АДАПТАЦІЯ МОДЕЛЕЙ КЕРУВАННЯ ДЛЯ СИСТЕМ ВЕНТИЛЯЦІЇ

Автор(и)

DOI:

https://doi.org/10.32782/IT/2024-2-5

Ключові слова:

моделювання, система вентиляції, керування, білінійна модель, функція Ляпунова, функція помилки

Анотація

Оптимізація роботи автоматизованих систем вентиляції та кондиціювання з використанням інформації про поточний стан параметрів повітря в приміщенні дозволяє оперативно враховувати зміну зовнішніх умов, підвищувати енергоефективність будівлі та рівень комфорту людини. Тому розробка сучасних технологій керування такими системами, що ґрунтується на адекватних математичних моделях, є актуальною задачею. Метою дослідження є розробка моделі керування системою вентиляції, що забезпечує дотримання нормативних показників якості повітря, на основі виміряних даних про поточний стан повітря у приміщенні. Методологія дослідження полягає у використанні для опису інтегрованої моделі керування системою вентиляції дискретної динамічної моделі та теорії білінійних систем, що дозволяє врахувати залежність між станом системи та керувальним впливом. Для адаптації параметрів моделі керування застосовано два підходи: використовується умова стійкості функції Ляпунова та мінімізація функції помилки, що обчислюється як різниця між спостережуваним виходом системи та змодельованим виходом. Наводяться відповідні алгоритми адаптації параметрів моделі – метод градієнтного спуску та метод найменших квадратів. Наукова новизна полягає у порівнянні двох підходів до адаптації моделі керування системою вентиляції. Висновки. Проведені дослідження показали, що адаптація моделі через мінімізацію функції помилки між спостережуваним та змодельованим виходом системи є кращою у порівняння з використанням умови стійкості функції Ляпунова завдяки орієнтації на точність моделі, простоті реалізації, обчислювальній ефективності, гнучкості та адаптивності. Одержання інформації про реальний стан повітря с датчиків та ідентифікація параметрів моделі дозволяє зробити модель системи керування адаптивною та робастною. Адаптивне керування системою вентиляції на основі точних даних про параметри повітря дозволяє знизити енергоспоживання.

Посилання

Pipal A. S., A. Taneja. Measurements of Indoor Air Quality. Handbook of Metrology and Applications. Springer, Singapore. 2023. Pp 1–35. DOI: https://doi.org/10.1007/978-981-19-1550-5_90-1

Панкратова Н. Д., Бидюк П. І., Голинко І. М. Синтез многомерной системы управления для прецизионного комплекса искусственного микроклимата. Системні дослідження та інформаційні технології. 2020. № 1. С. 7–20. DOI: https://doi.org/10.20535/SRIT.2308-8893.2020.1.01

Yao Y., Chen J., Feng J., Wang S. Modular modeling of air-conditioning system with state-space method and graph theory. International Journal of Refrigeration. 2019 V. 99. Pр. 9–23. DOI: https://doi.org/10.1016/j.ijrefrig.2018.11.040.]

Guo Q., He Z., Wang Z. Prediction of Hourly PM2.5 and PM10 Concentrations in Chongqing City in China Based on Artificial Neural Network. Aerosol and Air Quality Research. 2023. Volume 23, issue 6. DOI: 10.4209/aaqr.220448

Gao-wa S., Zhen Z., Jianchun N., Linxiao L., Han A., Zhili Y. Using Artificial Neural Networks to Predict Indoor Particulate Matter and Tvoc Concentration in an Office Building: Energy and Built Environment. 2024. DOI: 10.1016/j.enbenv.2024.03.001.

Faqiry M. N., Wang L., Wu H., Krishnamurthy D., Palmintier B. ADP-based Home Energy Management System: A Case Study using DYNAMO. 2018 IEEE Power & Energy Society General Meeting (PESGM). USA. 2018. Рp. 1–5. DOI: 10.1109/PESGM.2018.8585796

Wang H., Chen Y., Kang J., Ding Z., Zhu H. An XGBoost-Based predictive control strategy for HVAC systems in providing day-ahead demand response. Building and Environment. 2023. Vol. 238. Pp. 110350. DOI: https://doi.org/10.1016/j.buildenv.2023.110350.

Wang Y., Velswamy K., Huang B. A Long-Short Term Memory Recurrent Neural Network Based Reinforcement Learning Controller for Office Heating Ventilation and Air Conditioning Systems. Processes. 2017. 5(3):46. DOI: https://doi.org/10.3390/pr5030046

Reyes Pérez C.A., Iglesias Martínez M.E., Guerra-Carmenate J., Michinel Álvarez H., Balvis E., Giménez Palomares F., Fernández de Córdoba P. Indoor Air Quality Analysis Using Recurrent Neural Networks: A Case Study of Environmental Variables. Mathematics. 2023. 11(24):4872. DOI: https://doi.org/10.3390/math11244872

Яценко В. О., Кочкодан О. І., Макаричев М. В., Пашенковська І. С., Черемних О. С., Шолохов О. В. Ідентифікація білінійних систем та керування показниками Ляпунова. Вісник Київського національного університету імені Тараса Шевченка. Серія : Фізико-математичні науки. 2014. Вип. 4. С. 247–250. Режим доступу: http://nbuv.gov.ua/UJRN/VKNU_fiz_mat_2014_4_46.

El Boukhari N., Zerrik E. Constrained optimal control of bilinear systems: Application to an HVAC system. 6th International Conference on Control, Decision and Information Technologies (CoDIT). France. 2019. Рp. 1301–1306. DOI: 10.1109/CoDIT.2019.8820400

##submission.downloads##

Опубліковано

2024-07-31