کند.
به همین دلیل، تکنیک های هوش محاسباتی مانند منطق فازی، شبکههای عصبی والگوریتمهای تکاملی برای حل مشکلاتی که از مدیریت چنین سیستمهایی ناشی میشوند، بکار برده میشوند. اکنون، شبکه-های عصبی بطور گسترده برای بهبود عملیاتی و کنترل اجزای سیستم - HVAC شامل سیستمهای تراکمی، سیستمهای جذبی، سیستمهای گرمایشی/سرمایشی - و پیشبینی بار حرارتی/ سرمایشی بکار میروند. نشریات زیادی در رابطه با استفاده از تکنیک فازی در BIEMS یافت میشوند. نتایج ذکر شده آنها حاکی از آن است که کاربرد عملی کنترل فازی و عصبی برای سیستمهای HVAC، در مقایسه با سیستمهای کنترل کلاسیک، بهبود عملیاتی چشمگیری دارند .[12] برای به حداقل رساندن مصرف انرژی ساختمان، الگوریتمهای تکاملی نیز یا به تنهایی و یا جهت بهینهسازی کنترلکنندههای فازی بکار برده میشوند.[13] همکاری تکنولوژی شبکههای عصبی، منطق فازی و الگوریتم های تکاملی منجر به هوش محاسباتی 2 - CI - میشود، که در حال حاضر بکارگیری آن در ساختمان آغاز شده است .[14]
گرچه رویکردهای هوش محاسباتی کمک میکنند نیازهای کاربران در سطح متوسطی برآورده شود و بهینهسازی بین نیازهای متضاد - مثل بهرهوری انرژی و آسایش کاربران - صورت بگیرد اما کاربران مشارکت محدودی در بهره برداری از سیستم دارند و باید تا حدی متحمل عدم آسایش شوند. ضمن اینکه برخی از این روشها، به دلیل همگرایی کند و محدودیت ظرفیت برای تطبیق بلادرنگ، به تنهایی برای محیطهای ساختمانی بزرگ مناسب نیستند.
علاوه بر آن، سیستمهای کنترلی که با استفاده از تکنیکهای کلاسیک 3AI توسعه یافتهاند با اینکه خودکار هستند، اما مستقل نیستند. بنابراین تکنیکها و متدولووژیهایی که برای سیستمهای خودمختار هوشمند توسعه یافتهاند، به منظور مجهز نمودن ساختمانها به هوشمندی، بکار گرفته شدهاند [15]. هم اکنون، برخی محققین از مفهوم هوش توزیع شده استفاده میکنند و بر روی سناریوی هوش محیطی کار میکنند. هوش محیطی یک محیط دیجیتالی است که حضور کاربران را درک می کند و وابسته به رفتارشان، خود را با نیازهای آنها تطبیق میدهد. در این محیط، از عاملهای هوشمند بهم وصلشده استفاده می گردد. این عاملها از اقدامات کاربران و عملگرهای ساختمان حمایت میکنند .[16] سیستمهای مبتنی بر عامل هوشمند، به دلیل دارا بودن ویژگیهایی نظیر ساختار ماژولار، بازبودن، خود سازماندهی، شفافیت بالا، و روش کنترلی توزیع شده، بویژه برای مدیریت انرژی ساختمانهای بزرگ مناسب هستند علاوه بر اینکه بیشتر مزایای دو دسته قبل نیز در بردارند. البته عمده پژوهش-های صورت گرفته در حوزه 4MAS BMS مربوط به داخل
