28904

ارائه چارچوبي جهت مديريت انرژي در ساختمان با استفاده از هوش مصنوعي

كارشناسي ارشد

مهندسي عمران- مهندسي و مديريت ساخت

1400

1402/6/26

مصطفي خانزادي

عمران

يافتن راه‌حل‌هاي قابل قبول براي كاهش تقاضاي مصرف انرژي در ساختمان و كاهش اثرات نامطلوب زيست محيطي ضروري است زيرا محيط ساختمان‌ها تقريباً يك سوم انرژي توليدي جهان را مصرف مي‌كنند. سيستم‌هاي گرمايش، تهويه و تهويه مطبوع (HVAC ) براي تامين آسايش حرارتي در ساختمان‌هاي مسكوني و تجاري ضروري هستند و همچنين بخش عمده‌اي از انرژي مصرفي در ساختمان‌ها را برعهده دارند و بخش قابل توجهي از انرژي مصرفي، به دليل وجود خطا در سيستم، هدر مي‌رود. از اين رو بايد در مديريت انرژي ساختمان توجه ويژه‌اي به سيستم‌هاي HVAC شود تا به كاهش مصرف انرژي كمك شود و همچنين آسايش موردنياز ساكنين داخل ساختمان را تأمين كند. به منظور توسعه راه‌حل‌هايي براي محيط ساختمان، تكنيك‌هاي هوش مصنوعي (AI ) مانند يادگيري ماشيني (ML ) و يادگيري عميق (DL ) به طور فزاينده و موفقيت آميزي به كار گرفته شده‌اند. امروزه تكنيك‌هاي مبتني بر هوش مصنوعي براي حل مشكلات مرتبط با سيستم‌هاي گرمايش، تهويه و تهويه مطبوع استفاده مي‌شوند زيرا به كمك اين تكنيك‌ها مي‌توان در كمترين زمان ممكن ميان مصرف انرژي و آسايش حرارتي، يك نقطه بهينه را انتخاب نمود تا علاوه بر كاهش مصرف انرژي، آسايش ساكنين نيز تامين شود. سيستم‌هاي HVAC را مي‌توان براي بهره‌وري انرژي با تكنيك‌هاي هوش مصنوعي بهينه كرد و تعمير و نگهداري پيش‌بيني‌شده را براي كاهش زمان خرابي و هزينه‌ها انجام داد. در مطالعات گذشته به بررسي كيفي خطاهاي رخداده در سيستم‌هاي تهويه پرداخته نشده و همچنين به وسيله هوش مصنوعي، دقت بالايي را براي شناسايي خطا حاصل نشد و بعضي از خطاهاي موجود را شناسايي نكرده‌اند. از اين رو در اين پايان‌نامه با ارائه يك چارچوب سعي مي‌شود كه تاثير خطاها بر روي مصرف انرژي سيستم‌هاي HVAC به صورت كيفي و به وسيله تجزيه و تحليل درخت خطا شناسايي شود و سپس به وسيله هوش مصنوعي و پياده‌سازي الگوريتم‌هاي مختلف آن بر روي داده‌هاي حاصل از يك ساختمان واقعي در پژوهش‌هاي پيشين، خطاهاي رخ داده در سيستم تهويه در اسرع وقت و با دقت بالا شناسايي شود تا از اتلاف انرژي و همچنين كاهش سطح آسايش حرارتي ساكنين جلوگيري شود.

1402/07/29

Providing a framework for energy management in buildings using artificial intelligence

9/16/2024 12:00:00 AM

It is necessary to find acceptable solutions to reduce the energy consumption demand in the building and to reduce adverse environmental effects because the building environment consumes approximately one third of the energy produced in the world. Heating, ventilation and air conditioning (HVAC) systems are essential for providing thermal comfort in residential and commercial buildings, and they also account for a major part of the energy consumed in buildings, and a significant part of the consumed energy is wasted due to the presence of errors in the system. . Therefore, in building energy management, special attention should be paid to HVAC systems to help reduce energy consumption and also provide the comfort needed by the residents inside the building. In order to develop solutions for the building environment, artificial intelligence (AI) techniques such as machine learning (ML) and deep learning (DL) have been increasingly applied. Nowadays, techniques based on artificial intelligence are used to solve problems related to heating, ventilation and air conditioning systems, because with the help of these techniques, an optimal point can be selected between energy consumption and thermal comfort in the shortest possible time, so that in addition to reducing energy consumption, the comfort of the residents should also be provided. HVAC systems can be optimized for energy efficiency with artificial intelligence techniques and perform predictive maintenance to reduce downtime and costs. In the past studies, the quality of errors occurring in air conditioning systems was not investigated, and artificial intelligence did not achieve high accuracy for error detection, and some existing errors were not identified. Therefore, in this thesis, by presenting a framework, it is tried to qualitatively identify the impact of errors on the energy consumption of HVAC systems by means of fault tree analysis, and then by means of artificial intelligence and the implementation of its various algorithms on the data obtained from A real building, in previous researches, the errors occurred in the ventilation system are detected as soon as possible and with high accuracy in order to avoid the loss of energy and also to reduce the level of thermal comfort of the residents.

هوش مصنوعي , مديريت انرژي ساختمان , سيستم‌هاي تهويه مطبوع

Artificial Intelligence , Building Energy Management , Heating and Ventilation systems and Air Conditioning

Amin Haji Mohammad Rezaei

Mostafa Khanzadi