건물 관리 시스템(BMS)은 외부 조건이 변동하더라도 공조된 공간 내에서 최적의 열 쾌적성을 유지하는 것을 목표로 합니다. 최적화 모델을 공기 처리 장치(AHU)와 통합함으로써 전반적인 성능을 향상시키고 전력 소비를 최소화할 수 있습니다. 이 연구는 다양한 기후 조건에서 성능 매개변수를 평가하는 공기 처리 장치의 설계 및 구축에 중점을 두고 있습니다. 공기는 나선형 코일 제습기, 초음파 가습기 및 댐퍼를 통해 방으로 통과하여 필요한 조건을 조절합니다. 본 연구는 공기 처리 장치(AHU)에서 열 쾌적성을 조절하면서 에너지 소비를 최소화하기 위해 기계 학습 기반 최적화 프레임워크를 제안합니다. 예측 모델은 Random Forest 회귀기, XGBoost 회귀기 및 인공 신경망(ANN)을 사용하여 실험 데이터를 기반으로 입력 공기 조건에 따른 PMV, PPD 및 에너지 소비를 추정하도록 훈련되었습니다. 자가 적응형 비지배 정렬 유전자 알고리즘 II(NSGA-II)를 사용하여 정의된 열 쾌적성 제약 내에서 최적의 입구 공기 매개변수 – 온도, 속도 및 상대 습도 – 를 예측했습니다. 최적화 결과는 자가 적응형 NSGA-II 예측에서 유래한 입력 조건으로 구성된 테스트를 사용하여 실험적으로 검증되었으며, 결과적인 열 쾌적성 지수 및 에너지 사용량이 측정되었습니다. 예측 오류는 에너지 소비에서 0.8%, 예측 평균 투표(PMV)에서 1.2%, 예측 불만 비율(PPD)에서 2.7%로 최소한이었습니다. 이는 접근 방식의 정확성과 강건성을 입증하는 것입니다. 최적화된 입구 조건에서의 실험적 검증은 모델의 신뢰성을 확인하며, 측정 값에 비해 에너지 소비에서 0.8%, PMV에서 1.2%, PPD에서 2.7%의 최소 예측 오류를 보였습니다. 이 연구는 스마트 빌딩 환경에서 청정하고 에너지 효율적이며 쾌적성을 중심으로 한 HVAC 제어를 위한 ML 기반 다목적 최적화의 가능성을 확인합니다. • 쾌적 지수 및 에너지 소비를 연구하기 위한 AHU 테스트 장비를 제작했습니다. • 공기 속도, 온도 및 습도가 PMV 및 PPD에 미치는 영향을 조사했습니다. • 기계 학습과 최적화를 통합하여 AHU 성능을 향상시켰습니다. • XGBoost와 자가 적응형 NSGA-II를 통해 최적의 입구 공기 조건을 예측했습니다. • 실험 결과는 최적화된 PMV, PPD 및 에너지 값과 밀접하게 일치했습니다. • 낮은 예측 오류는 ML 기반 프레임워크의 높은 정확성을 확인했습니다.
Salins et al. (Sat,)가 이 문제를 연구했습니다.