Tiếp cận cảm biến ảo để nâng cao chiến lược cá nhân hóa cho chất lượng môi trường trong nhà và quản lý năng lượng dân cư
A virtual sensing approach to enhancing personalized strategies for indoor environmental quality and residential energy management
| Tác giả | Stylianos Karatzas
Jorge Merino Alena Puchkova Christos Mountzouris Grigoris Protopsaltis John Gialelis Ajith Kumar Parlikad |
| Ngày đăng tải | 27/05/2024 |
| DOI | https://doi.org/10.1016/j.buildenv.2024.111684 |
| Nguồn bài nghiên cứu | Science Direct |
| Từ khóa | Hiệu quả năng lượng
Cảm biến ảo Chất lượng môi trường trong nhà (IEQ) Sự thoải mái nhiệt Quản lý phía cầu (DSM) Chất lượng không khí trong nhà (IAQ) |
1 – GIỚI THIỆU
Nghiên cứu này trình bày một cách tiếp cận hướng tới người tiêu dùng về Quản lý phía cầu (DSM) cho hệ thống năng lượng dân cư, nhằm điều chỉnh các chiến lược năng lượng tiết kiệm chi phí với sự linh hoạt về thời gian hoạt động của các thiết bị điện gia đình, sự thoải mái nhiệt và chất lượng không khí trong nhà. Khung tối ưu hóa tích hợp dự báo chỉ số Chất lượng Không khí Trong nhà (IAQ) và mức độ thoải mái nhiệt sử dụng công nghệ cảm biến ảo để dự đoán các giá trị trước một ngày, sau đó được tích hợp như các ràng buộc trong bài toán tối ưu hóa. Một cách tiếp cận mục tiêu kép được áp dụng, cân bằng giữa việc giảm thiểu chi phí điện và tăng sự hài lòng của người tiêu dùng. Cách tiếp cận này nhấn mạnh vai trò quan trọng của sự tham gia của người tiêu dùng trong DSM và minh họa cách tích hợp các công nghệ nhà thông minh có thể dẫn đến giảm tiêu thụ năng lượng và tiết kiệm chi phí. Mô hình này không chỉ thúc đẩy sự tham gia của người tiêu dùng trong quản lý năng lượng mà còn cho thấy tiềm năng của các hệ thống nhà thông minh trong việc tối ưu hóa sử dụng năng lượng đồng thời duy trì các tiêu chuẩn thoải mái cá nhân.
2 – MÔ TẢ HỆ THỐNG
Hệ thống nghiên cứu tập trung vào việc sử dụng cảm biến ảo để nâng cao chiến lược cá nhân hóa cho chất lượng môi trường trong nhà và quản lý năng lượng. Cảm biến ảo dự đoán các giá trị chỉ số IAQ và mức độ thoải mái nhiệt trước một ngày, tích hợp các dự báo này vào khung tối ưu hóa để cải thiện hiệu quả năng lượng và sự thoải mái của người tiêu dùng. Các công nghệ được sử dụng bao gồm cảm biến ảo, trí tuệ nhân tạo (AI), và học máy (ML) để phân tích và tối ưu hóa.
3 – PHƯƠNG PHÁP NGHIÊN CỨU
Phương pháp nghiên cứu bao gồm:
– Khung lập trình tuyến tính nguyên (ILP): Được sử dụng để tối ưu hóa chi phí năng lượng hàng ngày liên quan đến tải điện có thể điều khiển trong môi trường dân cư.
– Cảm biến ảo cho mức độ thoải mái nhiệt: Dự đoán chỉ số PMV (Predicted Mean Vote) và nhiệt độ tương ứng trước một ngày.
– Cảm biến ảo cho chỉ số IAQ: Sử dụng mạng nơ-ron LSTM để dự đoán chỉ số IAQ, tập trung vào các chất ô nhiễm không khí quan trọng như VOCs và PM2.5.
4 – KẾT QUẢ NGHIÊN CỨU
Kết quả nghiên cứu cho thấy khung tối ưu hóa đề xuất có thể giảm chi phí điện hàng ngày khoảng 18.30% so với kịch bản cơ bản. Điều này được thực hiện mà không làm giảm sự thoải mái của người tiêu dùng, đồng thời cải thiện chất lượng không khí trong nhà thông qua việc quản lý hiệu quả hoạt động của các đơn vị điều hòa không khí (AC) và máy lọc không khí (AP).
5 – KẾT LUẬN
Nghiên cứu này giới thiệu một khung ILP tập trung vào người tiêu dùng để tối ưu hóa chi phí điện hàng ngày trong môi trường dân cư. Khung này cân bằng giữa mục tiêu tài chính là giảm chi phí điện với yêu cầu về sự thoải mái của người tiêu dùng, được đo lường bằng chỉ số thoải mái nhiệt và chỉ số IAQ. Việc tích hợp chỉ số IAQ như một ràng buộc rõ ràng trong bài toán tối ưu hóa giúp duy trì điều kiện không khí trong nhà lành mạnh mà không hy sinh hiệu quả năng lượng. Khung này cũng có khả năng điều chỉnh tải nhiệt động, tích hợp mô hình thoải mái nhiệt của Fanger trực tiếp vào thuật toán tối ưu hóa. Kết quả so sánh chỉ ra rằng khung tối ưu hóa có thể giảm đáng kể chi phí điện hàng ngày.
