بخشی از مقاله
چکیده:
تحلیل رگرسیونی فن و تکنیکی آماری برای بررسی و مدل سازی ارتباط بین متغیر وابسته و متغیر مستقل بوده و هدف آن پیشبینی متغیر وابسته از روی متغیر و یا متغیرهای مستقل میباشد . رگرسیون ماهیت پیشبینی میزان متغیر وابسته از روی مدلی که متغیر مستقل یکی از مولفههای آن است را دارد.
دراین مقاله با اتکا به رگرسیون، شناسایی مدل برای چهار سیستم واقعی در حوزه حرارت و انرژی ساختمان می پردازیم و گامهایی که در نهایت به شناسایی سیستم منجر خواهد شد بازگو خواهیم نمود . قطعا با این رویکرد خواهیم توانست نتایج رگرسیون حاصل از جمع آوری اطلاعات را با نتایج حاصل از شبیه سازی توسط نرم افزارهایی شبیه ساز مقایسه کنید.
مقدمه
مصرف انرژی در ساختمان، حدود %40 از کل انرژی مصرف شده در کشور را بخود اختصاص می دهد که در مقایسه با سایر بخشها سهم قابل ملاحظه ای می باشد استفاده از شبیه سازی برای تخمین میزان مصرف انرژی به این لحاظ اهمیت دارد که میزان صرفه جویی انجام شده با اعمال پارامترهای تعیین کننده در مصرف انرژی ساختمان امکانپذیر می شود و از طرف دیگر از آنجا که در روشهای شبیه سازی تمامی فاکتورهای فیزیکی مورد نیاز تحلیل انرژی ساختمان در نظر گرفته می شود و نیاز حرارتی و برودتی ساختمان بطور دقیق محاسبه می گردد، برای گرمایش و سرمایش تجهیزات مناسبی انتخاب می شوند که ظرفیت آنها پاسخگوی نیاز حرارتی و برودتی ساختمان می باشد.
در این مقاله به بررسی شناسایی و تخمین در چهار گونه مصرف انرژی ساختمان خواهیم پرداخت .در قسمت اول با رگرسیون نیمه پارامتریک مدل شناسایی سیستم تهویه مطبوع Heating, ventilation, and - HVAC - air-conditioning و در قسمت دوم با نوع دیگری از شناسایی دمای اجزا ساختمان آشنا خواهیم شد. در قسمت سوم مدلینگ دمایی ساختمان و نواحی شان با بکارگیری مشترک شبیه سازی و شناسایی سیستم توضیح داده شده است. در قسمت چهارم پیش بینی مصرف انرژی در ساختمانهای مقیاس بزرگ بر اساس الگوریتم رگرسیون بررسی خواهد شد..
-1شناسایی مدل سیستمهای تهویه با بکارگیری رگرسیون نیمه پارامتری
سیستم های HVAC - گرمایش، تهویه مطبوع - مقدار زیادی انرژی مصرف می کنند و بنابراین حوزه قابل توجهی برای بهبود بهره وری می باشند از دو بستر آزمایشی در دانشگاه برکلی برای مدلسازی و کنترل بازده سیستمهای کنترل استفاده می کنیم. در آزمایش اولی یک اتاق تکی در نظر گرفته می شود پس از آن ما رگرسیون نیمه پارامتریک را برای شناسایی یک مدل آزمایشی برای ساختمان وسیع بکار می بریم.قسمت اصلی این کار استفاده از رگرسیون نیمه پارامتری برای تخمین بارگرمایشی از اشغال افراد و تجهیزات و نیز گرمایش خورشید با بکارگیری دمای صرف می باشد.
ما قادر به کاهش مصرف انرژی در بستر تست تک اتاق و نیز تخمین بار حرارتی با بکارگیری تکنیک پیش بینی مدل - learning-based model predictive control - LBMC خواهیم بود. علاوه بر این، چارچوب مدل محدود به رفتار غیرخطی HVAC نیست زیرا ما قادریم این روش را برای خلق مدلهای سیستم ترکیبی که چنین رفتار غیرخطی دارند وارد کنیم. امتیاز این روش آن است که ما نیازی به مدل کردن صریح اثر بار گرمایی نداریم، بلکه آن اثرات یک نمایش غیرپارامتری دارند، درمقابل اثرات فیزیکی شامل بخش پارامتری از مدل می باشد. ما می توانیم بارحرارتی را تنها از اندازه گیری های دمایی تخمین بزنیم که در حالت عادی از ترموستات قابل دسترس هستند
شکل -1دوبستر آزمایش در دانشگاه برکلی
همان طور که در شکل 1 نشان داده شده است این اتاق 640 فوت مربع است و شامل 16 ایستگاه کامپیوتری و نیز دو پرینتر لیزری می باشد اشغال اتاق در زمان حضور حداکثر 20 نفر به طور قابل توجهی متفاوت است. مورد دوم سالن ساختمان به مساحت 141000 فوت مربع می باشد که شامل فضای اداری و اتاق های کلاسی مجاور است.مسئله برآورد دمای این دو بستر برای استقرار بهترین سیستم تهویه است. در این قسمت از روش LS جهت شناسایی سیستم استفاده شده است:
فرض کنید N+1 اندازه گیری دما وجود دارد که در آن n = 0'1'…..1 شاخص های زمانی و P تعداد نقاط مختلف در ساختمان که دمایش اندازه گیری می شود بعلاوه فرض می شود که N+1 اندازه گیری آب و هوا w[n] اساسا موجود باشد.برای سیستم که m تعداد ورودیهای دمای i-th می باشد . - که در آن m تعداد ورودیهای برای درجه حرارت iام است - . بدون از دست دادن کلیت مدل دینامیکی دما i-th بوسیله مدل خطی ذیل داده می شود
qi[n] یک تابع ناشناخته بارگرمایی، تجهیز و تابش آفتاب می باشد و فرض می شود تابع توزیع به طور مستقل با میانگین صفر و واریانس ثابت که آن همچنین شرایطی مستقل از Ti, ui , wو n می باشد.فرم رابطه از قانون سردکنندگی نیوتون الهام گرفته است .
شناسایی ضرایب : ما بوسیله کشف شهودی چگونگی سهم این ضرایب را از مدل خطی محاسبه می کنیم. ابتدا میانگین مشروط را تعریف می کنیم
این مهم است که که رابطه بالا دارای هیچ جمله نمی باشد و بنابراین ضرایب می توانند از روش ordinary least - OLS - squares بدست آید.
برای شناسایی و کنترل مدل نمونه را با پریود نمونه برداری Ts = 15 دقیقه و ورودی استفاده می کنیم.رگرسیون نیمه پارامتریک مدل زیر را شناسایی می کند
