МОДЕЛЮВАННЯ МЕТОДІВ АКТИВНОЇ ЕНЕРГОЕФЕКТИВНОСТІ ОПАЛЕННЯ ЖИТЛОВОГО БУДИНКУ

Анотація. У статті досліджено підвищення енергоефективності житлових будівель шляхом впровадження методів активного керування системами опалення. На відміну від пасивних рішень, активна енергоефективність базується на використанні інтелектуальних алгоритмів, що враховують зміну експлуатаційних умов,...

Ausführliche Beschreibung

Gespeichert in:
Bibliographische Detailangaben
Veröffentlicht in:Automatizácia tehnologičeskih i biznes-processov Jg. 17; H. 2; S. 74 - 80
Hauptverfasser: Некрашевич, Олена Василівна, Гурський, Олексій Тарасович
Format: Journal Article
Sprache:Englisch
Veröffentlicht: Odessa National Academy of Food Technologies 21.07.2025
Schlagworte:
активна енергоефективність
енергетичне моделювання
моделювання енергоспоживання
навчання з підкріпленням
прогнозно-модельного керування
розумний дім
системи опалення
тепловий комфорт
штучні нейронні мережі
інтелектуальне керування
ISSN:2312-3125, 2312-931X
Online-Zugang:Volltext
Tags: Tag hinzufügen
Keine Tags, Fügen Sie den ersten Tag hinzu!
Beschreibung
Zusammenfassung:Анотація. У статті досліджено підвищення енергоефективності житлових будівель шляхом впровадження методів активного керування системами опалення. На відміну від пасивних рішень, активна енергоефективність базується на використанні інтелектуальних алгоритмів, що враховують зміну експлуатаційних умов, вплив зовнішнього середовища та поведінкові фактори. Моделювання охоплювало порівняння чотирьох підходів: класичного правило-орієнтованого керування, прогнозно-модельного керування (MPC), гібридного методу MPC+ANN та навчання з підкріпленням (RL). Моделі реалізовано у MATLAB/Simulink (CARNOT), EnergyPlus та OpenModelica з використанням відкритих даних: кліматичних файлів EPW, моделей будівель DOE, а також баз TABULA і Building Data Genome. Дослідження проводилось для однозональної будівлі в зимових умовах. Оцінювались: середнє добове енергоспоживання, відхилення температури від комфортного діапазону (20–24) °C та стійкість до зовнішніх збурень. Результати показали, що активні методи зменшують енергоспоживання без шкоди для комфорту. MPC забезпечує оптимізацію на основі прогнозів, MPC+ANN дозволяє підвищити точність передбачень, а RL демонструє найкращу адаптивність до змін. RL-системи показали зниження енергоспоживання до (75–78) % базового рівня, тоді як MPC+ANN досягли співмірної ефективності з меншою складністю реалізації. На основі моделювання запропоновано комбінований підхід, що поєднує переваги різних стратегій. Особливу увагу приділено використанню відкритих інструментів і даних, що дає змогу масштабувати дослідження для різних типів будівель і регіонів. Отримані результати є підґрунтям для подальших досліджень у сфері активного керування HVAC-системами, впровадження «розумного дому» та екологічних стандартів.  
ISSN:2312-3125
2312-931X
DOI:10.15673/atbp.v17i2.3096