OPTIMIZATION OF HVAC ENERGY CONSUMPTION UNDER UNCERTAINTY OF EXTERNAL CONDITIONS: A PROBABILISTIC MODELING APPROACH
Ключевые слова:
EnglishАннотация
Аннотация: Системы отопления, вентиляции и кондиционирования (HVAC) составляют около 40% энергопотребления зданий. Их эффективность значительно зависит от неопределённых факторов, таких как погода и стохастическая занятость, что ограничивает детерминистские методы управления. В данном исследовании предлагается вероятностная оптимизационная структура для управления HVAC, где занятость моделируется как стохастический процесс, а погодные условия описываются вероятностными распределениями. Динамика температуры и концентрации CO₂ задаётся стохастическими дифференциальными уравнениями в рамках задачи оптимизации с ограничениями. Используется стохастический предиктивный контроль (MPC) с выборкой Монте-Карло, что обеспечивает экономию энергии на 10–15% и повышение надёжности комфорта, особенно в учебных и офисных зданиях.
Библиографические ссылки
Варламова Л.П & Рахимова М.М (2025) Математическое моделирование влияния микроклимата на продуктивность учащихся// Development of science Volume 3 –pp. 174-179
Варламова Л.П, Рахимова М.М (2025) Интеграция IOT-технологий в системе управления микроклиматом на основе математического моделирования, Образование и наука в XXI веке, pp. 368-377
Oldewurtel, F., et al. (2012). Use of model predictive control and weather forecasts for energy efficient building climate control. Energy and Buildings, 45, pp 15–27.
Li, X., et al. (2017). Stochastic optimization for HVAC energy management with uncertain occupancy. Energy and Buildings, 148, 220–229.
Sun, K., et al. (2022). Robust predictive control for HVAC considering weather and occupancy uncertainty. Applied Energy, 307, 118–125.
Killian, M., & Kozek, M. (2016). Ten questions concerning model predictive control for energy efficient buildings. Building and Environment, 105, 403–412.
Zhang, Z., Chong, A., Pan, Y., & Lam, K. P. (2013). A review of smart building sensing system for better indoor environment control. Energy and Buildings, 105, 88–102.
Chen, Y., Norford, L., & Samuelson, H. (2015). Modeling uncertainty in building energy simulation: A review. Energy and Buildings, 81, pp 244–258.
Shaikh, P. H., Nor, N. B. M., Nallagownden, P., Elamvazuthi, I., & Ibrahim, T. (2014). A review on optimized control systems for building energy and comfort management of smart sustainable buildings. Renewable and Sustainable Energy Reviews, 34, pp 409–429.
Zhou, X., & O’Neill, Z. (2020). A review of uncertainty analysis for building energy assessment. Energy and Buildings, 210, 109705.
Yang, S., Li, J., & Xu, P. (2021). A data-driven probabilistic approach for occupancy prediction in intelligent buildings. Applied Energy, 287, 116575.
Ma, Y., Kelman, A., Daly, A., & Borrelli, F. (2012). Predictive control for energy efficient buildings with thermal storage: Modeling, simulation, and experiments. IEEE Control Systems Magazine, 32(1), pp 44–64.
De Rosa, M., Bianco, V., Scarpa, F., & Tagliafico, L. A. (2014). Heating and cooling building energy demand evaluation; a simplified model and a modified degree days approach. Applied Energy, 128, pp 217–229.
Sun, K., Hong, T., & Taylor, J. (2020). Integrating probabilistic occupancy prediction into building energy modeling: A stochastic control framework. Applied Energy, 275, 115389.
Wang, S., & Ma, Z. (2008). Supervisory and optimal control of building HVAC systems: A review. HVAC&R Research, 14(1), pp 3–32.
Загрузки
Опубликован
Как цитировать
Лицензия
Copyright (c) 2025 Mohira Rahimova, Lyudmila Varlamova
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
