Tác giả Luning Sun

Zehuan Hu

Masayuki Mae

Taiji Imaizumi

Ngày đăng tải 16/09/2024
DOI https://doi.org/10.1016/j.enbuild.2024.114799
Nguồn bài nghiên cứu Science Direct
Từ khóa Học tăng cường sâu

Điều hòa không khí

Tòa nhà dân cư

Quá nhiệt

1 – GIỚI THIỆU

Bài nghiên cứu phát triển mô hình điều khiển điều hòa không khí sử dụng học tăng cường sâu (DRL) nhằm giảm tiêu thụ năng lượng trong tòa nhà cách nhiệt cao. Mô hình này tận dụng dự báo thời tiết để giảm hiện tượng quá nhiệt do bức xạ mặt trời và cải thiện hiệu suất điều hòa trong điều kiện tải thấp. Thử nghiệm cho thấy mô hình giúp giảm tiêu thụ năng lượng khoảng 40% vào mùa đông.

2 – MÔ TẢ HỆ THỐNG

Hệ thống điều hòa được điều khiển thông qua mô hình học tăng cường sâu, kết nối với hệ thống quản lý năng lượng gia đình (HEMS) để tối ưu hóa lượng nhiệt đầu vào cho điều hòa từng phòng trong tòa nhà dân cư. Hệ thống tích hợp dữ liệu dự báo thời tiết, sử dụng thuật toán mạng thần kinh (DQN) để điều chỉnh lượng nhiệt phù hợp.

3 – PHƯƠNG PHÁP NGHIÊN CỨU

Phương pháp nghiên cứu bao gồm việc thiết lập mô hình mô phỏng và đào tạo mạng DQN, sử dụng mô hình hộp xám RC để mô phỏng phản ứng nhiệt trong nhà. Mạng đầu ra dùng học giám sát để xác định nhiệt đầu vào của điều hòa, tối ưu hóa hiệu suất COP (Coefficient of Performance).

4 – KẾT QUẢ NGHIÊN CỨU

Kết quả kiểm tra cho thấy mô hình DRL có khả năng điều chỉnh điều hòa trước khi xảy ra quá nhiệt, giúp giảm nhiệt đầu vào và năng lượng tiêu thụ. So với các phương pháp truyền thống, mô hình này duy trì hiệu suất COP cao hơn và giảm tần suất bật/tắt máy nén.

5 – KẾT LUẬN

Nghiên cứu này nhấn mạnh khả năng của học tăng cường sâu trong việc cải thiện hiệu suất năng lượng điều hòa không khí ở các tòa nhà cách nhiệt cao. Mô hình có tiềm năng ứng dụng thực tế, hướng đến tiết kiệm năng lượng và giảm thiểu chi phí cho các tòa nhà dân cư cách nhiệt cao vào mùa đông.