کنترل شرایط محیطی داخل ساختمان بر مبنای مدل و استفاده از روش کنترل پیش‌بین

در این مقاله یک روش کنترلی با رویکرد کنترل پیش بین مبتنی بر مدل به منظور تنظیم دمای داخل ساختمان ارائه می گردد. در سال های اخیر بیشترین میزان مصرف انرژی در ساختمان ها، مربوط به سیستم های گرمایش، سرمایش و تهویه مطبوع بوده است. از همین رو کنترل سیستم های گرمایش، سرمایش و تهویه مطبوع در ساختمان ها در راستای کاهش مصرف انرژی مورد توجه قرار گرفته است. در ابتدا یک مدل ساختمانی در نرم افزار انرژی پلاس طراحی و سپس تمام داده های ورودی و خروجی، جهت شناسایی از این نرم افزار استخراج می شوند. در ادامه شناسایی سیستم به روش مدل فضای حالت انجام می گیرد. سپس کنترل کننده با رویکرد پیش بین جهت کنترل دمای داخلی ساختمان طراحی می گردد. نوآوری این مقاله در دو زمینه قابل بیان است، اول اینکه برخلاف اکثر پژوهش های صورت گرفته، داده های استفاده شده در قسمت شناسایی سیستم با فرض ایزوله نبودن اتاق ها و وجود ارتباط دمایی بین اتاق ها انجام شده است که باعث تولید مدلی دقیق تر از سیستم می گردد. دوماً در این پژوهش اثر دمای خارجی محیط به عنوان اغتشاش در نظر گرفته شده است و تاثیر آن در طراحی کنترل کننده مورد بررسی قرار گرفته است. در پایان،نتایج به دست آمده از شبیه سازی در افق یک ساعته، عملکرد خوب کنترل کننده ی پیش بین مبتنی بر مدل نسبت به روش کنترل بهینه به همراه کاهش مصرف انرژی در کنار حفظ شرایط مطلوب دمایی برای ساکنین در یک 24 ساعت را نشان می دهد.

Control of Indoor Environmental Conditions Based on the Model and Use of Predictive Control Method

In this paper, a model predictive control approach is presented to regulate indoor temperature. In recent years, the highest energy consumption in buildings is related to heating, ventilation, and air conditioning systems. Therefore, the control of heating, ventilation, and air conditioning systems in buildings has been taken into consideration to reduce energy consumption. At first, a construction model is designed in the Energyplus software, then all input and output data is collected from this software to identify the statespace model. Then the Modelbased predictive control algorithm is applied to control the indoor building temperature. The contribution of this paper is twofold. Firstly, the data used in the system identification section is based on the assumption that the rooms are not isolated. There is a temperature relationship between the rooms, which provides a more realistic model of the system. Secondly, the external ambient temperature is considered as a disturbance, and its effect on controller design has been investigated. The simulation results for 24 hours show the good performance of the model predictive control approach over the optimal control method along with reducing energy consumption while maintaining the optimal temperature conditions.