بهینه‌سازی دمای ساختمان ‌های مسکونی کوچک هوشمند با استفاده از قوانین استنتاج فازی با لحاظ راحتی کاربران

مقاله حاضر، مدلی برای مدیریت بهینه مصرف انرژی ساختمان مسکونی هوشمند با درنظر گرفتن مشخصه‌های احساسی برای تامین راحتی ساکنین می‌باشد. به منظور هوشمندسازی دمای داخلی بر اساس مولفه‌های احساسی (پوشش افراد، دمای هوا‌ی بیرون، سن، شاخص توده بدنی (3 bmi)، میزان رطوبت و تعداد ساکنان) به روش سیستم خبره و پرسش‌نامه، دمایی به عنوان مبنا تعیین شده است، دمای ایده‌آل 22 درجه‌ سانتی‌گراد در نظر گرفته شده است. برای صحت‌سنجی قوانین از استاندارد تعیین شاخص‌های حرارتی 4pmv و 5ppd و معیارهای آسایش حرارتی موضعی استفاده شده و نتیجه آن انطباق قابل قبول دمای خروجی با شاخص‌های حرارتی می‌باشد. برای تعیین قوانین براساس شرایط احساسی، میزان تغییرات دمایی بین 2- تا 1.5+ درجه‌ سانتی گراد در نظر گرفته شده است و تعداد 810 قانون استخراج گردیده است. برای تنظیم دما بر اساس قوانین یک داشبورد در نرم‌افزار اکسل تهیه شده است که با ورود هر یک از داده‌های موجود بر اساس کیفی و کمی میزان دمای مناسب به عنوان خروجی نشان داده می‌شود. برای بررسی نتایج میزان مصرف انرژی در دو حالت تنظیم دما با سیستم هوشمند و تنظیم دمای دستی با یکدیگر مقایسه شده‌اند که نتایج نشان‌دهنده‌ کاهش مصرف انرژی به ترتیب در حالت گرمایشی و سرمایشی به میزان 9.7 و 10.2 درصد و بهینه شدن مصرف انرژی در استفاده از این سیستم هوشمند می‌باشد.

temperature optimization of small smart residential buildings using fuzzy inference rules considering user comfort

the present article is a model for the optimal management of energy consumption of smart residential buildings by considering the emotional characteristics to ensure the comfort of residents. in order to smarten the indoor temperature based on emotional components (clothing, outdoor temperature, age, body mass index (bmi1), humidity and number of residents) by expert system and questionnaire, temperature has been determined as a basis. mogles et al, in an article entitled designing behavioral interactions of energy changes for a computational model, investigated creating a structure to fit various types of models and using the simulation model as a tool for evaluation, which affects consumption decisions. according to the results, the presented model can predict the energy saving behavior much better than the existing stochastic models and correctly estimate the effect of the accepted technologies. also, the analytical model can become a decision-making system in accordance with the change of energy behavior (mogles et al., 2018).