زهرا سیدکاظمی اردبیلی - دانشجوی کارشناسی معماری، دانشکده مهندسی معماری، دانشگاه محقق اردبیلی، اردبیل، ایران
محسن رنجبر زینالی - دانشجوی دکتری معماری، دانشکده معماری و شهرسازی، دانشگاه بین المللی امام خمینی (ره)، قزوین، ایران

آسایش حرارتی داخلی در ساختمان های مسکونی معمولا توسط مستاجرین به دست می آید که به صورت دستی نقاط تنظیم دمای ثابت را تنظیم می کنند؛ این به عنوان یک روش "استاتیک" شناخته می شود. تحقیقات قبلی کنترل خودکار آسایش حرارتی را بر اساس مفهوم شاخص میانگین رای پیش بینی شده (PMV) مورد بررسی قرار داده است، که برای ارائه مدلی از آسایش درک شده انسان ایجاد شده است. با این حال، یکی از سهم های غالب در این شاخص، میانگین دمای تابشی (MRT) ، به طور موثر میانگین دمای تابشی سطوح داخلی اطراف، یکی از این موارد بوده است: ۱) به طور نادرست با دمای هوای داخل یکسان فرض شده است؛ و/یا ۲) به دلیل نیاز به تعداد زیادی سنسور اضافی ، اجرا پرهزینه است. تحقیقات به منظور استفاده از کار قبلی در برآورد خودکار مقادیر R دیوارها و سقف ها با استفاده از ترکیبی از ترموستات هوشمند WiFi ، هندسه ساختمان و مصرف انرژی تاریخی برای تخمین MRT با دقت و در نتیجه ارائه ابزاری برای کنترل آسایش، به جای دما به تنهایی، مطرح شده است. به منظور ارزیابی پتانسیل صرفه جویی در انرژی کنترل آسایش برای هر محل سکونت، یک مدل یادگیری ماشینی دمای داخل خانه بر اساس یک شبکه عصبی NARX استفاده شده است. این مدل از داده های ترموستات تاریخی و آب و هوا استفاده می کند تا ابزاری برای پیش بینی دینامیکی دمای داخلی ایجاد کند. با یک مدل توسعه یافته، می توان نقاط تنظیم دما را در دمای داخلی شبیه سازی کرد و بنابراین دمای نقطه تنظیم بهینه را در همه زمان های مورد نیاز برای حفظ شرایط راحتی معقول شناسایی کرد. استفاده از این مجموعه دمای ایده آل برای حداقل آسایش انسان در داده های آب و هوای تاریخی و شرایط آب و هوای داخلی می تواند تخمینی برای حداقل انرژی سرمایشی ارائه دهد. نتایج اولیه صرفه جویی انرژی خنک کننده را به ترتیب بیش از ۸۳ % و ۹۵ % برای اقامتگاه های با راندمان بالا و کم نشان داد. بر اساس این تحقیق، پیشنهاد می شود که رویکرد تخمین MRT را می توان برای محاسبه مقدار دقیق تر PMV و نمایش بهتر آسایش انسان، بدون چیزی بیش از یک ترموستات WiFi هوشمند با داده های در دسترس استفاده کرد. بنابراین ، یک استراتژی کنترل مبتنی بر این پارادایم می تواند هم آسایش حرارتی در ساختمان های مسکونی و هم مصرف انرژی کمتری را به دست آورد. علاوه بر این، یک کنترل کننده پیش بینی مدل (MPC) برای تحقق کنترل واقعی تر و معقول تر توسعه یافته است. حفاظت از کمپرسور نیز در توسعه کنترلر در نظر گرفته شده است.

شبکه عصبی، وای فای، آسایش حرارتی، MRT ، NARX